Intfloat: E5-Base-v2

Intfloat: E5-Base-v2 är en inbäddningsmodell från Intfloat, listad på api14 under modell-id intfloat/e5-base-v2. Den ligger i kategorin embeddings, vilket innebär att den inte är en chatt- eller textgenereringsmodell. Istället för att producera svar omvandlar den text till vektorer som du kan lagra, jämföra och söka i. Leverantörens utgivningsdatum som registrerats för den är 2025-11-18.

Modellen tar text som sin enda indata och returnerar inbäddningar som sin enda utdata. Den kodar engelska meningar och stycken till ett 768-dimensionellt tätt vektorrum, och leverantören beskriver resultatet som effektiva inbäddningar av hög kvalitet för semantisk innebörd. Kontextfönstret är 512 tokens, så varje begäran bör innehålla ett enda stycke eller en enda fråga som ryms inom den budgeten. Maximal utdata är 460, vilket i praktiken begränsar storleken på den textenhet du skickar i ett anrop. Det finns inga ytterligare parametrar som stöds utöver de grundläggande begäransfälten, så du kan inte finjustera beteendet med alternativ för samplingsstil på samma sätt som med en generativ modell.

Dessa egenskaper pekar mot en ganska specifik uppsättning användningsområden. Semantisk sökning är det uppenbara: bädda in dina dokument en gång, bädda in användarens fråga vid förfrågningstillfället och rangordna sedan efter vektorlikhet. Samma mekanism täcker likhetspoäng mellan två textstycken, avduplicering av nästan identiska poster, klustring av meningar eller stycken, samt hämtningssteg i en RAG-pipeline där du behöver en kompakt engelsk inbäddning för att hämta kandidatstycken innan de skickas vidare till en genereringsmodell. Eftersom vektorerna är täta och 768-dimensionella fungerar de med standardvektorlager och verktyg för cosinuslikhet utan särskild hantering.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id intfloat/e5-base-v2. Eftersom gränssnittet följer OpenAI:s inbäddningsformat skickar du din text i fältet input och läser tillbaka vektorn från svaret, så befintliga OpenAI-klientbibliotek och inbäddningspipelines behöver i allmänhet bara ändra bas-URL och modell-id. Modellen stöder inga extra parametrar, så håll begäranden till det väsentliga och undvik att skicka med justeringsalternativ som inte har någon effekt här.

Den främsta begränsningen att planera kring är kontexten på 512 tokens. Långa dokument behöver delas upp i bitar före inbäddning, och allt annat än engelska faller utanför vad leverantörsbeskrivningen täcker. Om din uppgift är att generera text snarare än att representera den är en chatt- eller kompletteringsmodell rätt val; E5-Base-v2 hanteras bäst som hämtnings- och likhetskomponenten i ett större system.