Sentence Transformers: all-mpnet-base-v2 tegen Thenlper: GTE-Base
Een vergelijking naast elkaar van Sentence Transformers: all-mpnet-base-v2 (US$ 0,02 / 1M tekstdelen (≈ € 0,02)) en Thenlper: GTE-Base (US$ 0,02 / 1M tekstdelen (≈ € 0,02)) met actuele USD-prijzen en mogelijkheden uit de catalogus van api14. Beide werken via dezelfde OpenAI-compatibele API.
Specificaties
| Sentence Transformers: all-mpnet-base-v2 | Thenlper: GTE-Base | |
|---|---|---|
| Aanbieder | Sentence Transformers | Thenlper |
| Invoer | US$ 0,02 / 1M tekstdelen (≈ € 0,02) | US$ 0,02 / 1M tekstdelen (≈ € 0,02) |
| Contextvenster | 512 | 512 |
| Maximale output | 460 | 460 |
| Invoer | text | text |
| Uitvoer | embeddings | embeddings |
| tool-aanroepen | ||
| Gestructureerde output | ||
| Instelbaar redeneren | ||
| Toegevoegd | 17 nov 2025 | 18 nov 2025 |
Belangrijkste verschillen
- Beide hebben ongeveer dezelfde inputprijs.
In detail
Sentence Transformers: all-mpnet-base-v2 is een embeddingmodel van Sentence Transformers, en Thenlper: GTE-Base is een embeddingmodel van Thenlper. Beide vallen in de categorie embeddings, wat betekent dat ze tekst aannemen en vectoren teruggeven in plaats van gegenereerde tekst. Het zijn naaste verwanten in doel, een dag na elkaar uitgebracht in november 2025, en ze zijn gericht op dezelfde taak: een stuk tekst omzetten in een numerieke representatie die je kunt opslaan, vergelijken of doorzoeken.
Op de specificaties die van belang zijn voor planning zijn de twee effectief identiek. Beide accepteren alleen tekst en beide retourneren alleen embeddings, dus geen van beide verwerkt afbeeldingen, audio of enige andere modaliteit. Beide hebben een contextvenster van 512 tokens, wat hetzelfde plafond is, dus er is hier geen model dat je langere passages in een enkele aanroep laat embedden. Geen van beide vermeldt ondersteunde parameters, dus je kiest niet tussen een model dat extra knoppen blootlegt en een model dat dat niet doet. De kwalitatieve vergelijking markeert inputprijsstelling als een gelijkspel, en de andere vergelijkingsvelden zijn ofwel niet betekenisvol verschillend of onbekend, dus niets in de aangeleverde feiten scheidt ze op capaciteit, context of kostenniveau.
Daardoor rust de keuze op je eigen evaluatie in plaats van op een functielijst. Omdat de twee modellen zo dicht bij elkaar liggen in vorm, is de verstandige aanpak degene kiezen die beter presteert op je werkelijke data. Als je semantisch zoeken, deduplicatie, clustering of retrieval over korte stukken tekst bouwt, kan elk model dienen als de encoder, en de beslissende factor zal zijn hoe goed zijn vectoren jouw specifieke queries en documenten scheiden. Laat een steekproef van je echte paren door beide gaan, vergelijk retrievalkwaliteit of similariteitsordening, en laat dat beslissen. Als je geen sterk signaal in een van beide richtingen hebt, betekent het gelijkspel op inputprijsstelling dat er geen kostenargument is dat je naar het ene boven het andere duwt.
Het aanroepen van een van beide modellen via api14 is dezelfde handeling. De API is OpenAI-compatibel, dus je richt je bestaande client op het embeddings-endpoint en geeft de tekst door die je wilt encoderen. Het enige dat verandert tussen de twee is het model-id: gebruik sentence-transformers/all-mpnet-base-v2 voor het Sentence Transformers-model, of thenlper/gte-base voor het Thenlper-model. Al het andere in het verzoek blijft zoals het is, wat het wisselen tussen hen een wijziging van één regel maakt en een vergelijking naast elkaar eenvoudig maakt.
Er is geen geval in de aangeleverde feiten waarin het ene model duidelijk de betere keuze is boven het andere. Ze delen dezelfde contextlengte, dezelfde input- en outputmodaliteiten, dezelfde afwezigheid van ondersteunde parameters, en een gelijkspel op inputprijsstelling. Als je later ontdekt dat het ene beter met je domein omgaat, zal die bevinding uit je eigen tests komen, niet uit een gedocumenteerd verschil tussen de twee.
Wissel met één string
Beide modellen gebruiken hetzelfde endpoint en dezelfde verzoekstructuur. Verander de waarde van model van "sentence-transformers/all-mpnet-base-v2" naar "thenlper/gte-base", prompts, streaming en tools blijven werken.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.embeddings.create({
"model": "thenlper/gte-base",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
Meer vergelijkingen
- Amazon: Titan Multimodal Embeddings G1 tegen Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 tegen Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 tegen Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 tegen Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text tegen Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text tegen Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text tegen Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 tegen Cohere: Embed 5 Fast