{
  "aboutHtml": "<h3>חיפוש סמנטי בטקסטים</h3><p>Nemotron 3.5 Embed 1B ממיר טקסט לייצוג מספרי של תוכנו. המודל של NVIDIA מיועד לחיפוש מסמכים לפי משמעות: השאלה והמקטע המתאים יכולים להיות מנוסחים במילים שונות. משתמשים בתוצאה הזאת בחיפוש במדריכים, בהוראות פנימיות, במאמרים ובבסיס תשובות של שירות תמיכה.</p><p>המודל המקורי של NVIDIA מאחד טקסט ותמונות מסמכים במרחב ייצוג אחד; דור 3.5 מוסיף חיפוש בתוכן החזותי של עמודים. בכרטיס Ailoot הזה משתמשים בתרחיש הטקסטואלי שלו: טקסט בקלט ווקטור בפלט.</p><p>ב־Ailoot המודל מקבל טקסט דרך המתודה embeddings ומחזיר וקטור. הווקטור משמש להשוואת השאילתה למסמכים; תשובה מוכנה למשתמש נוצרת בשלב הבא של היישום. כך אפשר לארגן בנפרד את איתור המקורות ואת הכנת התשובה על בסיסם.</p><h3>כיצד לבנות חיפוש</h3><p>תחילה חלקו את החומרים למקטעים שלמים מבחינת משמעות וקבלו הטמעה לכל אחד מהם. שמרו את הווקטור לצד טקסט המקור, שם המסמך והמזהה שלו. בחיפוש המירו את השאלה באותו מודל ובחרו וקטורים קרובים מהאינדקס. אפשר להציג את המקטעים שנמצאו למשתמש או להעביר אותם למודל טקסט כהקשר לתשובה המבוססת על מסמכים.</p><p>לשאילתות ולמסמכים משתמשים בייצוגים נפרדים, ולאחר מכן משווים אותם בתהליך חיפוש אחד. בהכנת אוסף הטקסטים כדאי לשמור טענה לצד ההקשר שמסביר אותה: כך אפשר לקרוא את המקטע שנמצא בפני עצמו ולקשר אותו למסמך המקורי.</p><h3>מאפייני המודל</h3><p>גרסת 1B נוצרה באמצעות Nemotron 3.5 Embed 8B הגדול יותר כמודל מורה. החלק הטקסטואלי מבוסס על Nemotron 3 Embed 1B ושומר על מרחב הייצוגים הטקסטואליים שלו. בתיאור המודל המקורי מצוין וקטור של 2048 ערכים עם נרמול L2. כדאי להביא את המאפיין הזה בחשבון בתכנון האינדקס, תוך בדיקת הממד של התשובה בפועל במתודה שנבחרה.</p><p>החיפוש הטקסטואלי הוערך ב־34 שפות, ובהן רוסית. הכיסוי הזה הופך את המודל למועמד לבסיס ידע רב־לשוני; כדאי להעריך את איכות בחירת המקטעים על שאלות ומסמכים אמיתיים מתחום התוכן שלכם.</p><h3>קלט וגודל בקשה</h3><p>מתודת הטקסט הנוכחית של Ailoot קובעת מגבלה של 32768 טוקנים לקלט יחיד. חומרים ארוכים יותר נוח לאנדקס כמקטעים נפרדים עם הפניות משלהם למקור. התרחיש הזמין בכרטיס הזה הוא טקסט בקלט והטמעה בפלט.</p>",
  "aboutText": "### חיפוש סמנטי בטקסטים\n\nNemotron 3.5 Embed 1B ממיר טקסט לייצוג מספרי של תוכנו. המודל של NVIDIA מיועד לחיפוש מסמכים לפי משמעות: השאלה והמקטע המתאים יכולים להיות מנוסחים במילים שונות. משתמשים בתוצאה הזאת בחיפוש במדריכים, בהוראות פנימיות, במאמרים ובבסיס תשובות של שירות תמיכה.\n\nהמודל המקורי של NVIDIA מאחד טקסט ותמונות מסמכים במרחב ייצוג אחד; דור 3.5 מוסיף חיפוש בתוכן החזותי של עמודים. בכרטיס Ailoot הזה משתמשים בתרחיש הטקסטואלי שלו: טקסט בקלט ווקטור בפלט.\n\nב־Ailoot המודל מקבל טקסט דרך המתודה embeddings ומחזיר וקטור. הווקטור משמש להשוואת השאילתה למסמכים; תשובה מוכנה למשתמש נוצרת בשלב הבא של היישום. כך אפשר לארגן בנפרד את איתור המקורות ואת הכנת התשובה על בסיסם.\n\n### כיצד לבנות חיפוש\n\nתחילה חלקו את החומרים למקטעים שלמים מבחינת משמעות וקבלו הטמעה לכל אחד מהם. שמרו את הווקטור לצד טקסט המקור, שם המסמך והמזהה שלו. בחיפוש המירו את השאלה באותו מודל ובחרו וקטורים קרובים מהאינדקס. אפשר להציג את המקטעים שנמצאו למשתמש או להעביר אותם למודל טקסט כהקשר לתשובה המבוססת על מסמכים.\n\nלשאילתות ולמסמכים משתמשים בייצוגים נפרדים, ולאחר מכן משווים אותם בתהליך חיפוש אחד. בהכנת אוסף הטקסטים כדאי לשמור טענה לצד ההקשר שמסביר אותה: כך אפשר לקרוא את המקטע שנמצא בפני עצמו ולקשר אותו למסמך המקורי.