{
  "aboutHtml": "<h3>지식 기반에서 의미로 검색하기</h3><p>Nemotron 3.5 Embed 8B는 검색 요청과 문서를 임베딩으로 변환하는 NVIDIA 모델입니다. 이 숫자 표현은 질문의 문구가 원자료와 다를 때도 내용을 기준으로 텍스트를 비교하게 해 줍니다. 기업 지식 기반, 정보 안내 서비스, 답변 준비 전에 문서를 고르는 애플리케이션의 검색 계층에 적합합니다.</p><p>NVIDIA의 원본 모델은 텍스트와 문서 이미지를 하나의 표현 공간에 통합하며, 3.5 세대에는 페이지의 시각적 내용 검색이 추가되었습니다. Ailoot의 이 모델 카드는 그중 텍스트 작업을 사용합니다. 텍스트를 입력하고 벡터를 출력합니다.</p><p>Ailoot에서는 embeddings를 통해 텍스트 입력과 벡터 출력을 제공합니다. 애플리케이션은 원자료의 표현을 받아 인덱스에서 가까운 항목을 찾습니다. 설명이 있는 연결된 답변이 필요하면 검색한 텍스트와 사용자 질문을 별도 생성 모델에 전달할 수 있습니다.</p><h3>8B 버전의 차이</h3><p>텍스트 인코딩은 Nemotron 3 Embed 8B를 기반으로 합니다. NVIDIA는 3.5 세대를 만들면서 이 텍스트 부분과 임베딩 공간을 유지하고 원본 모델에 추가 기능을 더했습니다. 공개된 모델 카드는 토큰 표현 평균과 L2 정규화로 얻은 4,096개 값의 출력을 설명합니다. 벡터 인덱스를 준비할 때는 실제 메서드 응답에 차원을 맞춰야 합니다.</p><p>텍스트 검색은 러시아어를 포함한 34개 언어에서 평가되었습니다. 다국어 지침과 참고 자료를 위한 공통 검색 계층으로 고려할 수 있습니다. 검색 결과는 자료 구성, 문서 분할, 사용자의 대표 질문에 영향을 받으므로 해당 분야의 자료로 확인하면 좋습니다.</p><h3>작업 과정</h3><ol><li>원본 문서를 완결된 답변이나 설명이 담긴 조각으로 나눕니다.</li><li>임베딩을 얻고 텍스트, 제목, 원본 참조와 함께 저장합니다.</li><li>같은 모델로 사용자 질문을 변환하고 가까운 항목을 찾습니다.</li><li>검색한 조각을 보여 주거나 자료에 근거한 답변을 준비하는 RAG에 사용합니다.</li></ol><h3>입력 크기</h3><p>이 Ailoot 버전의 텍스트 맥락과 입력 한도는 32,768토큰입니다. 긴 문서의 조각은 원자료에 대한 공통 참조를 가진 독립 항목으로 저장할 수 있습니다. 모델이 제공하는 결과는 텍스트 임베딩이며 애플리케이션이 후속 처리에 활용합니다.</p>",
  "aboutText": "### 지식 기반에서 의미로 검색하기\n\nNemotron 3.5 Embed 8B는 검색 요청과 문서를 임베딩으로 변환하는 NVIDIA 모델입니다. 이 숫자 표현은 질문의 문구가 원자료와 다를 때도 내용을 기준으로 텍스트를 비교하게 해 줍니다. 기업 지식 기반, 정보 안내 서비스, 답변 준비 전에 문서를 고르는 애플리케이션의 검색 계층에 적합합니다.\n\nNVIDIA의 원본 모델은 텍스트와 문서 이미지를 하나의 표현 공간에 통합하며, 3.5 세대에는 페이지의 시각적 내용 검색이 추가되었습니다. Ailoot의 이 모델 카드는 그중 텍스트 작업을 사용합니다. 텍스트를 입력하고 벡터를 출력합니다.\n\nAiloot에서는 embeddings를 통해 텍스트 입력과 벡터 출력을 제공합니다. 애플리케이션은 원자료의 표현을 받아 인덱스에서 가까운 항목을 찾습니다. 설명이 있는 연결된 답변이 필요하면 검색한 텍스트와 사용자 질문을 별도 생성 모델에 전달할 수 있습니다.\n\n### 8B 버전의 차이\n\n텍스트 인코딩은 Nemotron 3 Embed 8B를 기반으로 합니다. NVIDIA는 3.5 세대를 만들면서 이 텍스트 부분과 임베딩 공간을 유지하고 원본 모델에 추가 기능을 더했습니다. 공개된 모델 카드는 토큰 표현 평균과 L2 정규화로 얻은 4,096개 값의 출력을 설명합니다. 벡터 인덱스를 준비할 때는 실제 메서드 응답에 차원을 맞춰야 합니다.\n\n텍스트 검색은 러시아어를 포함한 34개 언어에서 평가되었습니다. 다국어 지침과 참고 자료를 위한 공통 검색 계층으로 고려할 수 있습니다. 검색 결과는 자료 구성, 문서 분할, 사용자의 대표 질문에 영향을 받으므로 해당 분야의 자료로 확인하면 좋습니다.\n\n### 작업 과정\n\n1. 원본 문서를 완결된 답변이나 설명이 담긴 조각으로 나눕니다.\n2. 임베딩을 얻고 텍스트, 제목, 원본 참조와 함께 저장합니다.\n3. 같은 모델로 사용자 질문을 변환하고 가까운 항목을 찾습니다.\n4. 검색한 조각을 보여 주거나 자료에 근거한 답변을 준비하는 RAG에 사용합니다.\n\n### 입력 크기\n\n이 Ailoot 버전의 텍스트 맥락과 입력 한도는 32,768토큰입니다. 긴 문서의 조각은 원자료에 대한 공통 참조를 가진 독립 항목으로 저장할 수 있습니다. 모델이 제공하는 결과는 텍스트 임베딩이며 애플리케이션이 후속 처리에 활용합니다.",
  "locale": "ko",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> 임베딩</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>입력</dt><dd><code>text</code></dd></div><div><dt>출력</dt><dd><code>embedding</code></dd></div><div><dt>컨텍스트</dt><dd>32,768 <em>토큰</em></dd></div><div><dt>최대 출력</dt><dd>카탈로그에 명시되지 않음</dd></div></dl><dl><div><dt>입력</dt><dd>US$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/ko/nvidia-nemotron-3-5-embed-8b-free/",
