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

LiquidAI publikuje LFM2.5-Embedding-350M, model osadzania tekstu od Liquid AI, oferowany na api14 pod identyfikatorem modelu liquid/lfm-2.5-embedding-350m:free. Należy do kategorii osadzania, a nie do kategorii czatu, więc nie jest modelem konwersacyjnym i nie generuje odpowiedzi tekstowych. Jego jedynym zadaniem jest przekształcanie tekstu w wektor reprezentujący znaczenie, co czyni go elementem składowym innych systemów, a nie punktem końcowym, z którym użytkownicy rozmawiają bezpośrednio. Dostawca udostępnił go 2026-08-18.

Model przyjmuje tekst jako jedyne dane wejściowe i zwraca osadzenia jako jedyne dane wyjściowe. Tworzy wektory o 1024 wymiarach, rozmiarze, który bez problemu mieści się w większości magazynów wektorów i bibliotek wyszukiwania podobieństwa bez specjalnej obsługi. Jego okno kontekstu wynosi 512 tokenów, a maksymalne wyjście to 460, co w kontekście osadzania odnosi się do zwracanej reprezentacji wektorowej, a nie do generowanego tekstu. Ponieważ okno jest dość małe, dane wejściowe należy przyciąć do fragmentu, zdania lub krótkiej sekcji dokumentu, którą faktycznie chcesz reprezentować, a dłuższy materiał należy podzielić, zanim trafi do modelu.

Te cechy wskazują na kilka praktycznych zastosowań. Generowanie wspomagane wyszukiwaniem jest tym oczywistym: osadź fragmenty dokumentów raz, osadź przychodzące pytanie w momencie zapytania i pobierz najbliższe fragmenty na podstawie podobieństwa wektorów. Wyszukiwanie semantyczne w katalogu produktów, artykułach pomocy lub notatkach wewnętrznych działa tak samo, ponieważ model dopasowuje na podstawie znaczenia, a nie dokładnych słów kluczowych. Zadania deduplikacji i grupowania również się tu wpisują, gdzie grupujesz lub scalasz prawie identyczne teksty, porównując ich wektory. Klasyfikacja z lekką warstwą nałożoną na osadzenia to kolejna opcja, podobnie jak ponowne rankingowanie wyników kandydatów przed wysłaniem ich do modelu czatu.

Wywołanie go przez api14 oznacza wysłanie żądania do punktu końcowego zgodnego z OpenAI z modelem ustawionym na liquid/lfm-2.5-embedding-350m:free. Jeśli już używasz biblioteki klienta OpenAI, ustaw jej bazowy adres URL na api14 i zachowaj ten sam kształt wywołania osadzania. Pamiętaj, że model nie wymienia żadnych obsługiwanych parametrów, więc dodatkowe flagi dostrajania, takie jak wymiary czy korekty formatu kodowania, nie są dostępne; wyślij tekst wejściowy i odczytaj wektor z odpowiedzi. Utrzymuj każde żądanie w oknie 512 tokenów, aby uniknąć obcięcia tekstu, który próbujesz reprezentować.

Ponieważ okno kontekstu wynosi 512 tokenów i nie są udostępniane żadne parametry, model ten nadaje się do krótkich, dobrze podzielonych tekstów, a nie do całych dokumentów czy długich rozmów. Jeśli potrzebujesz osadzić duże bloki w jednym przebiegu lub potrzebujesz kontroli nad rozmiarem wektora bądź innymi opcjami żądania, lepiej dopasuje się inny model osadzania. W przypadku prostego wyszukiwania na poziomie zdań i akapitów dla krótkich danych wejściowych spełnia to zadanie.