{
  "aboutHtml": "<h3>Білім базасынан мағына бойынша іздеу</h3><p>Nemotron 3.5 Embed 8B — сұраулар мен құжаттарды эмбеддингтерге айналдыратын NVIDIA моделі. Бұл сандық бейнелер сұрақ тұжырымы дереккөздегі сөздерден өзгеше болғанда мәтінді мазмұны бойынша салыстыруға көмектеседі. Модель ұйым білім базасының, анықтамалық қызметтің және жауап дайындамас бұрын құжаттарды іріктейтін қолданбаның іздеу қабатына жарайды.</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 embeddings арқылы мәтіндік кіріс пен векторлық шығыс қолжетімді. Қолданба бастапқы материал бейнесін алып, оны индекстегі жақын жазбаларды іздеуге пайдаланады. Түсіндірмесі бар тұтас жауап қажет болса, табылған мәтіндерді пайдаланушы сұрағымен бірге бөлек генерация моделіне беруге болады.</p><h3>8B нұсқасы несімен ерекшеленеді</h3><p>Мәтінді кодтау негізінде Nemotron 3 Embed 8B жатыр. 3.5 буынын жасағанда NVIDIA осы мәтіндік бөлікті және оның эмбеддинг кеңістігін сақтап, бастапқы модельді қосымша мүмкіндіктермен кеңейтті. Жарияланған карточкада токен бейнелерін орташалау мен L2-нормалау арқылы алынған 4096 мәндік шығыс сипатталған. Векторлық индекс дайындағанда оның өлшемі әдістің нақты жауабына сәйкестендірілуі керек.</p><p>Мәтіндік іздеу орыс тілін қоса 34 тілде бағаланған. Бұл модельді көптілді нұсқаулықтар мен анықтамалықтарға ортақ іздеу қабаты ретінде қарастыруға мүмкіндік береді. Іріктеу нәтижесі база құрамына, құжаттарды бөлуге және пайдаланушыларға тән сұрақтарға байланысты; оны өз салаңыз материалдарында тексерген пайдалы.</p><h3>Жұмыс үдерісі</h3><ol><li>Бастапқы құжаттарды әрқайсысында аяқталған жауап не түсіндірме бар үзінділерге бөліңіз.</li><li>Эмбеддингтерін алып, оларды мәтінмен, тақырыппен және дереккөз сілтемесімен бірге сақтаңыз.</li><li>Пайдаланушы сұрағын сол модельмен түрлендіріп, жақын жазбаларды табыңыз.</li><li>Табылған үзінділерді көрсетіңіз не дереккөзге сүйенген жауап дайындау үшін RAG-та пайдаланыңыз.</li></ol><h3>Кіріс көлемі</h3><p>Бұл нұсқаға Ailoot мәтіндік контекст пен 32768 токендік кіріс шегін көрсетеді. Ұзын құжат үзінділерін бастапқы материалға ортақ сілтемесі бар дербес жазбалар ретінде сақтауға болады. Модельдің қолжетімді нәтижесі — қолданба әрі қарай өңдеуде пайдаланатын мәтін эмбеддингі.</p>",
  "aboutText": "### Білім базасынан мағына бойынша іздеу\n\nNemotron 3.5 Embed 8B — сұраулар мен құжаттарды эмбеддингтерге айналдыратын NVIDIA моделі. Бұл сандық бейнелер сұрақ тұжырымы дереккөздегі сөздерден өзгеше болғанда мәтінді мазмұны бойынша салыстыруға көмектеседі. Модель ұйым білім базасының, анықтамалық қызметтің және жауап дайындамас бұрын құжаттарды іріктейтін қолданбаның іздеу қабатына жарайды.\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 embeddings арқылы мәтіндік кіріс пен векторлық шығыс қолжетімді. Қолданба бастапқы материал бейнесін алып, оны индекстегі жақын жазбаларды іздеуге пайдаланады. Түсіндірмесі бар тұтас жауап қажет болса, табылған мәтіндерді пайдаланушы сұрағымен бірге бөлек генерация моделіне беруге болады.\n\n### 8B нұсқасы несімен ерекшеленеді\n\nМәтінді кодтау негізінде Nemotron 3 Embed 8B жатыр. 3.5 буынын жасағанда NVIDIA осы мәтіндік бөлікті және оның эмбеддинг кеңістігін сақтап, бастапқы модельді қосымша мүмкіндіктермен кеңейтті. Жарияланған карточкада токен бейнелерін орташалау мен L2-нормалау арқылы алынған 4096 мәндік шығыс сипатталған. Векторлық индекс дайындағанда оның өлшемі әдістің нақты жауабына сәйкестендірілуі керек.\n\nМәтіндік іздеу орыс тілін қоса 34 тілде бағаланған. Бұл модельді көптілді нұсқаулықтар мен анықтамалықтарға ортақ іздеу қабаты ретінде қарастыруға мүмкіндік береді. Іріктеу нәтижесі база құрамына, құжаттарды бөлуге және пайдаланушыларға тән сұрақтарға байланысты; оны өз салаңыз материалдарында тексерген пайдалы.\n\n### Жұмыс үдерісі\n\n1. Бастапқы құжаттарды әрқайсысында аяқталған жауап не түсіндірме бар үзінділерге бөліңіз.\n2. Эмбеддингтерін алып, оларды мәтінмен, тақырыппен және дереккөз сілтемесімен бірге сақтаңыз.\n3. Пайдаланушы сұрағын сол модельмен түрлендіріп, жақын жазбаларды табыңыз.\n4. Табылған үзінділерді көрсетіңіз не дереккөзге сүйенген жауап дайындау үшін RAG-та пайдаланыңыз.\n\n### Кіріс көлемі\n\nБұл нұсқаға Ailoot мәтіндік контекст пен 32768 токендік кіріс шегін көрсетеді. Ұзын құжат үзінділерін бастапқы материалға ортақ сілтемесі бар дербес жазбалар ретінде сақтауға болады. Модельдің қолжетімді нәтижесі — қолданба әрі қарай өңдеуде пайдаланатын мәтін эмбеддингі.",
