{
  "aboutHtml": "<h3>Мәтіндер бойынша мағыналық іздеу</h3><p>Nemotron 3.5 Embed 1B мәтінді мазмұнының сандық бейнесіне айналдырады. NVIDIA моделі құжаттарды мағынасы бойынша іздеуге арналған: сұрақ пен сәйкес үзінді әртүрлі сөзбен тұжырымдалуы мүмкін. Бұл нәтиже анықтамалықтар, ішкі нұсқаулықтар, мақалалар және қолдау қызметінің жауаптар базасы бойынша іздеуде қолданылады.</p><p>Бастапқы NVIDIA моделі мәтін мен құжат кескіндерін ортақ бейнелеу кеңістігіне біріктіреді; 3.5 буыны беттердің көрнекі мазмұны бойынша іздеуді қосады. Осы Ailoot карточкасында оның мәтіндік сценарийі пайдаланылады: кірісте мәтін, шығыста вектор.</p><p>Ailoot-та модель embeddings әдісі арқылы мәтін қабылдап, вектор қайтарады. Вектор сұрауды құжаттармен салыстыруға қызмет етеді; пайдаланушыға дайын жауап қолданбаның келесі кезеңінде құрылады. Бұл дереккөз іздеу мен соларға сүйенген жауап дайындауды бөлек ұйымдастыруға мүмкіндік береді.</p><h3>Іздеуді қалай құру керек</h3><p>Алдымен материалдарды аяқталған мағыналық үзінділерге бөліп, әрқайсысына эмбеддинг алыңыз. Векторды бастапқы мәтінмен, құжат атауымен және идентификаторымен бірге сақтаңыз. Іздегенде сұрақты сол модельмен түрлендіріп, индекстен жақын векторларды таңдаңыз. Табылған үзінділерді пайдаланушыға көрсетуге не мәтіндік модельге құжатқа сүйенетін жауап контексті ретінде беруге болады.</p><p>Сұраулар мен құжаттарға бөлек бейнелер қолданылады, кейін олар бір іздеу үдерісінде салыстырылады. Корпус дайындағанда тұжырым мен оны түсіндіретін контексті қатар сақтаған пайдалы: сонда табылған үзіндіні дербес оқып, бастапқы құжатпен байланыстыруға болады.</p><h3>Модель ерекшеліктері</h3><p>1B нұсқасы үлкенірек Nemotron 3.5 Embed 8B-ді мұғалім модель ретінде пайдаланып алынған. Мәтіндік бөлігі Nemotron 3 Embed 1B-ге негізделіп, оның мәтіндік бейнелеу кеңістігін сақтайды. Бастапқы модель сипаттамасында L2-нормаланған 2048 мәнді вектор көрсетілген. Индекс жобалағанда таңдалған әдістің нақты жауабы өлшемін тексеріп, осы қасиетті ескерген пайдалы.</p><p>Мәтіндік іздеу орыс тілін қоса 34 тілде бағаланған. Бұл қамту модельді көптілді білім базасына үміткер етеді; үзінді таңдау сапасын өз салаңыздың нақты сұрақтары мен құжаттарында бағалаған жөн.</p><h3>Кіріс және сұрау көлемі</h3><p>Ailoot-тың қазіргі мәтіндік әдісі бір кіріске 4096 токен шегін белгілейді. Ұзын материалдарды дереккөзге өз сілтемелері бар бөлек үзінділермен индекстеу ыңғайлы. Бұл карточкада қолжетімді сценарий — кірісте мәтін, шығыста эмбеддинг.</p>",
  "aboutText": "### Мәтіндер бойынша мағыналық іздеу\n\nNemotron 3.5 Embed 1B мәтінді мазмұнының сандық бейнесіне айналдырады. NVIDIA моделі құжаттарды мағынасы бойынша іздеуге арналған: сұрақ пен сәйкес үзінді әртүрлі сөзбен тұжырымдалуы мүмкін. Бұл нәтиже анықтамалықтар, ішкі нұсқаулықтар, мақалалар және қолдау қызметінің жауаптар базасы бойынша іздеуде қолданылады.\n\nБастапқы NVIDIA моделі мәтін мен құжат кескіндерін ортақ бейнелеу кеңістігіне біріктіреді; 3.5 буыны беттердің көрнекі мазмұны бойынша іздеуді қосады. Осы Ailoot карточкасында оның мәтіндік сценарийі пайдаланылады: кірісте мәтін, шығыста вектор.\n\nAiloot-та модель embeddings әдісі арқылы мәтін қабылдап, вектор қайтарады. Вектор сұрауды құжаттармен салыстыруға қызмет етеді; пайдаланушыға дайын жауап қолданбаның келесі кезеңінде құрылады. Бұл дереккөз іздеу мен соларға сүйенген жауап дайындауды бөлек ұйымдастыруға мүмкіндік береді.