Thenlper: GTE-Base

Thenlper: GTE-Base är en inbäddningsmodell från Thenlper, listad på api14 under modell-id:t thenlper/gte-base. Den tillhör kategorin inbäddningar, så den är inte en chatt- eller textgenereringsmodell. Dess uppgift är att omvandla text till vektorer som representerar betydelse, och leverantören beskriver den som att koda engelska meningar och stycken till ett 768-dimensionellt tätt vektorrum. Den släpptes av leverantören den 2025-11-18.

Modellen tar text som sin enda indata och returnerar inbäddningar som sin enda utdata. Dess kontextlängd är 512 tokens, och maximal utdata är 460. Inom det fönstret hanterar den meningar och stycken, vilket matchar leverantörens beskrivning av modellen som optimerad för textuell likhet, semantisk sökning och klustring. Eftersom utdata är en vektor snarare än genererad text bör du förvänta dig numerisk inbäddningsdata tillbaka från varje anrop, inte ett skriftligt svar.

Dessa förmågor pekar mot en ganska specifik uppsättning användningsområden. Semantisk sökning är det uppenbara: bädda in dina dokument en gång, bädda in frågan vid förfrågningstillfället och rangordna efter vektorlikhet. Klustring och ämnesgruppering följer av samma egenskap, eftersom texter som ligger nära varandra i betydelse hamnar nära varandra i vektorrummet. Textuell likhet täcker också deduplicering, detektering av nästan dubbletter och att bygga likhetspoäng mellan två stycken engelsk text. Retrieval-pipelines som matar en separat genereringsmodell är en annan naturlig tillämpning, där GTE-Base hanterar retrieval-halvan.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t thenlper/gte-base. Eftersom endpointen följer OpenAI-formatet kan du peka en befintlig OpenAI-klient mot api14 och skicka din text som indata på vanligt sätt. Observera att denna modell inte listar några stödda parametrar, så det finns inga extra sampling- eller genereringsalternativ att ställa in i förfrågan. Håll dina indata inom gränsen på 512 tokens kontext, och behandla svaret som inbäddningsvektorer snarare än meddelandeinnehåll.

Den främsta begränsningen att planera kring är kontextfönstret på 512 tokens. Det passar meningar och stycken, men långa dokument måste delas upp i bitar innan inbäddning, med en uppdelningsstrategi som bevarar betydelsen över gränserna. Om din uppgift är textgenerering, sammanfattning eller något konversationellt är en inbäddningsmodell fel verktyg och en chattmodell passar bättre. GTE-Base är inriktad på engelsk text, så andra språk täcks inte av leverantörens beskrivning.