Source: https://ailoot.ai/models/id/nvidia-nemotron-3-5-embed-8b-free/ Canonical: https://ailoot.ai/models/id/nvidia-nemotron-3-5-embed-8b-free/ Language: id # NVIDIA: Nemotron 3.5 Embed 8B (free) [Markdown](https://ailoot.ai/models/id/nvidia-nemotron-3-5-embed-8b-free/index.md) · [JSON](https://ailoot.ai/models/id/nvidia-nemotron-3-5-embed-8b-free/facts.json) ## [NVIDIA: Nemotron 3.5 Embed 8B (free)](https://ailoot.ai/models/id/nvidia-nemotron-3-5-embed-8b-free/) `nvidia/nemotron-3.5-embed-8b:free` NVIDIAEmbeddingMasukan US$0,00 / 1KKeluaran — Embedding teks multibahasa NVIDIA untuk pencarian semantik dokumen dan pembangunan RAG. ### Pencarian makna dalam basis pengetahuan 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. 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. 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. ### Perbedaan versi 8B 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. 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. ### Alur kerja 1. Bagi dokumen awal menjadi potongan yang masing-masing berisi jawaban atau penjelasan lengkap. 2. Dapatkan embedding dan simpan bersama teks, judul, serta referensi sumber. 3. Ubah pertanyaan pengguna dengan model yang sama dan cari entri terdekat. 4. Tampilkan potongan hasil atau gunakan dalam RAG untuk menyiapkan jawaban berbasis sumber. ### Ukuran masukan 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. ### Tersedia melalui Ailoot API Masukan `text` Keluaran `embedding` Konteks 32.768 *token* Panjang jawaban maksimum Tidak ditentukan dalam katalog Masukan US$0,00 */ 1K* `nvidia/nemotron-3.5-embed-8b:free` · JSON ``` {"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."} ``` ## Pertanyaan Bagaimana cara memilih model untuk tugas saya? Tentukan dahulu input dan output yang diperlukan: teks, gambar, audio, atau video. Lalu bandingkan metode API yang kompatibel, ID model yang tepat atau model yang saat ini dirujuk oleh alias, harga, dan satuan penagihan. GET /v1/models gratis dan menampilkan model yang tersedia untuk kunci Anda. Apakah setiap model mendukung semua metode API dan jenis media? Gunakan metode API dan jenis input/output yang tercantum pada kartu model. Dukungan untuk teks, gambar, audio, atau video bergantung pada model dan metode yang dipilih; periksa contoh permintaannya sebelum mengirim data Anda. Apa perbedaan antara ID model dan alias? ID model yang tepat mengidentifikasi satu model tertentu. Alias merujuk ke sebuah model dan model tujuannya dapat berubah. Periksa model yang saat ini dirujuk oleh alias dalam katalog; gunakan ID yang tepat jika integrasi Anda memerlukan model tertentu. Bagaimana cara membandingkan harga sebelum mengirim permintaan? Periksa harga dan satuan penagihan untuk metode API yang dipilih pada kartu model. Bandingkan dengan satuan serta jenis input/output yang sama; riwayat permintaan menampilkan penggunaan aktual dan jumlah yang ditagihkan. Apa manfaat langganan? Diskon pembelian token untuk pekerjaan rutin. Pilih paket sesuai volume permintaan; ketentuan dan harga langganan ditampilkan saat pendaftaran. Bagaimana memakai kode promo dengan diskon hingga 50%? Masukkan kode promo saat membeli token. Total dihitung ulang sesuai ketentuan promosi; besar diskon terlihat sebelum pembayaran. ## Ailoot · Perusahaan dan portofolio proyeknya Ailoot bertumpu pada pengalaman operasional yang teruji, basis pelanggan yang besar, layanan yang stabil, dan pemantauan KPI berkelanjutan. Perusahaan dan portofolio proyeknya: jutaan pelanggan; penjualan miliaran setiap bulan. Ailoot memanfaatkan pengalaman operasional ini untuk akses API ke fitur AI dalam produk pelanggan, agen, aplikasi, dan otomatisasi.