Какова размерность векторов у этой модели?

Модель LFM2.5-Embedding-350M генерирует эмбеддинги размерностью 1,024, что обеспечивает высокую точность при сопоставлении смыслов.

Для каких задач лучше всего подходит LFM2.5-Embedding?

Она идеально подходит для семантического поиска, классификации текстов и создания баз знаний в архитектурах RAG через сервис alltokens.

Какое ограничение по длине контекста у данной модели?

Модель поддерживает входную последовательность длиной до 512 токенов, что оптимально для обработки коротких и средних текстовых фрагментов.

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

LILiquidОбновлено: 18 августа 2026 г.

LFM2.5-Embedding-350M — это специализированная модель от Liquid AI для создания векторных представлений текста размерностью 1024. Она оптимизирована для задач семантического поиска и эффективного извлечения данных в рамках RAG-систем.

Использовать через API

Метрики

Вход

— ₽/M

Выход

— ₽/M

Контекст

512 tokens

Параметры

Релиз

18 августа 2026 г.

Поддерживаемые параметры

frequency_penaltymax_tokensmin_ppresence_penaltyrepetition_penaltyseedstoptemperaturetop_ktop_p

Технический обзор

LFM2.5-Embedding-350M — это модель текстовых эмбеддингов от Liquid AI. Она генерирует эмбеддинги размерностью 1024 для задач поиска и семантического поиска. Успешные запросы и эмбеддинги могут сохраняться и использоваться для обучения.

Кодинг

Инструменты

Длинный контекст

Мультимодальность

Веб-автоматизация

Смежные подборки

Недорогие модели

Сравнение с похожими моделями

Модель

Для чего

Контекст

Цена ₽

Модель

LiquidAI: LFM2.5-Embedding-350M (Бесплатно)Текущая

Для чего

Контекст

512

Цена ₽

— / —

LiquidAI: LFM2.5-Embedding-350M (Бесплатно)Текущая

512

— / —

Модель

NVIDIA: Nemotron 3 Embed 1B (Бесплатно)

Для чего

Обе модели предназначены для генерации эмбеддингов и доступны для бесплатного тестирования, при этом LFM2.5 имеет более компактную архитектуру.

Контекст

33k

Цена ₽

— / —

NVIDIA: Nemotron 3 Embed 1B (Бесплатно)

33k

— / —

Модель

perplexity/pplx-embed-v1-0.6B

Для чего

Модели решают идентичные задачи семантического поиска, предлагая сопоставимую производительность для обработки текстовых векторов.

Контекст

—

Цена ₽

— / —

perplexity/pplx-embed-v1-0.6B

—

— / —

Когда выбирать

Необходима генерация векторов размерностью 1024 для семантического поиска
Требуется интеграция в системы RAG для улучшения качества извлечения информации
Нужна компактная и быстрая модель для обработки текстовых запросов

Когда не выбирать

Требуется обработка длинных документов с контекстом более 512 токенов
Необходима генерация текстовых ответов, а не векторных представлений
Политика конфиденциальности запрещает использование данных для дообучения моделей