Thenlper: GTE-Base

Thenlper: GTE-Base to model embeddingowy od Thenlper, wymieniony na api14 pod identyfikatorem modelu thenlper/gte-base. Należy do kategorii embeddings, więc nie jest modelem czatu ani generowania tekstu. Jego zadaniem jest zamiana tekstu na wektory reprezentujące znaczenie, a dostawca opisuje go jako kodujący angielskie zdania i akapity do 768-wymiarowej gęstej przestrzeni wektorowej. Został wydany przez dostawcę 2025-11-18.

Model przyjmuje tekst jako jedyne wejście i zwraca embeddingi jako jedyne wyjście. Jego długość kontekstu wynosi 512 tokenów, a maksymalne wyjście to 460. W tym oknie obsługuje zdania i akapity, co odpowiada opisowi dostawcy, według którego model jest zoptymalizowany pod podobieństwo tekstowe, wyszukiwanie semantyczne i klasteryzację. Ponieważ wyjściem jest wektor, a nie wygenerowany tekst, należy oczekiwać, że każde wywołanie zwróci dane numeryczne embeddingu, a nie pisemną odpowiedź.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Wyszukiwanie semantyczne jest oczywiste: raz osadź swoje dokumenty, osadź zapytanie w momencie żądania i uszereguj według podobieństwa wektorowego. Klasteryzacja i grupowanie tematyczne wynikają z tej samej właściwości, ponieważ teksty bliskie znaczeniowo trafiają blisko siebie w przestrzeni wektorowej. Podobieństwo tekstowe obejmuje także deduplikację, wykrywanie niemal identycznych tekstów oraz budowanie ocen podobieństwa między dwoma fragmentami angielskiego tekstu. Potoki wyszukiwania, które zasilają osobny model generowania, to kolejne naturalne zastosowanie, przy czym GTE-Base obsługuje część związaną z wyszukiwaniem.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu thenlper/gte-base. Ponieważ endpoint jest zgodny z formatem OpenAI, możesz skierować istniejącego klienta OpenAI na api14 i wysłać swój tekst jako wejście w zwykły sposób. Zwróć uwagę, że ten model nie ma wymienionych żadnych obsługiwanych parametrów, więc nie ma dodatkowych opcji próbkowania ani generowania do ustawienia w żądaniu. Trzymaj dane wejściowe w limicie kontekstu 512 tokenów i traktuj odpowiedź jako wektory embeddingu, a nie treść wiadomości.

Głównym ograniczeniem, które trzeba uwzględnić w planowaniu, jest okno kontekstu 512 tokenów. Nadaje się do zdań i akapitów, ale długie dokumenty będą wymagały podzielenia na fragmenty przed osadzeniem, przy czym strategia dzielenia powinna być wybrana tak, aby zachować znaczenie na granicach. Jeśli twoim zadaniem jest generowanie tekstu, streszczanie lub cokolwiek konwersacyjnego, model embeddingowy jest niewłaściwym narzędziem i lepiej sprawdzi się model czatu. GTE-Base jest ukierunkowany na tekst angielski, więc inne języki nie są objęte opisem dostawcy.