  "locale": "kk",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</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>32 768 <em>токен</em></dd></div><div><dt>Жауаптың ең көп көлемі</dt><dd>Каталогта көрсетілмеген</dd></div></dl><dl><div><dt>Кіріс</dt><dd>0,00 $ <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/kk/nvidia-nemotron-3-5-embed-8b-free/",
    "description": "Құжаттар бойынша мағыналық іздеу мен RAG құруға арналған NVIDIA көптілді мәтіндік эмбеддингтері.",
    "locale": "kk",
    "md_url": "https://ailoot.ai/models/kk/nvidia-nemotron-3-5-embed-8b-free/index.md",
    "title": "NVIDIA: Nemotron 3.5 Embed 8B (free)",
    "url": "https://ailoot.ai/models/kk/nvidia-nemotron-3-5-embed-8b-free/"
  },
  "rawModel": {
    "about": "### Білім базасынан мағына бойынша іздеу\n\nNemotron 3.5 Embed 8B — сұраулар мен құжаттарды эмбеддингтерге айналдыратын NVIDIA моделі. Бұл сандық бейнелер сұрақ тұжырымы дереккөздегі сөздерден өзгеше болғанда мәтінді мазмұны бойынша салыстыруға көмектеседі. Модель ұйым білім базасының, анықтамалық қызметтің және жауап дайындамас бұрын құжаттарды іріктейтін қолданбаның іздеу қабатына жарайды.\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 embeddings арқылы мәтіндік кіріс пен векторлық шығыс қолжетімді. Қолданба бастапқы материал бейнесін алып, оны индекстегі жақын жазбаларды іздеуге пайдаланады. Түсіндірмесі бар тұтас жауап қажет болса, табылған мәтіндерді пайдаланушы сұрағымен бірге бөлек генерация моделіне беруге болады.\n\n### 8B нұсқасы несімен ерекшеленеді\n\nМәтінді кодтау негізінде Nemotron 3 Embed 8B жатыр. 3.5 буынын жасағанда NVIDIA осы мәтіндік бөлікті және оның эмбеддинг кеңістігін сақтап, бастапқы модельді қосымша мүмкіндіктермен кеңейтті. Жарияланған карточкада токен бейнелерін орташалау мен L2-нормалау арқылы алынған 4096 мәндік шығыс сипатталған. Векторлық индекс дайындағанда оның өлшемі әдістің нақты жауабына сәйкестендірілуі керек.\n\nМәтіндік іздеу орыс тілін қоса 34 тілде бағаланған. Бұл модельді көптілді нұсқаулықтар мен анықтамалықтарға ортақ іздеу қабаты ретінде қарастыруға мүмкіндік береді. Іріктеу нәтижесі база құрамына, құжаттарды бөлуге және пайдаланушыларға тән сұрақтарға байланысты; оны өз салаңыз материалдарында тексерген пайдалы.\n\n### Жұмыс үдерісі\n\n1. Бастапқы құжаттарды әрқайсысында аяқталған жауап не түсіндірме бар үзінділерге бөліңіз.\n2. Эмбеддингтерін алып, оларды мәтінмен, тақырыппен және дереккөз сілтемесімен бірге сақтаңыз.\n3. Пайдаланушы сұрағын сол модельмен түрлендіріп, жақын жазбаларды табыңыз.\n4. Табылған үзінділерді көрсетіңіз не дереккөзге сүйенген жауап дайындау үшін RAG-та пайдаланыңыз.\n\n### Кіріс көлемі\n\nБұл нұсқаға Ailoot мәтіндік контекст пен 32768 токендік кіріс шегін көрсетеді. Ұзын құжат үзінділерін бастапқы материалға ортақ сілтемесі бар дербес жазбалар ретінде сақтауға болады. Модельдің қолжетімді нәтижесі — қолданба әрі қарай өңдеуде пайдаланатын мәтін эмбеддингі.",
    "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": "Құжаттар бойынша мағыналық іздеу мен RAG құруға арналған NVIDIA көптілді 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": "Құжаттар бойынша мағыналық іздеу мен RAG құруға арналған NVIDIA көптілді мәтіндік эмбеддингтері.",
  "source": {
    "audit_sha256": "e7bacb67256d19576a6adc6ce22ea87b44e1aa5bbce9f74f0f6fee0a8dcfb2ef",
    "bridge_map_sha256": "e7bacb67256d19576a6adc6ce22ea87b44e1aa5bbce9f74f0f6fee0a8dcfb2ef",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "ea4a1eb5069315f2c314138f403a2969f85a3337a3f83614704e5d823fb145ac",
      "renderer_sha256": "c4a9685c73b4ea4d57c8bbf85dbb5a5225b4f584bf13aca286c250cc74300f20"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "ea4a1eb5069315f2c314138f403a2969f85a3337a3f83614704e5d823fb145ac",
    "renderer_sha256": "c4a9685c73b4ea4d57c8bbf85dbb5a5225b4f584bf13aca286c250cc74300f20"
  },
  "sourceRevision": "8134cfb163039a051e4bee6814eaa3c4caaa778b059e76d1eb20d52107fe7797"
}