    "description": "문서의 의미 검색과 RAG 구축을 위한 NVIDIA의 다국어 텍스트 임베딩 모델입니다.",
    "locale": "ko",
    "md_url": "https://ailoot.ai/models/ko/nvidia-nemotron-3-5-embed-8b-free/index.md",
    "title": "NVIDIA: Nemotron 3.5 Embed 8B (free)",
    "url": "https://ailoot.ai/models/ko/nvidia-nemotron-3-5-embed-8b-free/"
  },
  "rawModel": {
    "about": "### 지식 기반에서 의미로 검색하기\n\nNemotron 3.5 Embed 8B는 검색 요청과 문서를 임베딩으로 변환하는 NVIDIA 모델입니다. 이 숫자 표현은 질문의 문구가 원자료와 다를 때도 내용을 기준으로 텍스트를 비교하게 해 줍니다. 기업 지식 기반, 정보 안내 서비스, 답변 준비 전에 문서를 고르는 애플리케이션의 검색 계층에 적합합니다.\n\nNVIDIA의 원본 모델은 텍스트와 문서 이미지를 하나의 표현 공간에 통합하며, 3.5 세대에는 페이지의 시각적 내용 검색이 추가되었습니다. Ailoot의 이 모델 카드는 그중 텍스트 작업을 사용합니다. 텍스트를 입력하고 벡터를 출력합니다.\n\nAiloot에서는 embeddings를 통해 텍스트 입력과 벡터 출력을 제공합니다. 애플리케이션은 원자료의 표현을 받아 인덱스에서 가까운 항목을 찾습니다. 설명이 있는 연결된 답변이 필요하면 검색한 텍스트와 사용자 질문을 별도 생성 모델에 전달할 수 있습니다.\n\n### 8B 버전의 차이\n\n텍스트 인코딩은 Nemotron 3 Embed 8B를 기반으로 합니다. NVIDIA는 3.5 세대를 만들면서 이 텍스트 부분과 임베딩 공간을 유지하고 원본 모델에 추가 기능을 더했습니다. 공개된 모델 카드는 토큰 표현 평균과 L2 정규화로 얻은 4,096개 값의 출력을 설명합니다. 벡터 인덱스를 준비할 때는 실제 메서드 응답에 차원을 맞춰야 합니다.\n\n텍스트 검색은 러시아어를 포함한 34개 언어에서 평가되었습니다. 다국어 지침과 참고 자료를 위한 공통 검색 계층으로 고려할 수 있습니다. 검색 결과는 자료 구성, 문서 분할, 사용자의 대표 질문에 영향을 받으므로 해당 분야의 자료로 확인하면 좋습니다.\n\n### 작업 과정\n\n1. 원본 문서를 완결된 답변이나 설명이 담긴 조각으로 나눕니다.\n2. 임베딩을 얻고 텍스트, 제목, 원본 참조와 함께 저장합니다.\n3. 같은 모델로 사용자 질문을 변환하고 가까운 항목을 찾습니다.\n4. 검색한 조각을 보여 주거나 자료에 근거한 답변을 준비하는 RAG에 사용합니다.\n\n### 입력 크기\n\n이 Ailoot 버전의 텍스트 맥락과 입력 한도는 32,768토큰입니다. 긴 문서의 조각은 원자료에 대한 공통 참조를 가진 독립 항목으로 저장할 수 있습니다. 모델이 제공하는 결과는 텍스트 임베딩이며 애플리케이션이 후속 처리에 활용합니다.",
    "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": "문서의 의미 검색과 RAG 구축을 위한 NVIDIA의 다국어 텍스트 임베딩 모델입니다."
  },
  "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": "문서의 의미 검색과 RAG 구축을 위한 NVIDIA의 다국어 텍스트 임베딩 모델입니다.",
  "source": {
    "audit_sha256": "d9b4b0f0e73a7cfe38aceb2398828e7a0e298e86755e0947cf7cdd8ca2ecd6da",
    "bridge_map_sha256": "d9b4b0f0e73a7cfe38aceb2398828e7a0e298e86755e0947cf7cdd8ca2ecd6da",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "8d455651e8f2045b3a7aabf3443d7f31cfc3010279278c360a602a5bd8365ada",
      "renderer_sha256": "8c63aea58b95b2b3c347836d12970c712e9a7a6a3f5df7c471fe5f48478ffbc4"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "8d455651e8f2045b3a7aabf3443d7f31cfc3010279278c360a602a5bd8365ada",
    "renderer_sha256": "8c63aea58b95b2b3c347836d12970c712e9a7a6a3f5df7c471fe5f48478ffbc4"
  },
  "sourceRevision": "664c09a482570533acf69fa330c64cd57f31f52649d6a7d93a5ac5fb8904eb59"
}