{
  "aboutHtml": "<h3>ナレッジベースの意味検索</h3><p>Nemotron 3.5 Embed 8Bは、質問と文書を埋め込みに変換するNVIDIAのモデルです。この数値表現により、質問の言葉が元資料と異なっていても内容を比較できます。社内ナレッジベース、情報案内サービス、回答前に文書を抽出するアプリケーションの検索部分に適しています。</p><p>元のNVIDIAモデルは文章と文書画像を共通の表現空間で扱い、3.5世代ではページの視覚的内容を使った検索が加わっています。Ailootのこのモデルカードでは、そのテキスト処理を使い、文章を入力してベクトルを出力します。</p><p>Ailootではembeddingsを通してテキスト入力とベクトル出力を利用できます。アプリケーションは元資料の表現を受け取り、インデックス内の近い項目を探します。説明を伴うまとまった回答が必要なら、見つかった文章を利用者の質問と共に別の生成モデルへ渡せます。</p><h3>8B版の違い</h3><p>テキストの符号化はNemotron 3 Embed 8Bを基盤としています。NVIDIAは3.5世代を作る際、そのテキスト部分と埋め込み空間を保ち、元のモデルに追加機能を持たせました。公開モデルカードでは、トークン表現の平均化とL2正規化によって得る4,096個の値の出力が説明されています。ベクトルインデックスの次元数は、メソッドの実際の回答に合わせてください。</p><p>テキスト検索はロシア語を含む34言語で評価されています。多言語の手順書や参考資料を検索する共通層の候補になります。抽出結果は文書群の構成、区切り方、利用者によくある質問に左右されるため、自分の分野の資料で確認すると役立ちます。</p><h3>作業手順</h3><ol><li>元文書を、完結した回答や説明を含む部分に分けます。</li><li>埋め込みを取得し、文章、見出し、元資料への参照と一緒に保存します。</li><li>同じモデルで利用者の質問を変換し、近い項目を探します。</li><li>見つかった部分を表示するか、資料に基づく回答のためにRAGで利用します。</li></ol><h3>入力の大きさ</h3><p>このAiloot版ではテキストコンテキストと入力の上限が32,768トークンと記載されています。長い文書の各部分を、共通の元資料参照を持つ独立した項目として保存できます。モデルの結果は文章の埋め込みであり、アプリケーションの後続処理に使用します。</p>",
  "aboutText": "### ナレッジベースの意味検索\n\nNemotron 3.5 Embed 8Bは、質問と文書を埋め込みに変換するNVIDIAのモデルです。この数値表現により、質問の言葉が元資料と異なっていても内容を比較できます。社内ナレッジベース、情報案内サービス、回答前に文書を抽出するアプリケーションの検索部分に適しています。\n\n元のNVIDIAモデルは文章と文書画像を共通の表現空間で扱い、3.5世代ではページの視覚的内容を使った検索が加わっています。Ailootのこのモデルカードでは、そのテキスト処理を使い、文章を入力してベクトルを出力します。\n\nAilootではembeddingsを通してテキスト入力とベクトル出力を利用できます。アプリケーションは元資料の表現を受け取り、インデックス内の近い項目を探します。説明を伴うまとまった回答が必要なら、見つかった文章を利用者の質問と共に別の生成モデルへ渡せます。\n\n### 8B版の違い\n\nテキストの符号化はNemotron 3 Embed 8Bを基盤としています。NVIDIAは3.5世代を作る際、そのテキスト部分と埋め込み空間を保ち、元のモデルに追加機能を持たせました。公開モデルカードでは、トークン表現の平均化とL2正規化によって得る4,096個の値の出力が説明されています。ベクトルインデックスの次元数は、メソッドの実際の回答に合わせてください。\n\nテキスト検索はロシア語を含む34言語で評価されています。多言語の手順書や参考資料を検索する共通層の候補になります。抽出結果は文書群の構成、区切り方、利用者によくある質問に左右されるため、自分の分野の資料で確認すると役立ちます。\n\n### 作業手順\n\n1. 元文書を、完結した回答や説明を含む部分に分けます。\n2. 埋め込みを取得し、文章、見出し、元資料への参照と一緒に保存します。\n3. 同じモデルで利用者の質問を変換し、近い項目を探します。\n4. 見つかった部分を表示するか、資料に基づく回答のためにRAGで利用します。\n\n### 入力の大きさ\n\nこのAiloot版ではテキストコンテキストと入力の上限が32,768トークンと記載されています。長い文書の各部分を、共通の元資料参照を持つ独立した項目として保存できます。モデルの結果は文章の埋め込みであり、アプリケーションの後続処理に使用します。",
  "locale": "ja",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> 埋め込み</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>入力の種類</dt><dd><code>text</code></dd></div><div><dt>出力の種類</dt><dd><code>embedding</code></dd></div><div><dt>コンテキスト</dt><dd>32,768 <em>トークン</em></dd></div><div><dt>最大出力</dt><dd>カタログに記載なし</dd></div></dl><dl><div><dt>入力</dt><dd>$0.00 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "nvidia/nemotron-3.5-embed-8b:free",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "nvidia/nemotron-3.5-embed-8b:free",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|nvidia%2Fnemotron-3.5-embed-8b%3Afree",