\n\n### מאפייני המודל\n\nגרסת 1B נוצרה באמצעות Nemotron 3.5 Embed 8B הגדול יותר כמודל מורה. החלק הטקסטואלי מבוסס על Nemotron 3 Embed 1B ושומר על מרחב הייצוגים הטקסטואליים שלו. בתיאור המודל המקורי מצוין וקטור של 2048 ערכים עם נרמול L2. כדאי להביא את המאפיין הזה בחשבון בתכנון האינדקס, תוך בדיקת הממד של התשובה בפועל במתודה שנבחרה.\n\nהחיפוש הטקסטואלי הוערך ב־34 שפות, ובהן רוסית. הכיסוי הזה הופך את המודל למועמד לבסיס ידע רב־לשוני; כדאי להעריך את איכות בחירת המקטעים על שאלות ומסמכים אמיתיים מתחום התוכן שלכם.\n\n### קלט וגודל בקשה\n\nמתודת הטקסט הנוכחית של Ailoot קובעת מגבלה של 32768 טוקנים לקלט יחיד. חומרים ארוכים יותר נוח לאנדקס כמקטעים נפרדים עם הפניות משלהם למקור. התרחיש הזמין בכרטיס הזה הוא טקסט בקלט והטמעה בפלט.",
  "locale": "he",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> ייצוגים וקטוריים</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>סוגי קלט</dt><dd><code>text</code></dd></div><div><dt>סוגי פלט</dt><dd><code>embedding</code></dd></div><div><dt>הקשר</dt><dd>⁦32,768⁩ <em>טוקנים</em></dd></div><div><dt>אורך תשובה מרבי</dt><dd>לא מצוין בקטלוג</dd></div></dl><dl><div><dt>קלט</dt><dd>⁦‏0.00 ‏$⁩ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "nvidia/nemotron-3.5-embed-1b:free",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "nvidia/nemotron-3.5-embed-1b:free",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|nvidia%2Fnemotron-3.5-embed-1b%3Afree",
      "ordinal": 0,
      "rawMethod": {
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": 32768,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "embeddings",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0,
        "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:free",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    }
  ],
  "model_id": "nvidia/nemotron-3.5-embed-1b:free",
  "page": {
    "canonical": "https://ailoot.ai/models/he/nvidia-nemotron-3-5-embed-1b-free/",
    "description": "הטמעות טקסט של NVIDIA לחיפוש סמנטי רב־לשוני ולאיתור מקורות ב־RAG.",
    "locale": "he",
    "md_url": "https://ailoot.ai/models/he/nvidia-nemotron-3-5-embed-1b-free/index.md",
    "title": "NVIDIA: Nemotron 3.5 Embed 1B (free)",
    "url": "https://ailoot.ai/models/he/nvidia-nemotron-3-5-embed-1b-free/"
  },
  "rawModel": {
    "about": "### חיפוש סמנטי בטקסטים\n\nNemotron 3.5 Embed 1B ממיר טקסט לייצוג מספרי של תוכנו. המודל של NVIDIA מיועד לחיפוש מסמכים לפי משמעות: השאלה והמקטע המתאים יכולים להיות מנוסחים במילים שונות. משתמשים בתוצאה הזאת בחיפוש במדריכים, בהוראות פנימיות, במאמרים ובבסיס תשובות של שירות תמיכה.\n\nהמודל המקורי של NVIDIA מאחד טקסט ותמונות מסמכים במרחב ייצוג אחד; דור 3.5 מוסיף חיפוש בתוכן החזותי של עמודים. בכרטיס Ailoot הזה משתמשים בתרחיש הטקסטואלי שלו: טקסט בקלט ווקטור בפלט.\n\nב־Ailoot המודל מקבל טקסט דרך המתודה embeddings ומחזיר וקטור. הווקטור משמש להשוואת השאילתה למסמכים; תשובה מוכנה למשתמש נוצרת בשלב הבא של היישום. כך אפשר לארגן בנפרד את איתור המקורות ואת הכנת התשובה על בסיסם.