NVIDIA: Nemotron 3.5 Embed 1B (free)

{"about":"### Semantisk søgning i tekster\n\nNemotron 3.5 Embed 1B omsætter tekst til en numerisk repræsentation af dens indhold. NVIDIAs model er beregnet til semantisk dokumentsøgning: Spørgsmålet og det relevante tekstudsnit kan være formuleret med forskellige ord. Resultatet bruges til søgning i håndbøger, interne vejledninger, artikler og supportens svardatabase.\n\nDen oprindelige NVIDIA-model samler tekst og dokumentbilleder i ét repræsentationsrum; generation 3.5 tilføjer søgning i sidernes visuelle indhold. Dette modelkort i Ailoot API bruger tekstforløbet: tekst som input og en vektor som output.\n\nI Ailoot API modtager modellen tekst via metoden embeddings og returnerer en vektor. Vektoren bruges til at sammenligne forespørgslen med dokumenterne; det færdige svar til brugeren dannes i applikationens næste trin. Dermed kan søgningen efter kilder og udarbejdelsen af et kildebaseret svar tilrettelægges særskilt.\n\n### Sådan opbygges søgningen\n\nOpdel først materialet i selvstændige betydningsenheder, og dan en embedding for hver. Gem vektoren sammen med kildeteksten, dokumentets navn og identifikator. Ved søgning omsættes spørgsmålet med den samme model, og nærliggende vektorer udvælges fra indekset. De fundne tekstudsnit kan vises til brugeren eller sendes til en tekstmodel som kontekst for et dokumentbaseret svar.\n\nDer bruges separate repræsentationer for forespørgsler og dokumenter, som derefter sammenlignes i samme søgeforløb. Ved klargøring af tekstsamlingen er det nyttigt at holde et udsagn og dets forklarende kontekst sammen: Så kan det fundne tekstudsnit læses selvstændigt og knyttes til det oprindelige dokument.\n\n### Modellens egenskaber\n\nVersion 1B er udviklet med den større Nemotron 3.5 Embed 8B som lærermodel. Tekstdelen bygger på Nemotron 3 Embed 1B og bevarer dens rum af tekstrepræsentationer. Beskrivelsen af den oprindelige model angiver en vektor med 2048 værdier og L2-normalisering. Egenskaben er relevant ved udformning af indekset, samtidig med at dimensionen i den valgte metodes faktiske svar bør kontrolleres.\n\nTekstsøgningen er evalueret på 34 sprog, herunder russisk. Dækningen gør modellen til en kandidat til en flersproget vidensbase; kvaliteten af udvælgelsen bør vurderes på faktiske spørgsmål og dokumenter fra dit fagområde.\n\n### Input og forespørgslens størrelse\n\nDen aktuelle tekstmetode i Ailoot API begrænser et enkelt input til 32768 tokens. Længere materiale kan med fordel indekseres som separate tekstudsnit med egne kildehenvisninger. Dette modelkorts tilgængelige forløb er tekst som input og en embedding som output.","alias_of":null,"aliases":[],"author":"NVIDIA","canonical_model":"nvidia/nemotron-3.5-embed-1b:free","ctx":32768,"formats":["embeddings"],"id":"nvidia/nemotron-3.5-embed-1b:free","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":32768,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"embeddings","http":"POST","img_in":null,"img_out":null,"in":0,"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:free","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"nvidia/nemotron-3.5-embed-1b:free","request_model_id":"nvidia/nemotron-3.5-embed-1b:free","route_label":"Ultra"}],"name":"NVIDIA: Nemotron 3.5 Embed 1B (free)","price":{"in":0,"in_label":null,"out":null,"out_label":null,"sort_in":0,"sort_out":null,"varies":false},"public_id":"nvidia/nemotron-3.5-embed-1b:free","short":"Tekstembeddings fra NVIDIA til flersproget semantisk søgning og udvælgelse af kilder i RAG."}