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

LiquidAI publicerar LFM2.5-Embedding-350M, en textinbäddningsmodell från Liquid AI som erbjuds på api14 under modell-id:t liquid/lfm-2.5-embedding-350m:free. Den tillhör kategorin embeddings snarare än kategorin chat, så den är inte en konversationsmodell och genererar inte prosasvar. Dess enda uppgift är att omvandla text till en vektor som representerar betydelse, vilket gör den till en byggsten för andra system snarare än en slutpunkt som användare pratar direkt med. Leverantören släppte den 2026-08-18.

Modellen tar emot text som sin enda indata och returnerar inbäddningar som sin enda utdata. Den producerar 1 024-dimensionella vektorer, en storlek som passar bekvämt i de flesta vektorlager och bibliotek för likhetssökning utan särskild hantering. Dess kontextfönster är 512 tokens, och maximal utdata är 460, vilket i inbäddningstermer avser den returnerade vektorrepresentationen snarare än genererad text. Eftersom fönstret är ganska litet bör indata trimmas till det stycke, den mening eller det korta dokumentavsnitt du faktiskt vill representera, och längre material bör delas upp innan det når modellen.

Dessa egenskaper pekar mot några praktiska användningsområden. Retrieval augmented generation är det uppenbara: bädda in dina dokumentbitar en gång, bädda in den inkommande frågan vid frågetillfället och hämta tillbaka de närmaste bitarna via vektorlikhet. Semantisk sökning över en produktkatalog, supportartiklar eller interna anteckningar fungerar på samma sätt, eftersom modellen matchar på betydelse snarare än exakta nyckelord. Deduplicering och klustringsuppgifter följer också, där du grupperar eller slår samman nästan identiska texter genom att jämföra deras vektorer. Klassificering med ett lättviktigt huvud ovanpå inbäddningarna är ett annat alternativ, liksom omrankning av kandidatresultat innan de skickas till en chattmodell.

Att anropa den via api14 innebär att skicka en begäran till den OpenAI-kompatibla slutpunkten med modellen inställd på liquid/lfm-2.5-embedding-350m:free. Om du redan använder ett OpenAI-klientbibliotek, peka dess bas-URL mot api14 och behåll samma anropsform för embeddings. Observera att modellen inte listar några stödda parametrar, så extra justeringsflaggor som dimensions eller encoding format-justeringar är inte tillgängliga; skicka din indatatext och läs vektorn tillbaka från svaret. Håll varje begäran inom 512-tokenfönstret för att undvika trunkering av den text du försöker representera.

Eftersom kontextfönstret är 512 tokens och inga parametrar exponeras passar denna modell kort, välsegmenterad text snarare än hela dokument eller långa konversationer. Om du behöver bädda in stora block i en enda omgång, eller behöver kontroll över vektorstorlek eller andra begäranalternativ, passar en annan inbäddningsmodell bättre. För enkel mening- och styckenivåhämtning på korta indata täcker den jobbet.