Source: https://ailoot.ai/models/es/nvidia-nemotron-3-5-embed-1b/ Canonical: https://ailoot.ai/models/es/nvidia-nemotron-3-5-embed-1b/ Language: es # nvidia/nemotron-3.5-embed-1b [Markdown](https://ailoot.ai/models/es/nvidia-nemotron-3-5-embed-1b/index.md) · [JSON](https://ailoot.ai/models/es/nvidia-nemotron-3-5-embed-1b/facts.json) ## [nvidia/nemotron-3.5-embed-1b](https://ailoot.ai/models/es/nvidia-nemotron-3-5-embed-1b/) `nvidia/nemotron-3.5-embed-1b` NVIDIARepresentaciones vectorialesEntrada 0,0001 US$ / 1KSalida — Embeddings de texto de NVIDIA para búsquedas semánticas multilingües y selección de fuentes en RAG. ### Búsqueda semántica en textos 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. ### Cómo construir la búsqueda 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. ### Características del modelo 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. ### Entrada y tamaño de la solicitud 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. ### Disponible mediante Ailoot API Tipos de entrada `text` Tipos de salida `embedding` Contexto 4096 *tokens* Respuesta máx. No especificado en el catálogo Entrada 0,0001 US$ */ 1K* `nvidia/nemotron-3.5-embed-1b` · JSON ``` {"about":"### 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.","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":"Embeddings de texto de NVIDIA para búsquedas semánticas multilingües y selección de fuentes en RAG."} ``` ## Preguntas ¿Cómo elijo un modelo para mi tarea? Primero determina la entrada y la salida necesarias: texto, imagen, audio o vídeo. Después compara los métodos de API compatibles, el ID exacto del modelo o el modelo al que apunta actualmente el alias, el precio y la unidad de facturación. GET /v1/models es gratuito y enumera los modelos disponibles para tu clave. ¿Cada modelo admite todos los métodos de API y tipos de contenido? Utiliza los métodos de API y los tipos de entrada y salida que figuran en la ficha del modelo. La compatibilidad con texto, imágenes, audio o vídeo depende del modelo y del método seleccionados; consulta su ejemplo de solicitud antes de enviar tus datos. ¿Qué diferencia hay entre el ID de un modelo y un alias? Un ID exacto identifica un modelo concreto. Un alias apunta a un modelo y su destino puede cambiar. Consulta en el catálogo a qué modelo apunta actualmente el alias; utiliza el ID exacto cuando tu integración necesite un modelo concreto. ¿Cómo comparo los precios antes de enviar una solicitud? Consulta en la ficha del modelo el precio y la unidad de facturación del método de API seleccionado. Compara la misma unidad y el mismo tipo de entrada y salida; el historial de solicitudes muestra el uso real y el importe cobrado. ¿Qué ofrece la suscripción? Descuento en compra de tokens para trabajo habitual. Elige el plan según tu volumen; condiciones y precio se muestran al contratar. ¿Cómo aplico un código de hasta el 50%? Introduce el código al comprar tokens. El importe se recalcula según la promoción; ves el descuento antes de pagar. ## Ailoot · La empresa y su cartera de proyectos Ailoot se apoya en la experiencia operativa acumulada, una amplia base de clientes, un servicio estable y el seguimiento continuo de KPI. La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes. Ailoot aplica esa experiencia operativa al acceso por API a funciones de IA en productos de clientes, agentes, aplicaciones y automatizaciones.