\n\n### Іздеуді қалай құру керек\n\nАлдымен материалдарды аяқталған мағыналық үзінділерге бөліп, әрқайсысына эмбеддинг алыңыз. Векторды бастапқы мәтінмен, құжат атауымен және идентификаторымен бірге сақтаңыз. Іздегенде сұрақты сол модельмен түрлендіріп, индекстен жақын векторларды таңдаңыз. Табылған үзінділерді пайдаланушыға көрсетуге не мәтіндік модельге құжатқа сүйенетін жауап контексті ретінде беруге болады.\n\nСұраулар мен құжаттарға бөлек бейнелер қолданылады, кейін олар бір іздеу үдерісінде салыстырылады. Корпус дайындағанда тұжырым мен оны түсіндіретін контексті қатар сақтаған пайдалы: сонда табылған үзіндіні дербес оқып, бастапқы құжатпен байланыстыруға болады.\n\n### Модель ерекшеліктері\n\n1B нұсқасы үлкенірек Nemotron 3.5 Embed 8B-ді мұғалім модель ретінде пайдаланып алынған. Мәтіндік бөлігі Nemotron 3 Embed 1B-ге негізделіп, оның мәтіндік бейнелеу кеңістігін сақтайды. Бастапқы модель сипаттамасында L2-нормаланған 2048 мәнді вектор көрсетілген. Индекс жобалағанда таңдалған әдістің нақты жауабы өлшемін тексеріп, осы қасиетті ескерген пайдалы.\n\nМәтіндік іздеу орыс тілін қоса 34 тілде бағаланған. Бұл қамту модельді көптілді білім базасына үміткер етеді; үзінді таңдау сапасын өз салаңыздың нақты сұрақтары мен құжаттарында бағалаған жөн.\n\n### Кіріс және сұрау көлемі\n\nAiloot-тың қазіргі мәтіндік әдісі бір кіріске 4096 токен шегін белгілейді. Ұзын материалдарды дереккөзге өз сілтемелері бар бөлек үзінділермен индекстеу ыңғайлы. Бұл карточкада қолжетімді сценарий — кірісте мәтін, шығыста эмбеддинг.",
  "locale": "kk",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Core\"><header><b><span class=\"alias\">Core</span> Эмбеддингтер</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Кіріс</dt><dd><code>text</code></dd></div><div><dt>Шығыс</dt><dd><code>embedding</code></dd></div><div><dt>Контекст</dt><dd>4 096 <em>токен</em></dd></div><div><dt>Жауаптың ең көп көлемі</dt><dd>Каталогта көрсетілмеген</dd></div></dl><dl><div><dt>Кіріс</dt><dd>0,0001 $ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "nvidia/nemotron-3.5-embed-1b",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "nvidia/nemotron-3.5-embed-1b",
        "route_label": "Core"
      },
      "method_key": "Core|embeddings|/v1/embeddings|nvidia%2Fnemotron-3.5-embed-1b",
      "ordinal": 0,
      "rawMethod": {
        "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_id": "nvidia/nemotron-3.5-embed-1b",
  "page": {
    "canonical": "https://ailoot.ai/models/kk/nvidia-nemotron-3-5-embed-1b/",
    "description": "Көптілді мағыналық іздеу мен RAG-та дереккөз таңдауға арналған NVIDIA мәтіндік эмбеддингтері.",
    "locale": "kk",
    "md_url": "https://ailoot.ai/models/kk/nvidia-nemotron-3-5-embed-1b/index.md",
    "title": "nvidia/nemotron-3.5-embed-1b",
    "url": "https://ailoot.ai/models/kk/nvidia-nemotron-3-5-embed-1b/"
  },
  "rawModel": {
