Nemotron 3.5 Embed 1B trasforma il testo in una rappresentazione numerica del suo contenuto. Il modello NVIDIA è pensato per cercare documenti in base al significato: la domanda e il frammento pertinente possono usare parole diverse. Il risultato viene usato per la ricerca in manuali, istruzioni interne, articoli e basi di risposte dell’assistenza.
Il modello NVIDIA originario unisce testo e immagini di documenti in un unico spazio di rappresentazione; la generazione 3.5 aggiunge la ricerca sul contenuto visivo delle pagine. Questa scheda Ailoot usa lo scenario testuale: testo in ingresso e vettore in uscita.
In Ailoot il modello accetta testo tramite il metodo embeddings e restituisce un vettore. Il vettore serve a confrontare la richiesta con i documenti; una risposta completa per l’utente viene formulata nella fase successiva dell’applicazione. Si possono così organizzare separatamente il recupero delle fonti e la preparazione di una risposta basata su di esse.
Dividere prima i materiali in frammenti di senso compiuto e ottenere un embedding per ciascuno. Conservare il vettore con testo originale, titolo del documento e identificatore. Nella ricerca, trasformare la domanda con lo stesso modello e selezionare dall’indice i vettori vicini. I frammenti trovati possono essere mostrati all’utente o passati a un modello testuale come contesto per una risposta basata sui documenti.
Per richieste e documenti si usano rappresentazioni distinte, poi confrontate nello stesso processo di ricerca. Preparando il corpus è utile tenere vicine un’affermazione e il contesto che la spiega: così il frammento trovato può essere letto autonomamente e collegato al documento originale.
La versione 1B è stata ottenuta usando il più grande Nemotron 3.5 Embed 8B come modello insegnante. La parte testuale si basa su Nemotron 3 Embed 1B e ne conserva lo spazio di rappresentazione del testo. La descrizione del modello originario indica un vettore di 2048 valori con normalizzazione L2. È utile considerare questa proprietà nel progettare l’indice, verificando la dimensionalità della risposta effettiva del metodo scelto.
La ricerca testuale è stata valutata su 34 lingue, compreso il russo. Questa copertura rende il modello un candidato per una base di conoscenza multilingue; la qualità del recupero va valutata su domande e documenti reali del proprio settore.
L’attuale metodo testuale Ailoot fissa a 32768 token il limite di un singolo ingresso. I materiali più lunghi si possono indicizzare in frammenti separati con riferimenti propri alla fonte. Lo scenario disponibile in questa scheda è testo in ingresso ed embedding in uscita.
", "aboutText": "### Ricerca semantica nei testi\n\nNemotron 3.5 Embed 1B trasforma il testo in una rappresentazione numerica del suo contenuto. Il modello NVIDIA è pensato per cercare documenti in base al significato: la domanda e il frammento pertinente possono usare parole diverse. Il risultato viene usato per la ricerca in manuali, istruzioni interne, articoli e basi di risposte dell’assistenza.\n\nIl modello NVIDIA originario unisce testo e immagini di documenti in un unico spazio di rappresentazione; la generazione 3.5 aggiunge la ricerca sul contenuto visivo delle pagine. Questa scheda Ailoot usa lo scenario testuale: testo in ingresso e vettore in uscita.\n\nIn Ailoot il modello accetta testo tramite il metodo embeddings e restituisce un vettore. Il vettore serve a confrontare la richiesta con i documenti; una risposta completa per l’utente viene formulata nella fase successiva dell’applicazione. Si possono così organizzare separatamente il recupero delle fonti e la preparazione di una risposta basata su di esse.\n\n### Come costruire la ricerca\n\nDividere prima i materiali in frammenti di senso compiuto e ottenere un embedding per ciascuno. Conservare il vettore con testo originale, titolo del documento e identificatore. Nella ricerca, trasformare la domanda con lo stesso modello e selezionare dall’indice i vettori vicini. I frammenti trovati possono essere mostrati all’utente o passati a un modello testuale come contesto per una risposta basata sui documenti.\n\nPer richieste e documenti si usano rappresentazioni distinte, poi confrontate nello stesso processo di ricerca. Preparando il corpus è utile tenere vicine un’affermazione e il contesto che la spiega: così il frammento trovato può essere letto autonomamente e collegato al documento originale.\n\n### Caratteristiche del modello\n\nLa versione 1B è stata ottenuta usando il più grande Nemotron 3.5 Embed 8B come modello insegnante. La parte testuale si basa su Nemotron 3 Embed 1B e ne conserva lo spazio di rappresentazione del testo. La descrizione del modello originario indica un vettore di 2048 valori con normalizzazione L2. È utile considerare questa proprietà nel progettare l’indice, verificando la dimensionalità della risposta effettiva del metodo scelto.\n\nLa ricerca testuale è stata valutata su 34 lingue, compreso il russo. Questa copertura rende il modello un candidato per una base di conoscenza multilingue; la qualità del recupero va valutata su domande e documenti reali del proprio settore.\n\n### Ingresso e dimensione della richiesta\n\nL’attuale metodo testuale Ailoot fissa a 32768 token il limite di un singolo ingresso. I materiali più lunghi si possono indicizzare in frammenti separati con riferimenti propri alla fonte. Lo scenario disponibile in questa scheda è testo in ingresso ed embedding in uscita.", "locale": "it", "methods": [ { "html": "POST /v1/embeddingstextembedding