{
  "aboutHtml": "<h3>Pencarian makna dalam basis pengetahuan</h3><p>Nemotron 3.5 Embed 8B adalah model NVIDIA yang mengubah kueri dan dokumen menjadi embedding. Representasi numerik ini membantu mencocokkan isi teks saat pertanyaan dirumuskan berbeda dari sumbernya. Model sesuai untuk lapisan pencarian basis pengetahuan perusahaan, layanan referensi, dan aplikasi yang memilih dokumen sebelum menyiapkan jawaban.</p><p>Model NVIDIA asal menggabungkan teks dan gambar dokumen dalam satu ruang representasi; generasi 3.5 menambahkan pencarian isi visual halaman. Kartu Ailoot API ini menggunakan alur teksnya: masukan teks dan keluaran vektor.</p><p>Di Ailoot API tersedia masukan teks dan keluaran vektor melalui embeddings. Aplikasi memperoleh representasi materi awal dan menggunakannya untuk mencari entri terdekat dalam indeks. Jika perlu jawaban padu dengan penjelasan, teks hasil pencarian dapat diteruskan bersama pertanyaan ke model generasi terpisah.</p><h3>Perbedaan versi 8B</h3><p>Pengodean teks berbasis Nemotron 3 Embed 8B. Saat membuat generasi 3.5, NVIDIA mempertahankan bagian teks dan ruang embedding-nya sambil memperluas model asal dengan kemampuan tambahan. Kartu yang diterbitkan menjelaskan keluaran 4096 nilai melalui perataan representasi token dan normalisasi L2. Saat menyiapkan indeks vektor, dimensinya perlu disesuaikan dengan jawaban aktual metode.</p><p>Pencarian teks dievaluasi pada 34 bahasa, termasuk bahasa Rusia. Untuk petunjuk dan referensi multibahasa, ini memungkinkan model dipertimbangkan sebagai lapisan pencarian bersama. Pemilihan hasil bergantung pada isi basis, pembagian dokumen, dan pertanyaan khas pengguna; sebaiknya uji dengan materi bidang Anda.</p><h3>Alur kerja</h3><ol><li>Bagi dokumen awal menjadi potongan yang masing-masing berisi jawaban atau penjelasan lengkap.</li><li>Dapatkan embedding dan simpan bersama teks, judul, serta referensi sumber.</li><li>Ubah pertanyaan pengguna dengan model yang sama dan cari entri terdekat.</li><li>Tampilkan potongan hasil atau gunakan dalam RAG untuk menyiapkan jawaban berbasis sumber.</li></ol><h3>Ukuran masukan</h3><p>Untuk varian ini, Ailoot API menyatakan konteks teks dan batas masukan 32768 token. Potongan dokumen panjang dapat disimpan sebagai entri mandiri dengan satu referensi bersama ke materi asal. Hasil model berupa embedding teks yang digunakan aplikasi pada pemrosesan berikutnya.</p>",
  "aboutText": "### Pencarian makna dalam basis pengetahuan\n\nNemotron 3.5 Embed 8B adalah model NVIDIA yang mengubah kueri dan dokumen menjadi embedding. Representasi numerik ini membantu mencocokkan isi teks saat pertanyaan dirumuskan berbeda dari sumbernya. Model sesuai untuk lapisan pencarian basis pengetahuan perusahaan, layanan referensi, dan aplikasi yang memilih dokumen sebelum menyiapkan jawaban.\n\nModel NVIDIA asal menggabungkan teks dan gambar dokumen dalam satu ruang representasi; generasi 3.5 menambahkan pencarian isi visual halaman. Kartu Ailoot API ini menggunakan alur teksnya: masukan teks dan keluaran vektor.\n\nDi Ailoot API tersedia masukan teks dan keluaran vektor melalui embeddings. Aplikasi memperoleh representasi materi awal dan menggunakannya untuk mencari entri terdekat dalam indeks. Jika perlu jawaban padu dengan penjelasan, teks hasil pencarian dapat diteruskan bersama pertanyaan ke model generasi terpisah.