Nemotron 3.5 Embed 1B convierte texto en una representación numérica de su contenido. El modelo de NVIDIA está destinado a buscar documentos por su significado: una pregunta y el fragmento pertinente pueden estar formulados con palabras distintas. Estos resultados se utilizan para buscar en manuales de consulta, instrucciones internas, artículos y bases de respuestas de atención al cliente.
El modelo original de NVIDIA reúne texto e imágenes de documentos en un mismo espacio de representación; la generación 3.5 añade búsquedas en el contenido visual de las páginas. En esta ficha de Ailoot se utiliza su función de texto: texto de entrada y vector de salida.
En Ailoot, el modelo recibe texto mediante el método embeddings y devuelve un vector. El vector sirve para comparar la consulta con los documentos; la siguiente etapa de la aplicación elabora la respuesta final al usuario. Esto permite organizar por separado la búsqueda de fuentes y la preparación de una respuesta basada en ellas.
Primero divide los materiales en fragmentos con significado completo y obtén un embedding de cada uno. Guarda el vector junto con el texto original, el título del documento y su identificador. Al buscar, transforma la pregunta con el mismo modelo y selecciona vectores cercanos del índice. Puedes mostrar los fragmentos recuperados al usuario o enviarlos a un modelo de texto como contexto para una respuesta basada en documentos.
Se utilizan representaciones diferenciadas para consultas y documentos, que después se comparan en un mismo proceso de búsqueda. Al preparar el corpus, conviene mantener una afirmación junto al contexto que la explica: así el fragmento recuperado puede leerse de forma autónoma y relacionarse con el documento original.
La versión 1B se obtuvo utilizando el modelo más grande Nemotron 3.5 Embed 8B como profesor. La parte textual se basa en Nemotron 3 Embed 1B y conserva su espacio de representaciones de texto. La descripción del modelo original indica un vector de 2048 valores con normalización L2. Conviene tenerlo en cuenta al diseñar el índice y comprobar la dimensionalidad de la respuesta real del método elegido.
La búsqueda textual se evaluó en 34 idiomas, incluido el ruso. Esta cobertura convierte al modelo en un candidato para una base de conocimiento multilingüe; conviene evaluar la calidad de la recuperación de fragmentos con preguntas y documentos reales de tu ámbito.
El método textual actual de Ailoot establece un límite de 4096 tokens por entrada. Resulta práctico indexar los materiales más largos como fragmentos separados con sus propias referencias a la fuente. El uso disponible en esta ficha consiste en texto de entrada y embedding de salida.
", "aboutText": "### Búsqueda semántica en textos\n\nNemotron 3.5 Embed 1B convierte texto en una representación numérica de su contenido. El modelo de NVIDIA está destinado a buscar documentos por su significado: una pregunta y el fragmento pertinente pueden estar formulados con palabras distintas. Estos resultados se utilizan para buscar en manuales de consulta, instrucciones internas, artículos y bases de respuestas de atención al cliente.\n\nEl modelo original de NVIDIA reúne texto e imágenes de documentos en un mismo espacio de representación; la generación 3.5 añade búsquedas en el contenido visual de las páginas. En esta ficha de Ailoot se utiliza su función de texto: texto de entrada y vector de salida.\n\nEn Ailoot, el modelo recibe texto mediante el método embeddings y devuelve un vector. El vector sirve para comparar la consulta con los documentos; la siguiente etapa de la aplicación elabora la respuesta final al usuario. Esto permite organizar por separado la búsqueda de fuentes y la preparación de una respuesta basada en ellas.\n\n### Cómo construir la búsqueda\n\nPrimero divide los materiales en fragmentos con significado completo y obtén un embedding de cada uno. Guarda el vector junto con el texto original, el título del documento y su identificador. Al buscar, transforma la pregunta con el mismo modelo y selecciona vectores cercanos del índice. Puedes mostrar los fragmentos recuperados al usuario o enviarlos a un modelo de texto como contexto para una respuesta basada en documentos.\n\nSe utilizan representaciones diferenciadas para consultas y documentos, que después se comparan en un mismo proceso de búsqueda. Al preparar el corpus, conviene mantener una afirmación junto al contexto que la explica: así el fragmento recuperado puede leerse de forma autónoma y relacionarse con el documento original.\n\n### Características del modelo\n\nLa versión 1B se obtuvo utilizando el modelo más grande Nemotron 3.5 Embed 8B como profesor. La parte textual se basa en Nemotron 3 Embed 1B y conserva su espacio de representaciones de texto. La descripción del modelo original indica un vector de 2048 valores con normalización L2. Conviene tenerlo en cuenta al diseñar el índice y comprobar la dimensionalidad de la respuesta real del método elegido.\n\nLa búsqueda textual se evaluó en 34 idiomas, incluido el ruso. Esta cobertura convierte al modelo en un candidato para una base de conocimiento multilingüe; conviene evaluar la calidad de la recuperación de fragmentos con preguntas y documentos reales de tu ámbito.\n\n### Entrada y tamaño de la solicitud\n\nEl método textual actual de Ailoot establece un límite de 4096 tokens por entrada. Resulta práctico indexar los materiales más largos como fragmentos separados con sus propias referencias a la fuente. El uso disponible en esta ficha consiste en texto de entrada y embedding de salida.", "locale": "es", "methods": [ { "html": "POST /v1/embeddingstextembedding