Το Nemotron 3.5 Embed 8B είναι μοντέλο της NVIDIA για μετατροπή ερωτημάτων και εγγράφων σε ενσωματώσεις. Αυτές οι αριθμητικές αναπαραστάσεις βοηθούν στη σύγκριση κειμένων ως προς το περιεχόμενο, όταν η διατύπωση της ερώτησης διαφέρει από τις λέξεις της πηγής. Το μοντέλο ταιριάζει στο επίπεδο αναζήτησης εταιρικής βάσης γνώσεων, υπηρεσίας πληροφοριών και εφαρμογής που επιλέγει έγγραφα πριν από την προετοιμασία απάντησης.
Το 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.
Στο Ailoot διατίθεται είσοδος κειμένου και διανυσματική έξοδος μέσω embeddings. Η εφαρμογή λαμβάνει αναπαράσταση του αρχικού υλικού και τη χρησιμοποιεί για αναζήτηση κοντινών εγγραφών στο ευρετήριο. Αν απαιτείται συνεκτική απάντηση με εξήγηση, τα κείμενα που βρέθηκαν μπορούν να δοθούν σε χωριστό μοντέλο παραγωγής μαζί με την ερώτηση του χρήστη.
Η κωδικοποίηση κειμένου βασίζεται στο Nemotron 3 Embed 8B. Κατά τη δημιουργία της γενιάς 3.5 η NVIDIA διατήρησε αυτό το κειμενικό τμήμα και τον χώρο ενσωματώσεών του, επεκτείνοντας το αρχικό μοντέλο με πρόσθετες δυνατότητες. Η δημοσιευμένη κάρτα περιγράφει έξοδο 4096 τιμών, που προκύπτει από μέσο όρο αναπαραστάσεων tokens και κανονικοποίηση L2. Στην προετοιμασία διανυσματικού ευρετηρίου η διάστασή του πρέπει να συμφωνεί με την πραγματική απάντηση της μεθόδου.
Η αναζήτηση κειμένου αξιολογήθηκε σε 34 γλώσσες, συμπεριλαμβανομένων των ρωσικών. Για πολύγλωσσες οδηγίες και εγχειρίδια αυτό επιτρέπει να εξεταστεί το μοντέλο ως κοινό επίπεδο αναζήτησης. Το αποτέλεσμα επιλογής εξαρτάται από τη σύνθεση της βάσης, τον χωρισμό εγγράφων και τις χαρακτηριστικές ερωτήσεις των χρηστών· είναι χρήσιμο να ελέγχεται με υλικό του τομέα σας.
Για αυτή την παραλλαγή το Ailoot αναφέρει πλαίσιο κειμένου και όριο εισόδου 32768 tokens. Τα αποσπάσματα μεγάλου εγγράφου μπορούν να αποθηκεύονται ως ανεξάρτητες εγγραφές με κοινή παραπομπή στο αρχικό υλικό. Το διαθέσιμο αποτέλεσμα του μοντέλου είναι ενσωμάτωση κειμένου, την οποία η εφαρμογή χρησιμοποιεί στην περαιτέρω επεξεργασία.
", "aboutText": "### Αναζήτηση βάσει νοήματος στη βάση γνώσεων\n\nΤο Nemotron 3.5 Embed 8B είναι μοντέλο της NVIDIA για μετατροπή ερωτημάτων και εγγράφων σε ενσωματώσεις. Αυτές οι αριθμητικές αναπαραστάσεις βοηθούν στη σύγκριση κειμένων ως προς το περιεχόμενο, όταν η διατύπωση της ερώτησης διαφέρει από τις λέξεις της πηγής. Το μοντέλο ταιριάζει στο επίπεδο αναζήτησης εταιρικής βάσης γνώσεων, υπηρεσίας πληροφοριών και εφαρμογής που επιλέγει έγγραφα πριν από την προετοιμασία απάντησης.\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 διατίθεται είσοδος κειμένου και διανυσματική έξοδος μέσω embeddings. Η εφαρμογή λαμβάνει αναπαράσταση του αρχικού υλικού και τη χρησιμοποιεί για αναζήτηση κοντινών εγγραφών στο ευρετήριο. Αν απαιτείται συνεκτική απάντηση με εξήγηση, τα κείμενα που βρέθηκαν μπορούν να δοθούν σε χωριστό μοντέλο παραγωγής μαζί με την ερώτηση του χρήστη.\n\n### Τι διαφοροποιεί την έκδοση 8B\n\nΗ κωδικοποίηση κειμένου βασίζεται στο Nemotron 3 Embed 8B. Κατά τη δημιουργία της γενιάς 3.5 η NVIDIA διατήρησε αυτό το κειμενικό τμήμα και τον χώρο ενσωματώσεών του, επεκτείνοντας το αρχικό μοντέλο με πρόσθετες δυνατότητες. Η δημοσιευμένη κάρτα περιγράφει έξοδο 4096 τιμών, που προκύπτει από μέσο όρο αναπαραστάσεων tokens και κανονικοποίηση L2. Στην προετοιμασία διανυσματικού ευρετηρίου η διάστασή του πρέπει να συμφωνεί με την πραγματική απάντηση της μεθόδου.\n\nΗ αναζήτηση κειμένου αξιολογήθηκε σε 34 γλώσσες, συμπεριλαμβανομένων των ρωσικών. Για πολύγλωσσες οδηγίες και εγχειρίδια αυτό επιτρέπει να εξεταστεί το μοντέλο ως κοινό επίπεδο αναζήτησης. Το αποτέλεσμα επιλογής εξαρτάται από τη σύνθεση της βάσης, τον χωρισμό εγγράφων και τις χαρακτηριστικές ερωτήσεις των χρηστών· είναι χρήσιμο να ελέγχεται με υλικό του τομέα σας.\n\n### Ροή εργασίας\n\n1. Χωρίστε τα αρχικά έγγραφα σε αποσπάσματα, καθένα με ολοκληρωμένη απάντηση ή εξήγηση.\n2. Λάβετε ενσωματώσεις και αποθηκεύστε τις μαζί με κείμενο, τίτλο και παραπομπή στην πηγή.\n3. Μετατρέψτε την ερώτηση του χρήστη με το ίδιο μοντέλο και βρείτε κοντινές εγγραφές.\n4. Εμφανίστε τα αποσπάσματα ή χρησιμοποιήστε τα στο RAG για προετοιμασία απάντησης βάσει πηγών.\n\n### Μέγεθος εισόδου\n\nΓια αυτή την παραλλαγή το Ailoot αναφέρει πλαίσιο κειμένου και όριο εισόδου 32768 tokens. Τα αποσπάσματα μεγάλου εγγράφου μπορούν να αποθηκεύονται ως ανεξάρτητες εγγραφές με κοινή παραπομπή στο αρχικό υλικό. Το διαθέσιμο αποτέλεσμα του μοντέλου είναι ενσωμάτωση κειμένου, την οποία η εφαρμογή χρησιμοποιεί στην περαιτέρω επεξεργασία.", "locale": "el", "methods": [ { "html": "POST /v1/embeddingstextembedding