Sentence Transformers: all-mpnet-base-v2 to model embedding od Sentence Transformers, a Thenlper: GTE-Base to model embedding od Thenlper. Oba należą do kategorii embeddings, co oznacza, że przyjmują tekst, a zwracają wektory, a nie wygenerowany tekst. Są bliskimi odpowiednikami pod względem przeznaczenia, wydanymi dzień po dniu w listopadzie 2025, i są ukierunkowane na to samo zadanie: zamianę fragmentu tekstu na reprezentację liczbową, którą można przechowywać, porównywać lub przeszukiwać.
W specyfikacjach istotnych dla planowania oba są praktycznie identyczne. Oba przyjmują wyłącznie tekst i oba zwracają wyłącznie embeddings, więc żaden z nich nie obsługuje obrazów, dźwięku ani żadnej innej modalności. Oba mają okno kontekstu wynoszące 512 tokenów, czyli ten sam limit, więc nie ma tu modelu, który pozwala osadzać dłuższe fragmenty w jednym wywołaniu. Żaden nie wymienia żadnych obsługiwanych parametrów, więc nie wybierasz między modelem, który udostępnia dodatkowe opcje, a takim, który tego nie robi. Porównanie jakościowe wskazuje cenę wejścia jako remis, a pozostałe pola porównania albo nie różnią się w istotny sposób, albo są nieznane, więc nic w dostarczonych faktach nie rozdziela ich pod względem możliwości, kontekstu ani poziomu kosztów.
To sprawia, że wybór opiera się na własnej ocenie, a nie na liście cech. Ponieważ oba modele mają tak zbliżony kształt, rozsądnym podejściem jest wybrać ten, który działa lepiej na twoich rzeczywistych danych. Jeśli budujesz wyszukiwanie semantyczne, deduplikację, grupowanie lub wyszukiwanie informacji na krótkich fragmentach tekstu, każdy z tych modeli może służyć jako enkoder, a czynnikiem decydującym będzie to, jak dobrze jego wektory rozdzielają twoje konkretne zapytania i dokumenty. Przepuść próbkę swoich rzeczywistych par przez oba modele, porównaj jakość wyszukiwania lub uporządkowanie podobieństwa i pozwól, by to zdecydowało. Jeśli nie masz wyraźnego sygnału w żadną stronę, remis w cenie wejścia oznacza, że nie ma argumentu kosztowego przemawiającego za jednym zamiast drugiego.
Wywołanie któregokolwiek z tych modeli przez api14 to ta sama operacja. API jest zgodne z OpenAI, więc kierujesz swojego istniejącego klienta na endpoint embeddings i przekazujesz tekst, który chcesz zakodować. Jedyne, co się zmienia między nimi, to identyfikator modelu: użyj sentence-transformers/all-mpnet-base-v2 dla modelu Sentence Transformers albo thenlper/gte-base dla modelu Thenlper. Wszystko inne w żądaniu pozostaje bez zmian, co sprawia, że przełączanie między nimi to zmiana jednej linii i co upraszcza porównanie obok siebie.
W dostarczonych faktach nie ma przypadku, w którym jeden model jest wyraźnie lepszym wyborem niż drugi. Mają tę samą długość kontekstu, te same modalności wejścia i wyjścia, ten sam brak obsługiwanych parametrów oraz remis w cenie wejścia. Jeśli później odkryjesz, że jeden lepiej radzi sobie z twoją dziedziną, to odkrycie będzie wynikiem twoich własnych testów, a nie udokumentowanej różnicy między nimi.