Intfloat: E5-Base-v2

Intfloat: E5-Base-v2 é um modelo de embedding da Intfloat, listado na api14 sob o id de modelo intfloat/e5-base-v2. Ele está na categoria de embeddings, o que significa que não é um modelo de chat ou de geração de texto. Em vez de produzir respostas, ele transforma texto em vetores que você pode armazenar, comparar e pesquisar. A data de lançamento do provedor registrada para ele é 2025-11-18.

O modelo recebe texto como sua única entrada e retorna embeddings como sua única saída. Ele codifica frases e parágrafos em inglês em um espaço vetorial denso de 768 dimensões, e o provedor descreve o resultado como embeddings semânticos eficientes e de alta qualidade. A janela de contexto é de 512 tokens, então cada requisição deve conter uma única passagem ou consulta que caiba nesse orçamento. A saída máxima é 460, o que na prática limita o tamanho da unidade de texto que você envia em uma chamada. Não há parâmetros adicionais suportados além dos campos centrais da requisição, então você não pode ajustar o comportamento com opções de estilo de amostragem como faria com um modelo generativo.

Essas características apontam para um conjunto bastante específico de usos. A busca semântica é o mais óbvio: gere embeddings dos seus documentos uma vez, gere o embedding da consulta do usuário no momento da requisição e depois ordene por similaridade vetorial. O mesmo mecanismo cobre a pontuação de similaridade entre dois trechos de texto, a deduplicação de registros quase idênticos, o agrupamento de frases ou parágrafos e as etapas de recuperação em um pipeline de RAG em que você precisa de um embedding compacto em inglês para buscar passagens candidatas antes de entregá-las a um modelo de geração. Como os vetores são densos e de 768 dimensões, eles funcionam com armazenamentos vetoriais padrão e ferramentas de similaridade de cosseno sem tratamento especial.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo intfloat/e5-base-v2. Como a interface segue o formato de embeddings da OpenAI, você envia seu texto no campo input e lê o vetor de volta na resposta, então bibliotecas cliente da OpenAI e pipelines de embedding já existentes geralmente precisam apenas de uma mudança de URL base e de id de modelo. O modelo não suporta parâmetros extras, então mantenha as requisições no essencial e evite passar opções de ajuste que não têm efeito aqui.

A principal restrição a considerar é o contexto de 512 tokens. Documentos longos precisarão de chunking antes do embedding, e qualquer coisa além do inglês está fora do que a descrição do provedor cobre. Se sua tarefa é gerar texto em vez de representá-lo, um modelo de chat ou de completion é a escolha certa; o E5-Base-v2 é melhor tratado como o componente de recuperação e similaridade de um sistema maior.