nvidia/nemotron-3.5-embed-1b

{"about":"### 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 4096 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.","alias_of":null,"aliases":[],"author":"NVIDIA","canonical_model":"nvidia/nemotron-3.5-embed-1b","ctx":4096,"formats":["embeddings"],"id":"nvidia/nemotron-3.5-embed-1b","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":4096,"family":"openai","fast_multiplier":null,"flex_multiplier":null,"fmt":"embeddings","http":"POST","img_in":null,"img_out":null,"in":0.1,"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","route_label":"Core","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"nvidia/nemotron-3.5-embed-1b","request_model_id":"nvidia/nemotron-3.5-embed-1b","route_label":"Core"}],"name":"nvidia/nemotron-3.5-embed-1b","price":{"in":0.1,"in_label":null,"out":null,"out_label":null,"sort_in":0.1,"sort_out":null,"varies":false},"public_id":"nvidia/nemotron-3.5-embed-1b","short":"Embedding testuali NVIDIA per la ricerca semantica multilingue e la selezione delle fonti nel RAG."}