nvidia/nemotron-3.5-embed-1b

{"about":"### Recherche sémantique dans les textes\n\nNemotron 3.5 Embed 1B transforme le texte en une représentation numérique de son contenu. Ce modèle de NVIDIA est destiné à la recherche de documents par le sens : une question et un passage pertinent peuvent employer des mots différents. Le résultat peut être utilisé pour rechercher dans des ouvrages de référence, des instructions internes, des articles et une base de réponses de l’assistance.\n\nLe modèle d’origine de NVIDIA réunit les textes et les images de documents dans un même espace de représentation ; la génération 3.5 ajoute la recherche dans le contenu visuel des pages. Cette fiche Ailoot utilise son parcours textuel : du texte en entrée et un vecteur en sortie.\n\nDans Ailoot, le modèle accepte du texte via la méthode embeddings et renvoie un vecteur. Celui-ci permet de comparer la requête aux documents ; la réponse destinée à l’utilisateur est rédigée à l’étape suivante de l’application. La recherche de sources peut ainsi être organisée séparément de la préparation d’une réponse fondée sur ces sources.\n\n### Comment construire la recherche\n\nDécoupez d’abord les contenus en passages autonomes sur le plan du sens et obtenez un plongement vectoriel pour chacun. Conservez le vecteur avec le texte source, le titre du document et son identifiant. Lors de la recherche, transformez la question avec le même modèle et sélectionnez les vecteurs proches dans l’index. Les passages trouvés peuvent être affichés à l’utilisateur ou fournis comme contexte à un modèle textuel chargé de répondre à partir des documents.\n\nLes requêtes et les documents utilisent des représentations distinctes, qui sont ensuite comparées au sein d’un même processus de recherche. Lors de la préparation du corpus, il est utile de garder une affirmation avec le contexte qui l’explique : le passage retrouvé peut alors être lu seul et rattaché au document d’origine.\n\n### Particularités du modèle\n\nLa version 1B a été obtenue en utilisant le modèle plus grand Nemotron 3.5 Embed 8B comme enseignant. Sa partie textuelle repose sur Nemotron 3 Embed 1B et en conserve l’espace de représentation textuelle. La description du modèle d’origine indique un vecteur de 2 048 valeurs avec normalisation L2. Il est utile d’en tenir compte lors de la conception de l’index, tout en vérifiant la dimension de la réponse effectivement renvoyée par la méthode choisie.\n\nLa recherche textuelle a été évaluée dans 34 langues, dont le russe. Cette couverture en fait un candidat pour une base de connaissances multilingue ; la qualité de sélection des passages doit être évaluée à partir de questions et de documents réels de votre domaine.\n\n### Entrée et taille de la requête\n\nLa méthode textuelle actuelle d’Ailoot fixe une limite de 4 096 jetons par entrée. Les contenus plus longs peuvent être indexés sous forme de passages distincts, chacun avec sa propre référence à la source. L’usage proposé par cette fiche reste le texte en entrée et le plongement vectoriel en sortie.","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":"Plongements vectoriels textuels de NVIDIA pour la recherche sémantique multilingue et la sélection de sources dans un système RAG."}