      "ordinal": 0,
      "rawMethod": {
        "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_id": "nvidia/nemotron-3.5-embed-8b:free",
  "page": {
    "canonical": "https://ailoot.ai/models/ja/nvidia-nemotron-3-5-embed-8b-free/",
    "description": "文書の意味検索とRAGの構築に向けた、NVIDIAの多言語テキスト埋め込みモデルです。",
    "locale": "ja",
    "md_url": "https://ailoot.ai/models/ja/nvidia-nemotron-3-5-embed-8b-free/index.md",
    "title": "NVIDIA: Nemotron 3.5 Embed 8B (free)",
    "url": "https://ailoot.ai/models/ja/nvidia-nemotron-3-5-embed-8b-free/"
  },
  "rawModel": {
    "about": "### ナレッジベースの意味検索\n\nNemotron 3.5 Embed 8Bは、質問と文書を埋め込みに変換するNVIDIAのモデルです。この数値表現により、質問の言葉が元資料と異なっていても内容を比較できます。社内ナレッジベース、情報案内サービス、回答前に文書を抽出するアプリケーションの検索部分に適しています。\n\n元のNVIDIAモデルは文章と文書画像を共通の表現空間で扱い、3.5世代ではページの視覚的内容を使った検索が加わっています。Ailootのこのモデルカードでは、そのテキスト処理を使い、文章を入力してベクトルを出力します。\n\nAilootではembeddingsを通してテキスト入力とベクトル出力を利用できます。アプリケーションは元資料の表現を受け取り、インデックス内の近い項目を探します。説明を伴うまとまった回答が必要なら、見つかった文章を利用者の質問と共に別の生成モデルへ渡せます。\n\n### 8B版の違い\n\nテキストの符号化はNemotron 3 Embed 8Bを基盤としています。NVIDIAは3.5世代を作る際、そのテキスト部分と埋め込み空間を保ち、元のモデルに追加機能を持たせました。公開モデルカードでは、トークン表現の平均化とL2正規化によって得る4,096個の値の出力が説明されています。ベクトルインデックスの次元数は、メソッドの実際の回答に合わせてください。\n\nテキスト検索はロシア語を含む34言語で評価されています。多言語の手順書や参考資料を検索する共通層の候補になります。抽出結果は文書群の構成、区切り方、利用者によくある質問に左右されるため、自分の分野の資料で確認すると役立ちます。\n\n### 作業手順\n\n1. 元文書を、完結した回答や説明を含む部分に分けます。\n2. 埋め込みを取得し、文章、見出し、元資料への参照と一緒に保存します。\n3. 同じモデルで利用者の質問を変換し、近い項目を探します。\n4. 見つかった部分を表示するか、資料に基づく回答のためにRAGで利用します。\n\n### 入力の大きさ\n\nこのAiloot版ではテキストコンテキストと入力の上限が32,768トークンと記載されています。長い文書の各部分を、共通の元資料参照を持つ独立した項目として保存できます。モデルの結果は文章の埋め込みであり、アプリケーションの後続処理に使用します。",
    "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": "文書の意味検索とRAGの構築に向けた、NVIDIAの多言語テキスト埋め込みモデルです。"
  },
  "renderer_schema": {
    "method_order": "rawModel.methods-ordinal",
    "prices": "exact-native-DTO-units-and-selected-renderer-html"
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "文書の意味検索とRAGの構築に向けた、NVIDIAの多言語テキスト埋め込みモデルです。",
  "source": {
    "audit_sha256": "fa8a9e8b8b3bce3f9a62574f0f24c17ff496c283333fcf15b2148851659aaf3e",
    "bridge_map_sha256": "fa8a9e8b8b3bce3f9a62574f0f24c17ff496c283333fcf15b2148851659aaf3e",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "aeb8351084e400eef409d451715e6bd2c8e04e171de9b08288f4265a9e932b14",
      "renderer_sha256": "1040c614d3637bc5bf28c97d445c529cdd141dbe0e11f6de9820bc6d2e53724b"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "aeb8351084e400eef409d451715e6bd2c8e04e171de9b08288f4265a9e932b14",
    "renderer_sha256": "1040c614d3637bc5bf28c97d445c529cdd141dbe0e11f6de9820bc6d2e53724b"
  },
  "sourceRevision": "d4f7bac65eff0baa3204be0ed9079d6adc866e570ed5995ee55759fa7e05ec6d"
}