Thenlper: GTE-Base

thenlper/gte-base

Выпущена 18 ноября 2025 г.|8К контекст|0,530 ₽/М вход|бесплатно/М выход

Модель gte-base embedding кодирует английские предложения и абзацы в 768-мерное плотное векторное пространство, обеспечивая эффективные и действенные семантические эмбеддинги, оптимизированные для задач определения текстового сходства, семантического поиска и кластеризации.

Провайдер для Thenlper: GTE-Base

Hubris маршрутизирует запросы к лучшему доступному провайдеру с автоматическим fallback при сбоях.

thenlper

Latency

—

Throughput

—

Uptime

—

Контекст

8К

токенов

Макс. ответ

—

Вход

0,530 ₽

за 1М токенов

Выход

бесплатно

за 1М токенов

Модальности

Вход:ТекстВыход:Эмбеддинги

Поддерживаемые параметры

frequency_penaltymax_tokensmin_ppresence_penaltyrepetition_penaltyresponse_formatseedstoptemperaturetop_ktop_p

Тарификация для Thenlper: GTE-Base

Цены в рублях за 1 млн токенов. Списание — за реальные токены, без подписок.

Тип	Цена в ₽	Единица
Вход	0,530 ₽	за 1М токенов
Выход	бесплатно	за 1М токенов

Пример кода и API для Thenlper: GTE-Base

Hubris — OpenAI-совместимый API. Используйте любой OpenAI SDK, поменяв только base URL и ключ.

Получить API-ключ

curl https://api.hubris.pw/v1/chat/completions \
  -H "Authorization: Bearer sk-gw-..." \
  -H "Content-Type: application/json" \
  -d '{
    "model": "thenlper/gte-base",
    "messages": [{"role": "user", "content": "Привет"}]
  }'

curl https://api.hubris.pw/v1/chat/completions \  -H "Authorization: Bearer sk-gw-..." \  -H "Content-Type: application/json" \  -d '{    "model": "thenlper/gte-base",    "messages": [{"role": "user", "content": "Привет"}]  }'

from openai import OpenAI

client = OpenAI(
    base_url="https://api.hubris.pw/v1",
    api_key="sk-gw-...",
)

response = client.chat.completions.create(
    model="thenlper/gte-base",
    messages=[{"role": "user", "content": "Привет"}],
)
print(response.choices[0].message.content)

from openai import OpenAIclient = OpenAI(    base_url="https://api.hubris.pw/v1",    api_key="sk-gw-...",)response = client.chat.completions.create(    model="thenlper/gte-base",    messages=[{"role": "user", "content": "Привет"}],)print(response.choices[0].message.content)

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://api.hubris.pw/v1",
  apiKey: process.env.HUBRIS_API_KEY!,
});

const response = await client.chat.completions.create({
  model: "thenlper/gte-base",
  messages: [{ role: "user", content: "Привет" }],
});

console.log(response.choices[0].message.content);

import OpenAI from "openai";const client = new OpenAI({  baseURL: "https://api.hubris.pw/v1",  apiKey: process.env.HUBRIS_API_KEY!,});const response = await client.chat.completions.create({  model: "thenlper/gte-base",  messages: [{ role: "user", content: "Привет" }],});console.log(response.choices[0].message.content);

Другие модели от thenlper

Thenlper: GTE-Large

Модель gte-large embedding преобразует английские предложения, абзацы и документы средней длины в 1024-мерное плотное векторное пространство, обеспечивая высококачественные семантические эмбеддинги, оптимизированные для задач информационного поиска, семантической схожести текста, переранжирования и кластеризации. Обученная с помощью многоступенчатого контрастного обучения на большом корпусе релевантности, охватывающем различные домены, она демонстрирует отличную производительность в общих сценариях использования эмбеддингов.

8К контекст·от 1,06 ₽/М