Source: https://ailoot.ai/models/da/nvidia-nemotron-3-5-embed-8b-free/ Canonical: https://ailoot.ai/models/da/nvidia-nemotron-3-5-embed-8b-free/ Language: da # NVIDIA: Nemotron 3.5 Embed 8B (free) [Markdown](https://ailoot.ai/models/da/nvidia-nemotron-3-5-embed-8b-free/index.md) · [JSON](https://ailoot.ai/models/da/nvidia-nemotron-3-5-embed-8b-free/facts.json) ## [NVIDIA: Nemotron 3.5 Embed 8B (free)](https://ailoot.ai/models/da/nvidia-nemotron-3-5-embed-8b-free/) `nvidia/nemotron-3.5-embed-8b:free` NVIDIAEmbeddingsInput 0,00 US$ / 1KOutput — Flersprogede tekstembeddings fra NVIDIA til semantisk dokumentsøgning og opbygning af RAG. ### Semantisk søgning i vidensbasen 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. ### Hvad der adskiller version 8B 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. ### Arbejdsgang 1. Opdel kildedokumenterne i tekstudsnit, som hver indeholder et afsluttet svar eller en forklaring. 2. Dan embeddings, og gem dem med tekst, overskrift og kildehenvisning. 3. Omsæt brugerens spørgsmål med samme model, og find nærliggende poster. 4. Vis tekstudsnittene, eller brug dem i RAG til at udarbejde et kildebaseret svar. ### Inputstørrelse 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. ### 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-8b:free` · JSON ``` {"about":"### 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.","alias_of":null,"aliases":[],"author":"NVIDIA","canonical_model":"nvidia/nemotron-3.5-embed-8b:free","ctx":32768,"formats":["embeddings"],"id":"nvidia/nemotron-3.5-embed-8b: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-8b:free","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"nvidia/nemotron-3.5-embed-8b:free","request_model_id":"nvidia/nemotron-3.5-embed-8b:free","route_label":"Ultra"}],"name":"NVIDIA: Nemotron 3.5 Embed 8B (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-8b:free","short":"Flersprogede tekstembeddings fra NVIDIA til semantisk dokumentsøgning og opbygning af 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.