nvidia/nemotron-3.5-embed-1b

{"about":"### Σημασιολογική αναζήτηση σε κείμενα\n\nΤο Nemotron 3.5 Embed 1B μετατρέπει το κείμενο σε αριθμητική αναπαράσταση του περιεχομένου του. Το μοντέλο της NVIDIA προορίζεται για αναζήτηση εγγράφων βάσει νοήματος: η ερώτηση και το κατάλληλο απόσπασμα μπορεί να χρησιμοποιούν διαφορετικές λέξεις. Το αποτέλεσμα χρησιμοποιείται στην αναζήτηση σε εγχειρίδια, εσωτερικές οδηγίες, άρθρα και βάση απαντήσεων της υποστήριξης.\n\nΤο αρχικό μοντέλο της NVIDIA συνδυάζει κείμενο και εικόνες εγγράφων σε κοινό χώρο αναπαραστάσεων· η γενιά 3.5 προσθέτει αναζήτηση στο οπτικό περιεχόμενο σελίδων. Σε αυτή την κάρτα του Ailoot χρησιμοποιείται το σενάριο κειμένου: κείμενο στην είσοδο και διάνυσμα στην έξοδο.\n\nΣτο Ailoot το μοντέλο δέχεται κείμενο μέσω της μεθόδου embeddings και επιστρέφει διάνυσμα. Το διάνυσμα χρησιμεύει στη σύγκριση του ερωτήματος με έγγραφα· η ολοκληρωμένη απάντηση προς τον χρήστη σχηματίζεται στο επόμενο στάδιο της εφαρμογής. Έτσι οργανώνονται χωριστά η εύρεση πηγών και η προετοιμασία απάντησης βάσει αυτών.\n\n### Πώς να δημιουργήσετε την αναζήτηση\n\nΧωρίστε πρώτα το υλικό σε ολοκληρωμένα νοηματικά αποσπάσματα και λάβετε ενσωμάτωση για καθένα. Αποθηκεύστε το διάνυσμα μαζί με το αρχικό κείμενο, τον τίτλο του εγγράφου και το αναγνωριστικό του. Κατά την αναζήτηση μετατρέψτε την ερώτηση με το ίδιο μοντέλο και επιλέξτε κοντινά διανύσματα από το ευρετήριο. Τα αποσπάσματα που βρέθηκαν μπορούν να εμφανιστούν στον χρήστη ή να δοθούν σε μοντέλο κειμένου ως πλαίσιο για απάντηση βάσει εγγράφων.\n\nΓια ερωτήματα και έγγραφα χρησιμοποιούνται χωριστές αναπαραστάσεις, οι οποίες συγκρίνονται στην ίδια διαδικασία αναζήτησης. Στην προετοιμασία του σώματος κειμένων είναι χρήσιμο μια δήλωση να παραμένει μαζί με το επεξηγηματικό της πλαίσιο: έτσι το εντοπισμένο απόσπασμα διαβάζεται αυτόνομα και συνδέεται με το αρχικό έγγραφο.\n\n### Χαρακτηριστικά του μοντέλου\n\nΗ έκδοση 1B προέκυψε χρησιμοποιώντας το μεγαλύτερο Nemotron 3.5 Embed 8B ως μοντέλο-διδάσκαλο. Το κειμενικό τμήμα βασίζεται στο Nemotron 3 Embed 1B και διατηρεί τον χώρο αναπαραστάσεων κειμένου του. Η περιγραφή του αρχικού μοντέλου αναφέρει διάνυσμα 2048 τιμών με κανονικοποίηση L2. Είναι χρήσιμο αυτό το χαρακτηριστικό να λαμβάνεται υπόψη στον σχεδιασμό ευρετηρίου, με έλεγχο της διάστασης της πραγματικής απάντησης της επιλεγμένης μεθόδου.\n\nΗ αναζήτηση κειμένου αξιολογήθηκε σε 34 γλώσσες, συμπεριλαμβανομένων των ρωσικών. Αυτή η κάλυψη καθιστά το μοντέλο υποψήφιο για πολύγλωσση βάση γνώσεων· η ποιότητα επιλογής αποσπασμάτων πρέπει να αξιολογείται σε πραγματικές ερωτήσεις και έγγραφα του δικού σας τομέα.\n\n### Είσοδος και μέγεθος αιτήματος\n\nΗ τρέχουσα μέθοδος κειμένου του Ailoot ορίζει όριο 4096 tokens ανά είσοδο. Μεγαλύτερα κείμενα είναι πρακτικό να ευρετηριάζονται σε χωριστά αποσπάσματα με δικές τους παραπομπές στην πηγή. Το διαθέσιμο σενάριο αυτής της κάρτας είναι κείμενο στην είσοδο και ενσωμάτωση στην έξοδο.","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":"Ενσωματώσεις κειμένου της NVIDIA για πολύγλωσση σημασιολογική αναζήτηση και επιλογή πηγών σε RAG."}