Nemotron 3.5 Embed 8B è un modello NVIDIA per trasformare richieste e documenti in embedding. Queste rappresentazioni numeriche aiutano a confrontare testi per contenuto quando la formulazione della domanda differisce dalle parole della fonte. Il modello è adatto al livello di ricerca di una base di conoscenza aziendale, un servizio informativo o un’applicazione che seleziona documenti prima di preparare la risposta.
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 sono disponibili ingresso testuale e uscita vettoriale tramite embeddings. L’applicazione riceve una rappresentazione del materiale iniziale e la usa per trovare voci vicine nell’indice. Se serve una risposta coerente con spiegazione, i testi trovati possono essere passati a un modello di generazione separato insieme alla domanda dell’utente.
La codifica testuale si basa su Nemotron 3 Embed 8B. Nel creare la generazione 3.5 NVIDIA ha conservato questa parte testuale e il suo spazio di embedding, ampliando il modello originario con capacità aggiuntive. La scheda pubblicata descrive un’uscita di 4096 valori, ottenuta con la media delle rappresentazioni dei token e la normalizzazione L2. La dimensionalità dell’indice vettoriale va adeguata alla risposta effettiva del metodo.
La ricerca testuale è stata valutata su 34 lingue, compreso il russo. Per istruzioni e manuali multilingue questo permette di considerare il modello come livello comune di ricerca. Il recupero dipende da composizione della base, suddivisione dei documenti e domande tipiche degli utenti; è utile verificarlo su materiali del proprio settore.
Per questa variante Ailoot indica un contesto testuale e un limite di ingresso di 32768 token. I frammenti di un documento lungo possono essere conservati come voci autonome con un riferimento comune al materiale originale. Il risultato disponibile del modello è un embedding del testo, che l’applicazione usa nelle elaborazioni successive.
", "aboutText": "### Ricerca per significato nella base di conoscenza\n\nNemotron 3.5 Embed 8B è un modello NVIDIA per trasformare richieste e documenti in embedding. Queste rappresentazioni numeriche aiutano a confrontare testi per contenuto quando la formulazione della domanda differisce dalle parole della fonte. Il modello è adatto al livello di ricerca di una base di conoscenza aziendale, un servizio informativo o un’applicazione che seleziona documenti prima di preparare la risposta.\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 sono disponibili ingresso testuale e uscita vettoriale tramite embeddings. L’applicazione riceve una rappresentazione del materiale iniziale e la usa per trovare voci vicine nell’indice. Se serve una risposta coerente con spiegazione, i testi trovati possono essere passati a un modello di generazione separato insieme alla domanda dell’utente.\n\n### Cosa distingue la versione 8B\n\nLa codifica testuale si basa su Nemotron 3 Embed 8B. Nel creare la generazione 3.5 NVIDIA ha conservato questa parte testuale e il suo spazio di embedding, ampliando il modello originario con capacità aggiuntive. La scheda pubblicata descrive un’uscita di 4096 valori, ottenuta con la media delle rappresentazioni dei token e la normalizzazione L2. La dimensionalità dell’indice vettoriale va adeguata alla risposta effettiva del metodo.\n\nLa ricerca testuale è stata valutata su 34 lingue, compreso il russo. Per istruzioni e manuali multilingue questo permette di considerare il modello come livello comune di ricerca. Il recupero dipende da composizione della base, suddivisione dei documenti e domande tipiche degli utenti; è utile verificarlo su materiali del proprio settore.\n\n### Processo di lavoro\n\n1. Dividere i documenti originali in frammenti, ognuno con una risposta o spiegazione completa.\n2. Ottenere gli embedding e conservarli con testo, titolo e riferimento alla fonte.\n3. Trasformare la domanda dell’utente con lo stesso modello e trovare voci vicine.\n4. Mostrare i frammenti trovati o usarli nel RAG per preparare una risposta basata sulle fonti.\n\n### Dimensione dell’ingresso\n\nPer questa variante Ailoot indica un contesto testuale e un limite di ingresso di 32768 token. I frammenti di un documento lungo possono essere conservati come voci autonome con un riferimento comune al materiale originale. Il risultato disponibile del modello è un embedding del testo, che l’applicazione usa nelle elaborazioni successive.", "locale": "it", "methods": [ { "html": "POST /v1/embeddingstextembedding