Sentence Transformers: all-mpnet-base-v2 contra Thenlper: GTE-Base
Uma comparação lado a lado entre Sentence Transformers: all-mpnet-base-v2 (US$ 0,02 / 1M fragmentos (≈ R$ 0,10)) e Thenlper: GTE-Base (US$ 0,02 / 1M fragmentos (≈ R$ 0,10)) com preços em USD e recursos atuais do catálogo do api14. Os dois funcionam pela mesma API compatível com OpenAI.
Especificações
| Sentence Transformers: all-mpnet-base-v2 | Thenlper: GTE-Base | |
|---|---|---|
| Provedor | Sentence Transformers | Thenlper |
| Entrada | US$ 0,02 / 1M fragmentos (≈ R$ 0,10) | US$ 0,02 / 1M fragmentos (≈ R$ 0,10) |
| Janela de contexto | 512 | 512 |
| Saída máxima | 460 | 460 |
| Entrada | text | text |
| Saída | embeddings | embeddings |
| chamada de ferramentas | ||
| Saída estruturada | ||
| Controle de raciocínio | ||
| Adicionado em | 17 de nov. de 2025 | 18 de nov. de 2025 |
Principais diferenças
- Os dois têm praticamente o mesmo preço de entrada.
Em detalhe
Sentence Transformers: all-mpnet-base-v2 é um modelo de embedding do Sentence Transformers, e Thenlper: GTE-Base é um modelo de embedding do Thenlper. Ambos estão na categoria de embeddings, o que significa que recebem texto e devolvem vetores em vez de texto gerado. São irmãos próximos em propósito, lançados com um dia de diferença em novembro de 2025, e visam o mesmo trabalho: transformar um pedaço de texto numa representação numérica que pode armazenar, comparar ou pesquisar.
Nas especificações que importam para o planeamento, os dois são efetivamente idênticos. Ambos aceitam apenas texto e ambos devolvem apenas embeddings, portanto nenhum deles lida com imagens, áudio ou qualquer outra modalidade. Ambos têm uma janela de contexto de 512 tokens, que é o mesmo limite, portanto não há aqui nenhum modelo que lhe permita incorporar passagens mais longas numa única chamada. Nenhum lista quaisquer parâmetros suportados, portanto não está a escolher entre um que expõe controlos extra e outro que não. A comparação qualitativa marca o preço de entrada como empate, e os outros campos de comparação ou não são significativamente diferentes ou são desconhecidos, portanto nada nos factos fornecidos os separa em capacidade, contexto ou nível de custo.
Isso deixa a escolha a depender da sua própria avaliação em vez de uma lista de características. Como os dois modelos são tão próximos em forma, a abordagem sensata é escolher o que tiver melhor desempenho nos seus dados reais. Se está a construir pesquisa semântica, deduplicação, agrupamento ou recuperação sobre pequenos blocos de texto, qualquer um dos modelos pode servir como codificador, e o fator decisivo será quão bem os seus vetores separam as suas consultas e documentos específicos. Execute uma amostra dos seus pares reais em ambos, compare a qualidade de recuperação ou a ordenação de similaridade, e deixe isso decidir. Se não tiver um sinal forte em nenhum sentido, o empate no preço de entrada significa que não há argumento de custo a empurrá-lo para um em vez do outro.
Chamar qualquer um dos modelos através de api14 é a mesma operação. A API é compatível com OpenAI, portanto aponta o seu cliente existente para o endpoint de embeddings e passa o texto que quer codificar. A única coisa que muda entre os dois é o id do modelo: use sentence-transformers/all-mpnet-base-v2 para o modelo Sentence Transformers, ou thenlper/gte-base para o modelo Thenlper. Tudo o resto no pedido permanece como está, o que torna a troca entre eles uma alteração de uma linha e torna a comparação lado a lado simples.
Não há nenhum caso nos factos fornecidos em que um modelo seja claramente a melhor escolha em relação ao outro. Partilham o mesmo comprimento de contexto, as mesmas modalidades de entrada e saída, a mesma ausência de parâmetros suportados, e um empate no preço de entrada. Se mais tarde descobrir que um lida melhor com o seu domínio, essa descoberta virá dos seus próprios testes, não de uma diferença documentada entre os dois.
Troque com uma string
Os dois modelos usam o mesmo endpoint e o mesmo formato de requisição. Mude o valor de model de "sentence-transformers/all-mpnet-base-v2" para "thenlper/gte-base", prompts, streaming e ferramentas continuam funcionando.
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));
Mais comparações
- Amazon: Titan Multimodal Embeddings G1 contra Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 contra Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 contra Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 contra Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text contra Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text contra Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text contra Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 contra Cohere: Embed 5 Fast