A Nemotron 3.5 Embed 8B az NVIDIA modellje lekérdezések és dokumentumok embeddinggé alakításához. E számszerű reprezentációk segítenek tartalom szerint összevetni a szövegeket, amikor a kérdés megfogalmazása eltér a forrás szóhasználatától. A modell vállalati tudásbázis, tájékoztató szolgáltatás vagy a válasz elkészítése előtt dokumentumokat kiválasztó alkalmazás keresési rétegéhez használható.
Az 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.
Az Ailootban szöveges bemenet és vektoros kimenet érhető el az embeddings metóduson keresztül. Az alkalmazás megkapja a forrásanyag reprezentációját, és ennek segítségével közeli rekordokat keres az indexben. Ha összefüggő, magyarázó válasz szükséges, a talált szövegek a felhasználó kérdésével együtt külön szöveggeneráló modellnek adhatók át.
A szövegkódolás alapja a Nemotron 3 Embed 8B. A 3.5-ös generáció létrehozásakor az NVIDIA megőrizte ezt a szöveges részt és embeddingterét, az eredeti modellt további képességekkel bővítve. A közzétett modellkártya 4096 értékből álló kimenetet ír le, amely a tokenreprezentációk átlagolásával és L2-normalizálással készül. A vektorindex dimenziószámát az előkészítéskor a metódus tényleges válaszához kell igazítani.
A szöveges keresést 34 nyelven, köztük oroszul értékelték. Többnyelvű útmutatókhoz és kézikönyvekhez ezért közös keresési rétegként is számításba vehető. A találatok kiválasztása a gyűjtemény összetételétől, a dokumentumok felosztásától és a felhasználók jellemző kérdéseitől függ; érdemes a saját szakterület anyagain ellenőrizni.
Az Ailoot ennél a változatnál 32768 tokenes szöveges kontextust és bemeneti korlátot ad meg. Hosszú dokumentum részletei önálló rekordokként tárolhatók, közös hivatkozással az eredeti anyagra. A modell elérhető eredménye a szöveg embeddingje, amelyet az alkalmazás a további feldolgozásban használ.
", "aboutText": "### Jelentés szerinti keresés a tudásbázisban\n\nA Nemotron 3.5 Embed 8B az NVIDIA modellje lekérdezések és dokumentumok embeddinggé alakításához. E számszerű reprezentációk segítenek tartalom szerint összevetni a szövegeket, amikor a kérdés megfogalmazása eltér a forrás szóhasználatától. A modell vállalati tudásbázis, tájékoztató szolgáltatás vagy a válasz elkészítése előtt dokumentumokat kiválasztó alkalmazás keresési rétegéhez 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 szöveges bemenet és vektoros kimenet érhető el az embeddings metóduson keresztül. Az alkalmazás megkapja a forrásanyag reprezentációját, és ennek segítségével közeli rekordokat keres az indexben. Ha összefüggő, magyarázó válasz szükséges, a talált szövegek a felhasználó kérdésével együtt külön szöveggeneráló modellnek adhatók át.\n\n### A 8B változat sajátosságai\n\nA szövegkódolás alapja a Nemotron 3 Embed 8B. A 3.5-ös generáció létrehozásakor az NVIDIA megőrizte ezt a szöveges részt és embeddingterét, az eredeti modellt további képességekkel bővítve. A közzétett modellkártya 4096 értékből álló kimenetet ír le, amely a tokenreprezentációk átlagolásával és L2-normalizálással készül. A vektorindex dimenziószámát az előkészítéskor a metódus tényleges válaszához kell igazítani.\n\nA szöveges keresést 34 nyelven, köztük oroszul értékelték. Többnyelvű útmutatókhoz és kézikönyvekhez ezért közös keresési rétegként is számításba vehető. A találatok kiválasztása a gyűjtemény összetételétől, a dokumentumok felosztásától és a felhasználók jellemző kérdéseitől függ; érdemes a saját szakterület anyagain ellenőrizni.\n\n### Munkafolyamat\n\n1. Bontsa a kiinduló dokumentumokat önálló választ vagy magyarázatot tartalmazó részletekre.\n2. Készítsen embeddingeket, és őrizze meg őket a szöveggel, a címmel és a forrás hivatkozásával együtt.\n3. Ugyanazzal a modellel alakítsa át a felhasználó kérdését, és keressen közeli rekordokat.\n4. Mutassa meg a talált részleteket, vagy használja őket RAG-folyamatban forrásokra épülő válasz elkészítéséhez.\n\n### Bemeneti méret\n\nAz Ailoot ennél a változatnál 32768 tokenes szöveges kontextust és bemeneti korlátot ad meg. Hosszú dokumentum részletei önálló rekordokként tárolhatók, közös hivatkozással az eredeti anyagra. A modell elérhető eredménye a szöveg embeddingje, amelyet az alkalmazás a további feldolgozásban használ.", "locale": "hu", "methods": [ { "html": "POST /v1/embeddingstextembedding