    "about": "### Мәтіндер бойынша мағыналық іздеу\n\nNemotron 3.5 Embed 1B мәтінді мазмұнының сандық бейнесіне айналдырады. NVIDIA моделі құжаттарды мағынасы бойынша іздеуге арналған: сұрақ пен сәйкес үзінді әртүрлі сөзбен тұжырымдалуы мүмкін. Бұл нәтиже анықтамалықтар, ішкі нұсқаулықтар, мақалалар және қолдау қызметінің жауаптар базасы бойынша іздеуде қолданылады.\n\nБастапқы NVIDIA моделі мәтін мен құжат кескіндерін ортақ бейнелеу кеңістігіне біріктіреді; 3.5 буыны беттердің көрнекі мазмұны бойынша іздеуді қосады. Осы Ailoot карточкасында оның мәтіндік сценарийі пайдаланылады: кірісте мәтін, шығыста вектор.\n\nAiloot-та модель embeddings әдісі арқылы мәтін қабылдап, вектор қайтарады. Вектор сұрауды құжаттармен салыстыруға қызмет етеді; пайдаланушыға дайын жауап қолданбаның келесі кезеңінде құрылады. Бұл дереккөз іздеу мен соларға сүйенген жауап дайындауды бөлек ұйымдастыруға мүмкіндік береді.\n\n### Іздеуді қалай құру керек\n\nАлдымен материалдарды аяқталған мағыналық үзінділерге бөліп, әрқайсысына эмбеддинг алыңыз. Векторды бастапқы мәтінмен, құжат атауымен және идентификаторымен бірге сақтаңыз. Іздегенде сұрақты сол модельмен түрлендіріп, индекстен жақын векторларды таңдаңыз. Табылған үзінділерді пайдаланушыға көрсетуге не мәтіндік модельге құжатқа сүйенетін жауап контексті ретінде беруге болады.\n\nСұраулар мен құжаттарға бөлек бейнелер қолданылады, кейін олар бір іздеу үдерісінде салыстырылады. Корпус дайындағанда тұжырым мен оны түсіндіретін контексті қатар сақтаған пайдалы: сонда табылған үзіндіні дербес оқып, бастапқы құжатпен байланыстыруға болады.\n\n### Модель ерекшеліктері\n\n1B нұсқасы үлкенірек Nemotron 3.5 Embed 8B-ді мұғалім модель ретінде пайдаланып алынған. Мәтіндік бөлігі Nemotron 3 Embed 1B-ге негізделіп, оның мәтіндік бейнелеу кеңістігін сақтайды. Бастапқы модель сипаттамасында L2-нормаланған 2048 мәнді вектор көрсетілген. Индекс жобалағанда таңдалған әдістің нақты жауабы өлшемін тексеріп, осы қасиетті ескерген пайдалы.\n\nМәтіндік іздеу орыс тілін қоса 34 тілде бағаланған. Бұл қамту модельді көптілді білім базасына үміткер етеді; үзінді таңдау сапасын өз салаңыздың нақты сұрақтары мен құжаттарында бағалаған жөн.\n\n### Кіріс және сұрау көлемі\n\nAiloot-тың қазіргі мәтіндік әдісі бір кіріске 4096 токен шегін белгілейді. Ұзын материалдарды дереккөзге өз сілтемелері бар бөлек үзінділермен индекстеу ыңғайлы. Бұл карточкада қолжетімді сценарий — кірісте мәтін, шығыста эмбеддинг.",
    "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": "Көптілді мағыналық іздеу мен RAG-та дереккөз таңдауға арналған NVIDIA мәтіндік эмбеддингтері."
  },
  "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": "Көптілді мағыналық іздеу мен RAG-та дереккөз таңдауға арналған NVIDIA мәтіндік эмбеддингтері.",
  "source": {
    "audit_sha256": "bf5c8592a21a5b4ddd4789596c82b8710923831b43dcad061d989d0f8dfea0ef",
    "bridge_map_sha256": "bf5c8592a21a5b4ddd4789596c82b8710923831b43dcad061d989d0f8dfea0ef",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "97ea95798fbdcf557f84882c5b9fa8d7c212b7a3fe46737c8a6a6f8050dc49d9",
      "renderer_sha256": "c4a9685c73b4ea4d57c8bbf85dbb5a5225b4f584bf13aca286c250cc74300f20"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "97ea95798fbdcf557f84882c5b9fa8d7c212b7a3fe46737c8a6a6f8050dc49d9",
    "renderer_sha256": "c4a9685c73b4ea4d57c8bbf85dbb5a5225b4f584bf13aca286c250cc74300f20"
  },
  "sourceRevision": "e403c81439aef492d2139e1fed9a2a06fd4df14852b1dab781a63e4e19f4c349"
}