Source: https://ailoot.ai/models/da/nvidia-nemotron-3-5-embed-1b-free/ Canonical: https://ailoot.ai/models/da/nvidia-nemotron-3-5-embed-1b-free/ Language: da # NVIDIA: Nemotron 3.5 Embed 1B (free) [Markdown](https://ailoot.ai/models/da/nvidia-nemotron-3-5-embed-1b-free/index.md) · [JSON](https://ailoot.ai/models/da/nvidia-nemotron-3-5-embed-1b-free/facts.json) ## [NVIDIA: Nemotron 3.5 Embed 1B (free)](https://ailoot.ai/models/da/nvidia-nemotron-3-5-embed-1b-free/) `nvidia/nemotron-3.5-embed-1b:free` NVIDIAEmbeddingsInput 0,00 US$ / 1KOutput — Tekstembeddings fra NVIDIA til flersproget semantisk søgning og udvælgelse af kilder i RAG. ### Semantisk søgning i tekster Nemotron 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. Den 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. I 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. ### Sådan opbygges søgningen Opdel 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. Der 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. ### Modellens egenskaber Version 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. Tekstsøgningen 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. ### Input og forespørgslens størrelse Den 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. ### Tilgængeligt via Ailoot API Inputtyper `text` Outputtyper `embedding` Kontekst 32.768 *tokens* Maks. svar Ikke angivet i kataloget Input 0,00 US$ */ 1K* `nvidia/nemotron-3.5-embed-1b:free` · JSON ``` {"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."} ``` ## Spørgsmål Hvordan vælger jeg en model til min opgave? Fastlæg først det nødvendige input og output: tekst, billede, lyd eller video. Sammenlign derefter kompatible API-metoder, det præcise model-ID eller den model, aliaset aktuelt peger på, pris og afregningsenhed. GET /v1/models er gratis og viser de modeller, din nøgle har adgang til. Understøtter hver model alle API-metoder og medietyper? Brug de API-metoder og input- og outputtyper, der står på modelkortet. Understøttelse af tekst, billeder, lyd eller video afhænger af den valgte model og metode; se det tilhørende eksempel på en forespørgsel, før du sender dine data. Hvad er forskellen på et model-ID og et alias? Et præcist model-ID angiver en bestemt model. Et alias peger på en model, og det kan ændre sig, hvilken model det peger på. Kontrollér den aktuelle målmodel for aliaset i kataloget; brug det præcise ID, når din integration kræver en bestemt model. Hvordan sammenligner jeg priser, før jeg sender en forespørgsel? Se prisen og afregningsenheden for den valgte API-metode på modelkortet. Sammenlign samme enhed og samme type input og output; forespørgselshistorikken viser det faktiske forbrug og det opkrævede beløb. Hvad giver abonnementet? Rabat på tokenkøb til regelmæssigt arbejde. Vælg abonnement efter anmodningsmængden. Vilkår og pris vises ved bestilling. Hvordan bruger jeg en rabatkode på op til 50%? Indtast rabatkoden ved tokenkøbet. Totalen genberegnes efter kampagnevilkårene, og rabatten vises før betaling. ## Ailoot · Virksomheden og dens projektportefølje Ailoot bygger på solid driftserfaring, en stor kundebase, stabil service og løbende kontrol af KPI. Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder. Ailoot bruger denne driftserfaring til API-adgang til AI-funktioner i kundernes produkter, agenter, applikationer og automatiseringer.