nvidia/nemotron-3.5-embed-1b

{"about":"### Semanttinen haku teksteistä\n\nNemotron 3.5 Embed 1B muuntaa tekstin sen sisällön numeeriseksi esitykseksi. NVIDIAn malli on tarkoitettu asiakirjojen merkityspohjaiseen hakuun: kysymys ja sopiva katkelma voivat käyttää eri sanoja. Tulosta käytetään käsikirjojen, sisäisten ohjeiden, artikkelien ja asiakastuen vastaustietopohjan haussa.\n\nNVIDIAn alkuperäinen malli yhdistää tekstin ja asiakirjojen kuvat samaan esitysavaruuteen; sukupolvi 3.5 lisää sivujen visuaalisen sisällön haun. Tämä Ailoot API:n mallikortti käyttää tekstityönkulkua: syötteenä on teksti ja tuloksena vektori.\n\nAiloot API:ssa malli vastaanottaa tekstin embeddings-menetelmällä ja palauttaa vektorin. Vektorilla verrataan kyselyä asiakirjoihin; varsinainen vastaus käyttäjälle muodostetaan sovelluksen seuraavassa vaiheessa. Näin lähteiden haku ja niihin perustuvan vastauksen valmistelu voidaan järjestää erikseen.\n\n### Haun rakentaminen\n\nJaa aineisto ensin itsenäisiin merkityksellisiin katkelmiin ja muodosta jokaisesta upotus. Tallenna vektori lähdetekstin, asiakirjan nimen ja tunnisteen kanssa. Muunna haussa kysymys samalla mallilla ja valitse indeksistä läheiset vektorit. Löydetyt katkelmat voi näyttää käyttäjälle tai antaa tekstimallille kontekstiksi asiakirjoihin perustuvaa vastausta varten.\n\nKyselyille ja asiakirjoille käytetään erillisiä esityksiä, joita verrataan samassa hakuprosessissa. Tekstikokoelmaa valmisteltaessa kannattaa säilyttää väite yhdessä sen selittävän kontekstin kanssa: näin löydettyä katkelmaa voi lukea itsenäisesti ja sen voi yhdistää alkuperäiseen asiakirjaan.\n\n### Mallin ominaisuudet\n\nVersio 1B on tuotettu käyttämällä suurempaa Nemotron 3.5 Embed 8B:tä opettajamallina. Tekstiosa perustuu Nemotron 3 Embed 1B:hen ja säilyttää sen tekstiesitysavaruuden. Alkuperäisen mallin kuvauksessa ilmoitetaan 2048 arvon vektori ja L2-normalisointi. Ominaisuus kannattaa huomioida indeksiä suunniteltaessa ja tarkistaa samalla valitun menetelmän todellisen vastauksen ulottuvuus.\n\nTekstihakua on arvioitu 34 kielellä, myös venäjäksi. Laajuutensa ansiosta malli on ehdokas monikieliseen tietopohjaan; katkelmien valinnan laatua kannattaa arvioida oman alan todellisilla kysymyksillä ja asiakirjoilla.\n\n### Syöte ja pyynnön koko\n\nAiloot API:n nykyinen tekstimenetelmä rajaa yksittäisen syötteen 4096 tokeniin. Pidemmät aineistot on helppo indeksoida erillisinä katkelmina, joilla on omat lähdeviitteet. Tämän mallikortin käytettävissä oleva työnkulku on teksti syötteenä ja upotus tuloksena.","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":"NVIDIAn tekstiupotukset monikieliseen semanttiseen hakuun ja RAG:n lähteiden valintaan."}