قیمت و API مدل GTE-Base در ایران

thenlper/gte-base

بردار متن (embedding)
ورودی · هر ۱M توکن
۱٬۷۳۱ تومان
خروجی
بردار · بدون هزینه
بردار ۱٬۰۰۰ کلمه ≈
۲٫۲۵ تومان

شارژ بر اساس مصرف واقعی همان درخواست. قیمت‌ها با تغییر شرایط بازار به‌روز می‌شوند.قیمت‌ها و شارژ

کد آمادهٔ GTE-Base: ساخت embedding برای جستجوی معنایی

نمونه بر اساس قابلیت‌های همین مدل انتخاب شده و با کلید خودت بدون تغییر دیگری اجرا می‌شود.

curl https://api.uttapen.ir/v1/embeddings \
  -H "Authorization: Bearer sk-up-…" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "thenlper/gte-base",
    "input": ["گارانتی کتری برقی چند ماه است", "مدت ضمانت محصولات آشپزخانه"]
  }'
from openai import OpenAI
import numpy as np

client = OpenAI(base_url="https://api.uttapen.ir/v1", api_key="sk-up-…")

docs = ["گارانتی کتری برقی ۱۸ ماه است", "ارسال سفارش‌ها ۴۸ ساعته انجام می‌شود"]
question = "ضمانت کتری چقدر است"

vecs = client.embeddings.create(model="thenlper/gte-base", input=docs + [question]).data
M = np.array([v.embedding for v in vecs])
M /= np.linalg.norm(M, axis=1, keepdims=True)
scores = M[:-1] @ M[-1]
print(docs[int(scores.argmax())])
import OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.uttapen.ir/v1", apiKey: "sk-up-…" });

const docs = ["گارانتی کتری برقی ۱۸ ماه است", "ارسال سفارش‌ها ۴۸ ساعته انجام می‌شود"];
const { data } = await client.embeddings.create({ model: "thenlper/gte-base", input: [...docs, "ضمانت کتری چقدر است"] });

const norm = (v) => { const n = Math.hypot(...v); return v.map((x) => x / n); };
const vecs = data.map((d) => norm(d.embedding));
const q = vecs.at(-1);
const dot = (a, b) => a.reduce((s, x, i) => s + x * b[i], 0);
const best = vecs.slice(0, -1).map((v, i) => [dot(v, q), i]).sort((a, b) => b[0] - a[0])[0][1];
console.log(docs[best]);

GTE-Base برای چه کاری خوب است؟

GTE-Base مدل embedding از thenlper است: متن را می‌گیرد و یک بردار عددی برمی‌گرداند، نه پاسخ متنی. شناسه‌اش در API ما «thenlper/gte-base» است و فقط با POST /v1/embeddings کار می‌کند. هر ورودی حداکثر ۵۱۲ توکن است، یعنی متن‌های کوتاه مثل عنوان محصول، پرسش کاربر یا یک پاراگراف؛ سند بلند را باید قبلش تکه کنی. از ۳۵ مدل embedding پولی کاتالوگ، ۱ مدل ورودی ارزان‌تری دارند.

آموزش اصلی‌اش روی متن انگلیسی است؛ برای اسناد فارسی مدل چندزبانه‌ای انتخاب کن و این یکی را برای داده‌های انگلیسی نگه دار.

هزینه فقط بابت توکن ورودی است و خروجی هزینه‌ای ندارد. ایندکس‌کردن هزار سند پانصدتوکنی (۵۰۰ هزار توکن) روی این مدل حدود ۸۶۵٫۵۵ تومان می‌شود؛ بردار را یک بار می‌سازی و بعد فقط پرسش‌ها هزینه دارند. اگر گزینهٔ دیگری با قیمت نزدیک می‌خواهی، bge-base-en-v1.5 از BAAI را هم ببین.

توضیح رسمی تأمین‌کننده (انگلیسی)

The gte-base embedding model encodes English sentences and paragraphs into a 768-dimensional dense vector space, delivering efficient and effective semantic embeddings optimized for textual similarity, semantic search, and clustering applications.

سه کار واقعی، با قیمت همین مدل

اعداد از همان قیمت‌های بالا حساب شده‌اند و با تغییر قیمت مدل تغییر می‌کنند.

کارتوکنهزینه
یک پرسش جستجوی کاربر۳۰ ورودی۰٫۰۵ تومان
ایندکس ده هزار عنوان محصول۳۰۰٬۰۰۰ ورودی۵۱۹٫۳۳ تومان
ایندکس هزار سند پانصدتوکنی۵۰۰٬۰۰۰ ورودی۸۶۵٫۵۵ تومان

سؤال‌های پرتکرار

چطور با GTE-Base بردار بسازم؟
کلید API بساز و در SDK رسمی OpenAI، base_url را https://api.uttapen.ir/v1 بگذار و client.embeddings.create را با model «thenlper/gte-base» و input (یک رشته یا فهرستی از رشته‌ها) صدا بزن. برای هر ورودی یک بردار در data برمی‌گردد.
قیمت GTE-Base به تومان چقدر است؟
هر ۱ میلیون توکن ورودی ۱٬۷۳۱ تومان؛ خروجی هزینه ندارد. شارژ بر اساس توکن ورودی‌ای است که همان درخواست گزارش کرده و درخواست ناموفق صفر تومان است.
آیا GTE-Base را می‌شود در چت یا chat/completions استفاده کرد؟
نه. مدل embedding پاسخ متنی تولید نمی‌کند؛ درخواست chat/completions با این مدل خطای 400 می‌گیرد. برای RAG، بردار را با این مدل بساز و پاسخ نهایی را از یک مدل chat بگیر.