Nemotron 3.5 Embed 8B er en NVIDIA-model, som omsætter forespørgsler og dokumenter til embeddings. Disse numeriske repræsentationer hjælper med at sammenligne tekst efter indhold, når spørgsmålets formulering afviger fra ordene i kilden. Modellen egner sig til søgelaget i en virksomhedsvidensbase, en informationstjeneste eller en applikation, der udvælger dokumenter før udarbejdelsen af et svar.
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 er tekstinput og vektoroutput tilgængelige via embeddings. Applikationen får en repræsentation af grundmaterialet og bruger den til at finde nærliggende poster i indekset. Hvis der ønskes et sammenhængende svar med forklaring, kan de fundne tekster sendes til en særskilt genererende model sammen med brugerens spørgsmål.
Tekstkodningen bygger på Nemotron 3 Embed 8B. Ved udviklingen af generation 3.5 bevarede NVIDIA tekstdelen og dens embeddingrum, mens den oprindelige model blev udvidet med flere evner. Det offentliggjorte modelkort beskriver output med 4096 værdier, fremkommet ved gennemsnit af tokenrepræsentationer og L2-normalisering. Ved klargøring af vektorindekset skal dets dimension stemme overens med metodens faktiske svar.
Tekstsøgningen er evalueret på 34 sprog, herunder russisk. Til flersprogede vejledninger og håndbøger gør det modellen til et muligt fælles søgelag. Udvælgelsens kvalitet afhænger af basens indhold, dokumentopdelingen og brugernes typiske spørgsmål; den bør afprøves på materiale fra dit fagområde.
For denne variant angiver Ailoot API en tekstkontekst og inputgrænse på 32768 tokens. Dele af et langt dokument kan lagres som selvstændige poster med en fælles henvisning til det oprindelige materiale. Modellens tilgængelige resultat er en tekstembedding, som applikationen bruger i den videre behandling.
", "aboutText": "### Semantisk søgning i vidensbasen\n\nNemotron 3.5 Embed 8B er en NVIDIA-model, som omsætter forespørgsler og dokumenter til embeddings. Disse numeriske repræsentationer hjælper med at sammenligne tekst efter indhold, når spørgsmålets formulering afviger fra ordene i kilden. Modellen egner sig til søgelaget i en virksomhedsvidensbase, en informationstjeneste eller en applikation, der udvælger dokumenter før udarbejdelsen af et svar.\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 er tekstinput og vektoroutput tilgængelige via embeddings. Applikationen får en repræsentation af grundmaterialet og bruger den til at finde nærliggende poster i indekset. Hvis der ønskes et sammenhængende svar med forklaring, kan de fundne tekster sendes til en særskilt genererende model sammen med brugerens spørgsmål.\n\n### Hvad der adskiller version 8B\n\nTekstkodningen bygger på Nemotron 3 Embed 8B. Ved udviklingen af generation 3.5 bevarede NVIDIA tekstdelen og dens embeddingrum, mens den oprindelige model blev udvidet med flere evner. Det offentliggjorte modelkort beskriver output med 4096 værdier, fremkommet ved gennemsnit af tokenrepræsentationer og L2-normalisering. Ved klargøring af vektorindekset skal dets dimension stemme overens med metodens faktiske svar.\n\nTekstsøgningen er evalueret på 34 sprog, herunder russisk. Til flersprogede vejledninger og håndbøger gør det modellen til et muligt fælles søgelag. Udvælgelsens kvalitet afhænger af basens indhold, dokumentopdelingen og brugernes typiske spørgsmål; den bør afprøves på materiale fra dit fagområde.\n\n### Arbejdsgang\n\n1. Opdel kildedokumenterne i tekstudsnit, som hver indeholder et afsluttet svar eller en forklaring.\n2. Dan embeddings, og gem dem med tekst, overskrift og kildehenvisning.\n3. Omsæt brugerens spørgsmål med samme model, og find nærliggende poster.\n4. Vis tekstudsnittene, eller brug dem i RAG til at udarbejde et kildebaseret svar.\n\n### Inputstørrelse\n\nFor denne variant angiver Ailoot API en tekstkontekst og inputgrænse på 32768 tokens. Dele af et langt dokument kan lagres som selvstændige poster med en fælles henvisning til det oprindelige materiale. Modellens tilgængelige resultat er en tekstembedding, som applikationen bruger i den videre behandling.", "locale": "da", "methods": [ { "html": "POST /v1/embeddingstextembedding