\n\n### Perbedaan versi 8B\n\nPengodean teks berbasis Nemotron 3 Embed 8B. Saat membuat generasi 3.5, NVIDIA mempertahankan bagian teks dan ruang embedding-nya sambil memperluas model asal dengan kemampuan tambahan. Kartu yang diterbitkan menjelaskan keluaran 4096 nilai melalui perataan representasi token dan normalisasi L2. Saat menyiapkan indeks vektor, dimensinya perlu disesuaikan dengan jawaban aktual metode.\n\nPencarian teks dievaluasi pada 34 bahasa, termasuk bahasa Rusia. Untuk petunjuk dan referensi multibahasa, ini memungkinkan model dipertimbangkan sebagai lapisan pencarian bersama. Pemilihan hasil bergantung pada isi basis, pembagian dokumen, dan pertanyaan khas pengguna; sebaiknya uji dengan materi bidang Anda.\n\n### Alur kerja\n\n1. Bagi dokumen awal menjadi potongan yang masing-masing berisi jawaban atau penjelasan lengkap.\n2. Dapatkan embedding dan simpan bersama teks, judul, serta referensi sumber.\n3. Ubah pertanyaan pengguna dengan model yang sama dan cari entri terdekat.\n4. Tampilkan potongan hasil atau gunakan dalam RAG untuk menyiapkan jawaban berbasis sumber.\n\n### Ukuran masukan\n\nUntuk varian ini, Ailoot API menyatakan konteks teks dan batas masukan 32768 token. Potongan dokumen panjang dapat disimpan sebagai entri mandiri dengan satu referensi bersama ke materi asal. Hasil model berupa embedding teks yang digunakan aplikasi pada pemrosesan berikutnya.",
  "locale": "id",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Embedding</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Masukan</dt><dd><code>text</code></dd></div><div><dt>Keluaran</dt><dd><code>embedding</code></dd></div><div><dt>Konteks</dt><dd>32.768 <em>token</em></dd></div><div><dt>Panjang jawaban maksimum</dt><dd>Tidak ditentukan dalam katalog</dd></div></dl><dl><div><dt>Masukan</dt><dd>US$0,00 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "nvidia/nemotron-3.5-embed-8b:free",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "nvidia/nemotron-3.5-embed-8b:free",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|nvidia%2Fnemotron-3.5-embed-8b%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-8b:free",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    }
  ],
  "model_id": "nvidia/nemotron-3.5-embed-8b:free",
  "page": {
    "canonical": "https://ailoot.ai/models/id/nvidia-nemotron-3-5-embed-8b-free/",
    "description": "Embedding teks multibahasa NVIDIA untuk pencarian semantik dokumen dan pembangunan RAG.",
    "locale": "id",
    "md_url": "https://ailoot.ai/models/id/nvidia-nemotron-3-5-embed-8b-free/index.md",
    "title": "NVIDIA: Nemotron 3.5 Embed 8B (free)",
    "url": "https://ailoot.ai/models/id/nvidia-nemotron-3-5-embed-8b-free/"
  },
  "rawModel": {
    "about": "### Pencarian makna dalam basis pengetahuan\n\nNemotron 3.5 Embed 8B adalah model NVIDIA yang mengubah kueri dan dokumen menjadi embedding. Representasi numerik ini membantu mencocokkan isi teks saat pertanyaan dirumuskan berbeda dari sumbernya. Model sesuai untuk lapisan pencarian basis pengetahuan perusahaan, layanan referensi, dan aplikasi yang memilih dokumen sebelum menyiapkan jawaban.\n\nModel NVIDIA asal menggabungkan teks dan gambar dokumen dalam satu ruang representasi; generasi 3.5 menambahkan pencarian isi visual halaman. Kartu Ailoot API ini menggunakan alur teksnya: masukan teks dan keluaran vektor.