Source: https://ailoot.ai/models/cs/nvidia-nemotron-3-5-embed-1b/ Canonical: https://ailoot.ai/models/cs/nvidia-nemotron-3-5-embed-1b/ Language: cs # nvidia/nemotron-3.5-embed-1b [Markdown](https://ailoot.ai/models/cs/nvidia-nemotron-3-5-embed-1b/index.md) · [JSON](https://ailoot.ai/models/cs/nvidia-nemotron-3-5-embed-1b/facts.json) ## [nvidia/nemotron-3.5-embed-1b](https://ailoot.ai/models/cs/nvidia-nemotron-3-5-embed-1b/) `nvidia/nemotron-3.5-embed-1b` NVIDIAVektorové reprezentaceVstup 0,0001 US$ / 1KVýstup — Textové embeddingy NVIDIA pro vícejazyčné sémantické vyhledávání a výběr zdrojů v RAG. ### Sémantické vyhledávání v textech Nemotron 3.5 Embed 1B převádí text na číselnou reprezentaci jeho obsahu. Model NVIDIA je určen pro vyhledávání dokumentů podle významu: otázka a vhodný úryvek mohou být formulovány různými slovy. Takový výsledek se využívá při vyhledávání v příručkách, interních pokynech, článcích a databázi odpovědí podpory. Původní model NVIDIA spojuje text a obrázky dokumentů do jednoho prostoru reprezentací; generace 3.5 přidává vyhledávání podle vizuálního obsahu stránek. V této kartě Ailoot se využívá jeho textový scénář: text na vstupu a vektor na výstupu. V Ailoot model přijímá text prostřednictvím metody embeddings a vrací vektor. Vektor slouží k porovnání dotazu s dokumenty; hotová odpověď uživateli vzniká v další fázi aplikace. Vyhledávání zdrojů a přípravu odpovědi na jejich základě tak lze organizovat odděleně. ### Jak sestavit vyhledávání Nejprve rozdělte materiály na ucelené významové úseky a pro každý získejte embedding. Vektor uložte spolu s původním textem, názvem dokumentu a jeho identifikátorem. Při hledání převeďte otázku stejným modelem a vyberte podobné vektory z indexu. Nalezené úryvky lze zobrazit uživateli nebo předat textovému modelu jako kontext pro odpověď opřenou o dokumenty. Pro dotazy a dokumenty se používají samostatné reprezentace, které se následně porovnávají v jednom vyhledávacím procesu. Při přípravě korpusu je užitečné ponechat tvrzení společně s vysvětlujícím kontextem: nalezený úsek pak lze číst samostatně a propojit s původním dokumentem. ### Vlastnosti modelu Verze 1B vznikla s využitím většího Nemotron 3.5 Embed 8B jako učitelského modelu. Textová část vychází z Nemotron 3 Embed 1B a zachovává jeho prostor textových reprezentací. Popis původního modelu uvádí vektor s 2048 hodnotami a L2 normalizací. Tuto vlastnost je vhodné zohlednit při návrhu indexu a ověřit rozměr skutečné odpovědi zvolené metody. Textové vyhledávání bylo hodnoceno na 34 jazycích včetně ruštiny. Tento rozsah umožňuje model zvažovat pro vícejazyčnou znalostní bázi; kvalitu výběru úryvků je vhodné posoudit na skutečných otázkách a dokumentech vašeho oboru. ### Vstup a velikost požadavku Současná textová metoda Ailoot stanovuje limit jednoho vstupu na 4096 tokenů. Delší materiály je vhodné indexovat po samostatných úsecích s vlastními odkazy na zdroj. Dostupným scénářem této karty je text na vstupu a embedding na výstupu. ### Dostupné přes Ailoot API Vstup `text` Výstup `embedding` Kontext 4 096 *tokenů* Max. odpověď V katalogu neuvedeno Vstup 0,0001 US$ */ 1K* `nvidia/nemotron-3.5-embed-1b` · JSON ``` {"about":"### Sémantické vyhledávání v textech\n\nNemotron 3.5 Embed 1B převádí text na číselnou reprezentaci jeho obsahu. Model NVIDIA je určen pro vyhledávání dokumentů podle významu: otázka a vhodný úryvek mohou být formulovány různými slovy. Takový výsledek se využívá při vyhledávání v příručkách, interních pokynech, článcích a databázi odpovědí podpory.\n\nPůvodní model NVIDIA spojuje text a obrázky dokumentů do jednoho prostoru reprezentací; generace 3.5 přidává vyhledávání podle vizuálního obsahu stránek. V této kartě Ailoot se využívá jeho textový scénář: text na vstupu a vektor na výstupu.\n\nV Ailoot model přijímá text prostřednictvím metody embeddings a vrací vektor. Vektor slouží k porovnání dotazu s dokumenty; hotová odpověď uživateli vzniká v další fázi aplikace. Vyhledávání zdrojů a přípravu odpovědi na jejich základě tak lze organizovat odděleně.\n\n### Jak sestavit vyhledávání\n\nNejprve rozdělte materiály na ucelené významové úseky a pro každý získejte embedding. Vektor uložte spolu s původním textem, názvem dokumentu a jeho identifikátorem. Při hledání převeďte otázku stejným modelem a vyberte podobné vektory z indexu. Nalezené úryvky lze zobrazit uživateli nebo předat textovému modelu jako kontext pro odpověď opřenou o dokumenty.