\n\n### כיצד לבנות חיפוש\n\nתחילה חלקו את החומרים למקטעים שלמים מבחינת משמעות וקבלו הטמעה לכל אחד מהם. שמרו את הווקטור לצד טקסט המקור, שם המסמך והמזהה שלו. בחיפוש המירו את השאלה באותו מודל ובחרו וקטורים קרובים מהאינדקס. אפשר להציג את המקטעים שנמצאו למשתמש או להעביר אותם למודל טקסט כהקשר לתשובה המבוססת על מסמכים.\n\nלשאילתות ולמסמכים משתמשים בייצוגים נפרדים, ולאחר מכן משווים אותם בתהליך חיפוש אחד. בהכנת אוסף הטקסטים כדאי לשמור טענה לצד ההקשר שמסביר אותה: כך אפשר לקרוא את המקטע שנמצא בפני עצמו ולקשר אותו למסמך המקורי.\n\n### מאפייני המודל\n\nגרסת 1B נוצרה באמצעות Nemotron 3.5 Embed 8B הגדול יותר כמודל מורה. החלק הטקסטואלי מבוסס על Nemotron 3 Embed 1B ושומר על מרחב הייצוגים הטקסטואליים שלו. בתיאור המודל המקורי מצוין וקטור של 2048 ערכים עם נרמול L2. כדאי להביא את המאפיין הזה בחשבון בתכנון האינדקס, תוך בדיקת הממד של התשובה בפועל במתודה שנבחרה.\n\nהחיפוש הטקסטואלי הוערך ב־34 שפות, ובהן רוסית. הכיסוי הזה הופך את המודל למועמד לבסיס ידע רב־לשוני; כדאי להעריך את איכות בחירת המקטעים על שאלות ומסמכים אמיתיים מתחום התוכן שלכם.\n\n### קלט וגודל בקשה\n\nמתודת הטקסט הנוכחית של Ailoot קובעת מגבלה של 32768 טוקנים לקלט יחיד. חומרים ארוכים יותר נוח לאנדקס כמקטעים נפרדים עם הפניות משלהם למקור. התרחיש הזמין בכרטיס הזה הוא טקסט בקלט והטמעה בפלט.",
    "alias_of": null,
    "aliases": [],
    "author": "NVIDIA",
    "canonical_model": "nvidia/nemotron-3.5-embed-1b:free",
    "ctx": 32768,
    "formats": [
      "embeddings"
    ],
    "id": "nvidia/nemotron-3.5-embed-1b:free",
    "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": 32768,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "embeddings",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0,
        "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:free",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "nvidia/nemotron-3.5-embed-1b:free",
        "request_model_id": "nvidia/nemotron-3.5-embed-1b:free",
        "route_label": "Ultra"
      }
    ],
    "name": "NVIDIA: Nemotron 3.5 Embed 1B (free)",
    "price": {
      "in": 0,
      "in_label": null,
      "out": null,
      "out_label": null,
      "sort_in": 0,
      "sort_out": null,
      "varies": false
    },
    "public_id": "nvidia/nemotron-3.5-embed-1b:free",
    "short": "הטמעות טקסט של NVIDIA לחיפוש סמנטי רב־לשוני ולאיתור מקורות ב־RAG."
  },
  "renderer_schema": {
    "method_order": "rawModel.methods-ordinal",
    "prices": "exact-native-DTO-units-and-selected-renderer-html"
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "הטמעות טקסט של NVIDIA לחיפוש סמנטי רב־לשוני ולאיתור מקורות ב־RAG.",
  "source": {
    "audit_sha256": "ff0fbef1b050bcbe90178103b973b87e8a0cf2b211168060960cc2fdf4d65ac9",
    "bridge_map_sha256": "ff0fbef1b050bcbe90178103b973b87e8a0cf2b211168060960cc2fdf4d65ac9",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "2e5bf45a6af392651f38e14ef3dbdaf9ab6e537baea160ed7370fb32043f3b81",
      "renderer_sha256": "80d4deb19a3a620d9675d1f077d214b600b600180b2ef7bc55e9c6912c2ae6a1"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "2e5bf45a6af392651f38e14ef3dbdaf9ab6e537baea160ed7370fb32043f3b81",
    "renderer_sha256": "80d4deb19a3a620d9675d1f077d214b600b600180b2ef7bc55e9c6912c2ae6a1"
  },
  "sourceRevision": "710024504f00887596189c0610457ed203ee35a62965b06a89fde5ff9f228741"
}