\n\nDi Ailoot API tersedia masukan teks dan keluaran vektor melalui embeddings. Aplikasi memperoleh representasi materi awal dan menggunakannya untuk mencari entri terdekat dalam indeks. Jika perlu jawaban padu dengan penjelasan, teks hasil pencarian dapat diteruskan bersama pertanyaan ke model generasi terpisah.\n\n### Perbedaan versi 8B\n\nPengodean teks berbasis Nemotron 3 Embed 8B. Saat membuat generasi 3.5, NVIDIA mempertahankan bagian teks dan ruang embedding-nya sambil memperluas model asal dengan kemampuan tambahan. Kartu yang diterbitkan menjelaskan keluaran 4096 nilai melalui perataan representasi token dan normalisasi L2. Saat menyiapkan indeks vektor, dimensinya perlu disesuaikan dengan jawaban aktual metode.\n\nPencarian teks dievaluasi pada 34 bahasa, termasuk bahasa Rusia. Untuk petunjuk dan referensi multibahasa, ini memungkinkan model dipertimbangkan sebagai lapisan pencarian bersama. Pemilihan hasil bergantung pada isi basis, pembagian dokumen, dan pertanyaan khas pengguna; sebaiknya uji dengan materi bidang Anda.\n\n### Alur kerja\n\n1. Bagi dokumen awal menjadi potongan yang masing-masing berisi jawaban atau penjelasan lengkap.\n2. Dapatkan embedding dan simpan bersama teks, judul, serta referensi sumber.\n3. Ubah pertanyaan pengguna dengan model yang sama dan cari entri terdekat.\n4. Tampilkan potongan hasil atau gunakan dalam RAG untuk menyiapkan jawaban berbasis sumber.\n\n### Ukuran masukan\n\nUntuk varian ini, Ailoot API menyatakan konteks teks dan batas masukan 32768 token. Potongan dokumen panjang dapat disimpan sebagai entri mandiri dengan satu referensi bersama ke materi asal. Hasil model berupa embedding teks yang digunakan aplikasi pada pemrosesan berikutnya.",
    "alias_of": null,
    "aliases": [],
    "author": "NVIDIA",
    "canonical_model": "nvidia/nemotron-3.5-embed-8b:free",
    "ctx": 32768,
    "formats": [
      "embeddings"
    ],
    "id": "nvidia/nemotron-3.5-embed-8b: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-8b:free",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "nvidia/nemotron-3.5-embed-8b:free",
        "request_model_id": "nvidia/nemotron-3.5-embed-8b:free",
        "route_label": "Ultra"
      }
    ],
    "name": "NVIDIA: Nemotron 3.5 Embed 8B (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-8b:free",
    "short": "Embedding teks multibahasa NVIDIA untuk pencarian semantik dokumen dan pembangunan 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": "Embedding teks multibahasa NVIDIA untuk pencarian semantik dokumen dan pembangunan RAG.",
  "source": {
    "audit_sha256": "d201a59edcfa07a8889a900f7cc6d9d3f425b2dd9fb2688a4a30f02552ae0fb6",
    "bridge_map_sha256": "d201a59edcfa07a8889a900f7cc6d9d3f425b2dd9fb2688a4a30f02552ae0fb6",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "9861de97dc8c22e2b6ca122802c72460e7e7e64edb9e6eb5639f7f8630495431",
      "renderer_sha256": "d98baae37f84136a402245fd439c49ceaf2ba425be8faa18b2d4233cd555c0ea"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "9861de97dc8c22e2b6ca122802c72460e7e7e64edb9e6eb5639f7f8630495431",
    "renderer_sha256": "d98baae37f84136a402245fd439c49ceaf2ba425be8faa18b2d4233cd555c0ea"
  },
  "sourceRevision": "086a8ae84b808ea0c7ad27c99c50c9099255e5183e5833e025c0f204767d8d47"
}