\n\nPro dotazy a dokumenty se používají samostatné reprezentace, které se následně porovnávají v jednom vyhledávacím procesu. Při přípravě korpusu je užitečné ponechat tvrzení společně s vysvětlujícím kontextem: nalezený úsek pak lze číst samostatně a propojit s původním dokumentem.\n\n### Vlastnosti modelu\n\nVerze 1B vznikla s využitím většího Nemotron 3.5 Embed 8B jako učitelského modelu. Textová část vychází z Nemotron 3 Embed 1B a zachovává jeho prostor textových reprezentací. Popis původního modelu uvádí vektor s 2048 hodnotami a L2 normalizací. Tuto vlastnost je vhodné zohlednit při návrhu indexu a ověřit rozměr skutečné odpovědi zvolené metody.\n\nTextové vyhledávání bylo hodnoceno na 34 jazycích včetně ruštiny. Tento rozsah umožňuje model zvažovat pro vícejazyčnou znalostní bázi; kvalitu výběru úryvků je vhodné posoudit na skutečných otázkách a dokumentech vašeho oboru.\n\n### Vstup a velikost požadavku\n\nSoučasná textová metoda Ailoot stanovuje limit jednoho vstupu na 4096 tokenů. Delší materiály je vhodné indexovat po samostatných úsecích s vlastními odkazy na zdroj. Dostupným scénářem této karty je text na vstupu a embedding na výstupu.","alias_of":null,"aliases":[],"author":"NVIDIA","canonical_model":"nvidia/nemotron-3.5-embed-1b","ctx":4096,"formats":["embeddings"],"id":"nvidia/nemotron-3.5-embed-1b","input":["text"],"kind":"embedding","max_out":0,"methods":[{"cache_read":null,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":4096,"family":"openai","fast_multiplier":null,"flex_multiplier":null,"fmt":"embeddings","http":"POST","img_in":null,"img_out":null,"in":0.1,"input":["text"],"label":"Эмбеддинги","max_out":0,"max_tool_calls":null,"out":0,"output":["embedding"],"path":"/v1/embeddings","request_model_id":"nvidia/nemotron-3.5-embed-1b","route_label":"Core","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"nvidia/nemotron-3.5-embed-1b","request_model_id":"nvidia/nemotron-3.5-embed-1b","route_label":"Core"}],"name":"nvidia/nemotron-3.5-embed-1b","price":{"in":0.1,"in_label":null,"out":null,"out_label":null,"sort_in":0.1,"sort_out":null,"varies":false},"public_id":"nvidia/nemotron-3.5-embed-1b","short":"Textové embeddingy NVIDIA pro vícejazyčné sémantické vyhledávání a výběr zdrojů v RAG."} ``` ## Otázky Jak vybrat model pro svůj úkol? Nejprve určete požadovaný vstup a výstup: text, obrázek, zvuk nebo video. Poté porovnejte kompatibilní metody API, přesné ID modelu nebo aktuální cílový model aliasu, cenu a účtovací jednotku. GET /v1/models je zdarma a vypíše modely dostupné vašemu klíči. Podporuje každý model všechny metody API a typy médií? Používejte metody API a typy vstupů a výstupů uvedené na kartě modelu. Podpora textu, obrázků, zvuku nebo videa závisí na vybraném modelu a metodě; před odesláním dat si prohlédněte příslušný příklad požadavku. Jaký je rozdíl mezi ID modelu a aliasem? Přesné ID modelu označuje konkrétní model. Alias odkazuje na model a jeho cílový model se může změnit. Aktuální cílový model aliasu ověřte v katalogu; pokud vaše integrace potřebuje konkrétní model, použijte přesné ID. Jak porovnat ceny před odesláním požadavku? Na kartě modelu zkontrolujte cenu a účtovací jednotku pro vybranou metodu API. Porovnávejte stejnou jednotku a stejný typ vstupu a výstupu; historie požadavků uvádí skutečné využití a účtovanou částku. Co poskytuje předplatné? Slevu na nákup tokenů pro pravidelnou práci. Vyberte tarif podle objemu požadavků; podmínky a cena předplatného se zobrazí při objednání. Jak použiji promo kód pro slevu až 50%? Promo kód zadejte při nákupu tokenů. Výsledná částka se přepočítá podle podmínek akce; výše slevy je vidět před platbou. ## Ailoot · Společnost a její portfolio projektů Ailoot staví na dlouhodobých provozních zkušenostech, široké klientské základně, stabilních službách a průběžném sledování KPI. Společnost a její portfolio projektů: miliony zákazníků; měsíční tržby v miliardách. Ailoot využívá tyto provozní zkušenosti k poskytování přístupu přes API k funkcím AI v produktech zákazníků, agentech, aplikacích a automatizacích.