Source: https://ailoot.ai/models/it/nvidia-nemotron-3-5-embed-8b-free/ Canonical: https://ailoot.ai/models/it/nvidia-nemotron-3-5-embed-8b-free/ Language: it # NVIDIA: Nemotron 3.5 Embed 8B (free) [Markdown](https://ailoot.ai/models/it/nvidia-nemotron-3-5-embed-8b-free/index.md) · [JSON](https://ailoot.ai/models/it/nvidia-nemotron-3-5-embed-8b-free/facts.json) ## [NVIDIA: Nemotron 3.5 Embed 8B (free)](https://ailoot.ai/models/it/nvidia-nemotron-3-5-embed-8b-free/) `nvidia/nemotron-3.5-embed-8b:free` NVIDIAEmbeddingInput 0,00 USD / 1KOutput — Embedding testuali multilingue NVIDIA per la ricerca semantica nei documenti e la costruzione di sistemi RAG. ### Ricerca per significato nella base di conoscenza 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. ### Cosa distingue la versione 8B 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. ### Processo di lavoro 1. Dividere i documenti originali in frammenti, ognuno con una risposta o spiegazione completa. 2. Ottenere gli embedding e conservarli con testo, titolo e riferimento alla fonte. 3. Trasformare la domanda dell’utente con lo stesso modello e trovare voci vicine. 4. Mostrare i frammenti trovati o usarli nel RAG per preparare una risposta basata sulle fonti. ### Dimensione dell’ingresso 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. ### Disponibile tramite Ailoot API Tipi di input `text` Tipi di output `embedding` Contesto 32.768 *token* Risposta massima Non specificato nel catalogo Input 0,00 USD */ 1K* `nvidia/nemotron-3.5-embed-8b:free` · JSON ``` {"about":"### 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.","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 testuali multilingue NVIDIA per la ricerca semantica nei documenti e la costruzione di sistemi RAG."} ``` ## Domande Come scelgo un modello per la mia attività? Individua prima l'input e l'output necessari: testo, immagini, audio o video. Poi confronta i metodi API compatibili, l'ID esatto del modello o il modello a cui punta attualmente l'alias, il prezzo e l'unità di fatturazione. GET /v1/models è gratuito ed elenca i modelli disponibili per la tua chiave. Ogni modello supporta tutti i metodi API e i tipi di contenuto? Usa i metodi API e i tipi di input/output elencati nella scheda del modello. Il supporto per testo, immagini, audio o video dipende dal modello e dal metodo selezionati; controlla il relativo esempio di richiesta prima di inviare i tuoi dati. Qual è la differenza tra un ID modello e un alias? Un ID modello esatto identifica un modello specifico. Un alias punta a un modello e il modello di destinazione può cambiare. Controlla nel catalogo a quale modello punta attualmente l'alias; usa l'ID esatto quando la tua integrazione richiede un modello specifico. Come confronto i prezzi prima di inviare una richiesta? Consulta la scheda del modello per conoscere il prezzo e l'unità di fatturazione del metodo API selezionato. Confronta la stessa unità e lo stesso tipo di input/output; la cronologia delle richieste mostra l'utilizzo effettivo e l'importo addebitato. Cosa offre l’abbonamento? Sconto sull’acquisto di token per lavoro regolare. Scegli piano per volume; condizioni e prezzo sono mostrati alla sottoscrizione. Come applico un codice fino al 50%? Inseriscilo acquistando token. Il totale segue la promozione e lo sconto è visibile prima del pagamento. ## Ailoot · L’azienda e il suo portafoglio di progetti Ailoot si basa su un’esperienza operativa consolidata, un’ampia base di clienti, un servizio stabile e un controllo costante dei KPI. L’azienda e il suo portafoglio di progetti: milioni di clienti; vendite nell’ordine dei miliardi ogni mese. Ailoot mette questa esperienza operativa al servizio dell’accesso API alle funzioni AI nei prodotti dei clienti, negli agenti, nelle applicazioni e nelle automazioni.