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

A LiquidAI publica o LFM2.5-Embedding-350M, um modelo de embedding de texto da Liquid AI que é oferecido na api14 sob o id de modelo liquid/lfm-2.5-embedding-350m:free. Ele fica na categoria de embeddings em vez da categoria de chat, portanto não é um modelo conversacional e não gera respostas em prosa. Sua única função é transformar texto em um vetor que representa significado, o que o torna um bloco de construção para outros sistemas em vez de um endpoint com o qual os usuários conversam diretamente. O provedor o lançou em 2026-08-18.

O modelo aceita texto como sua única entrada e retorna embeddings como sua única saída. Ele produz vetores de 1.024 dimensões, um tamanho que se encaixa confortavelmente na maioria dos armazenamentos de vetores e bibliotecas de busca por similaridade sem tratamento especial. Sua janela de contexto é de 512 tokens, e a saída máxima é 460, o que, em termos de embedding, se relaciona com a representação vetorial retornada em vez de texto gerado. Como a janela é bastante pequena, as entradas devem ser reduzidas à passagem, frase ou seção curta de documento que você realmente deseja representar, e materiais mais longos devem ser divididos antes de chegarem ao modelo.

Essas características apontam para alguns usos práticos. A geração aumentada por recuperação é a mais óbvia: incorpore seus trechos de documento uma vez, incorpore a pergunta recebida no momento da consulta e recupere os trechos mais próximos por similaridade vetorial. A busca semântica em um catálogo de produtos, artigos de suporte ou notas internas funciona da mesma forma, já que o modelo faz correspondência por significado em vez de palavras-chave exatas. Tarefas de deduplicação e agrupamento também se seguem, nas quais você agrupa ou reduz textos quase idênticos comparando seus vetores. A classificação com uma camada leve sobre os embeddings é outra opção, assim como a reordenação de resultados candidatos antes de enviá-los a um modelo de chat.

Chamá-lo por meio da api14 significa enviar uma requisição ao endpoint compatível com OpenAI com o modelo definido como liquid/lfm-2.5-embedding-350m:free. Se você já usa uma biblioteca cliente da OpenAI, aponte sua URL base para a api14 e mantenha o mesmo formato de chamada de embeddings. Observe que o modelo não lista parâmetros suportados, portanto flags extras de ajuste, como ajustes de dimensions ou encoding format, não estão disponíveis; envie seu texto de entrada e leia o vetor de volta na resposta. Mantenha cada requisição dentro da janela de 512 tokens para evitar truncamento do texto que você está tentando representar.

Como a janela de contexto é de 512 tokens e nenhum parâmetro é exposto, este modelo é adequado para textos curtos e bem segmentados, em vez de documentos inteiros ou conversas longas. Se você precisa incorporar grandes blocos em uma única passagem, ou precisa de controle sobre o tamanho do vetor ou outras opções de requisição, um modelo de embedding diferente se encaixará melhor. Para recuperação direta em nível de frase e parágrafo em entradas curtas, ele dá conta do trabalho.