NVIDIA: Nemotron 3.5 Embed 1B (free)

{"about":"### Szemantikus keresés szövegekben\n\nA Nemotron 3.5 Embed 1B számszerű reprezentációvá alakítja a szöveg tartalmát. Az NVIDIA modellje dokumentumok jelentés szerinti keresésére készült: a kérdés és a megfelelő részlet eltérő szavakkal is megfogalmazható. Az eredmény kézikönyvek, belső útmutatók, cikkek és ügyfélszolgálati tudásbázisok keresésében használható.\n\nAz eredeti NVIDIA-modell a szöveget és a dokumentumképeket közös reprezentációs térben egyesíti; a 3.5-ös generáció az oldalak vizuális tartalmában való keresést is hozzáadja. Az Ailoot e modellkártyája a szöveges munkamenetet használja: a bemenet szöveg, a kimenet vektor.\n\nAz Ailootban a modell az embeddings metóduson keresztül fogad szöveget, és vektort ad vissza. A vektor a lekérdezés és a dokumentumok összevetésére szolgál; a kész felhasználói választ az alkalmazás következő lépése állítja össze. Így a forráskeresés és a forrásokra épülő válasz elkészítése külön szervezhető.\n\n### A keresés felépítése\n\nElőször bontsa az anyagokat önálló jelentéssel bíró részletekre, és készítsen mindegyikhez embeddinget. A vektorral együtt őrizze meg az eredeti szöveget, a dokumentum nevét és azonosítóját. Kereséskor ugyanazzal a modellel alakítsa át a kérdést, és válassza ki az index közeli vektorait. A talált részletek megjeleníthetők a felhasználónak, vagy szövegmodellnek adhatók át a dokumentumokra támaszkodó válasz kontextusaként.\n\nA lekérdezésekhez és dokumentumokhoz külön reprezentációk készülnek, amelyeket azután közös keresési folyamatban hasonlítanak össze. A gyűjtemény előkészítésekor érdemes együtt tartani egy állítást és a magyarázó környezetét: így a talált részlet önmagában is olvasható, és az eredeti dokumentumhoz kapcsolható.\n\n### A modell sajátosságai\n\nAz 1B változat elkészítéséhez a nagyobb Nemotron 3.5 Embed 8B-t használták tanítómodellként. Szöveges része a Nemotron 3 Embed 1B-re épül, és megőrzi annak szöveges reprezentációs terét. Az eredeti modell leírása L2-normalizált, 2048 értékből álló vektort ad meg. E tulajdonságot az index tervezésénél érdemes figyelembe venni, ellenőrizve a választott metódus tényleges válaszának dimenziószámát.\n\nA szöveges keresést 34 nyelven, köztük oroszul értékelték. E nyelvi lefedettség alapján a modell többnyelvű tudásbázisban is kipróbálható; a megfelelő részletek kiválasztását a saját szakterület valódi kérdésein és dokumentumain érdemes értékelni.\n\n### Bemenet és kérésméret\n\nAz Ailoot jelenlegi szöveges metódusa egy bemenetre 32768 tokenes korlátot ad meg. A hosszabb anyagok külön részletekként, saját forráshivatkozással indexelhetők. E modellkártya elérhető munkamenete szöveges bemenetből embeddinget készít.","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":"Az NVIDIA szövegbeágyazásai többnyelvű szemantikus kereséshez és a RAG-folyamatok forrásainak kiválasztásához."}