LiquidAI: LFM2.5-Embedding-350M (free)

LiquidAI publiceert LFM2.5-Embedding-350M, een tekst-embeddingmodel van Liquid AI dat op api14 wordt aangeboden onder het model-id liquid/lfm-2.5-embedding-350m:free. Het valt in de categorie embeddings en niet in de categorie chat, dus het is geen conversationeel model en genereert geen prozantwoorden. De enige taak is tekst omzetten in een vector die betekenis vertegenwoordigt, wat het een bouwsteen maakt voor andere systemen in plaats van een eindpunt waarmee gebruikers rechtstreeks praten. De provider heeft het uitgebracht op 2026-08-18.

Het model accepteert tekst als enige invoer en retourneert embeddings als enige uitvoer. Het produceert vectoren van 1.024 dimensies, een grootte die comfortabel past in de meeste vectoropslag en bibliotheken voor gelijkeniszoekopdrachten zonder speciale behandeling. Het contextvenster is 512 tokens en de maximale uitvoer is 460, wat in embeddingtermen betrekking heeft op de geretourneerde vectorrepresentatie in plaats van op gegenereerde tekst. Omdat het venster vrij klein is, moeten invoeren worden teruggebracht tot de passage, zin of korte documentsectie die u daadwerkelijk wilt representeren, en langer materiaal moet worden opgesplitst voordat het het model bereikt.

Die kenmerken wijzen op een paar praktische toepassingen. Retrieval augmented generation is de voor de hand liggende: embed uw documentchunks eenmalig, embed de binnenkomende vraag op het moment van de query en haal de dichtstbijzijnde chunks terug op basis van vectorovereenkomst. Semantisch zoeken in een productcatalogus, ondersteuningsartikelen of interne notities werkt op dezelfde manier, omdat het model matcht op betekenis in plaats van op exacte trefwoorden. Deduplicatie- en clusteringtaken volgen ook, waarbij u bijna identieke teksten groepeert of samenvoegt door hun vectoren te vergelijken. Classificatie met een lichtgewicht head bovenop de embeddings is een andere optie, net als het herordenen van kandidaatresultaten voordat u ze naar een chatmodel stuurt.

Het aanroepen via api14 betekent een verzoek sturen naar het OpenAI-compatibele eindpunt met het model ingesteld op liquid/lfm-2.5-embedding-350m:free. Als u al een OpenAI-clientbibliotheek gebruikt, richt dan de base URL op api14 en behoud dezelfde vorm van de embeddings-aanroep. Let op: het model vermeldt geen ondersteunde parameters, dus extra afstemmingsvlaggen zoals aanpassingen van dimensies of coderingsformaat zijn niet beschikbaar; stuur uw invoertekst en lees de vector terug uit het antwoord. Houd elk verzoek binnen het venster van 512 tokens om afkapping te voorkomen van de tekst die u probeert te representeren.

Omdat het contextvenster 512 tokens is en er geen parameters worden blootgesteld, is dit model geschikt voor korte, goed gesegmenteerde tekst in plaats van hele documenten of lange gesprekken. Als u grote blokken in één keer moet embedden, of controle nodig hebt over de vectorgrootte of andere aanvraagopties, past een ander embeddingmodel beter. Voor eenvoudige retrieval op zins- en alineaniveau bij korte invoeren vervult het de taak.