NVIDIA: Nemotron 3.5 Embed 1B (free)

{"about":"### Semantinė paieška tekstuose\n\nNemotron 3.5 Embed 1B paverčia tekstą skaitine jo turinio reprezentacija. NVIDIA modelis skirtas dokumentams ieškoti pagal prasmę: klausimas ir tinkama ištrauka gali būti suformuluoti skirtingais žodžiais. Toks rezultatas naudojamas paieškai žinynuose, vidaus instrukcijose, straipsniuose ir klientų aptarnavimo atsakymų bazėje.\n\nPradinis NVIDIA modelis jungia tekstą ir dokumentų vaizdus vienoje reprezentacijų erdvėje; 3.5 karta papildo paiešką pagal vizualinį puslapių turinį. Šioje Ailoot kortelėje naudojamas jo tekstinis scenarijus: įvestis yra tekstas, o išvestis — vektorius.\n\nAiloot modelis priima tekstą per embeddings metodą ir grąžina vektorių. Vektorius naudojamas užklausai su dokumentais palyginti; galutinį atsakymą naudotojui suformuoja kitas programos etapas. Tai leidžia atskirai organizuoti šaltinių paiešką ir jais pagrįsto atsakymo rengimą.\n\n### Kaip sukurti paiešką\n\nPirmiausia suskaidykite medžiagą į užbaigtus prasminius fragmentus ir kiekvienam gaukite vektorinę reprezentaciją. Išsaugokite vektorių kartu su pradiniu tekstu, dokumento pavadinimu ir jo identifikatoriumi. Ieškodami paverskite klausimą tuo pačiu modeliu ir atrinkite artimus vektorius iš indekso. Rastas ištraukas galima parodyti naudotojui arba perduoti teksto modeliui kaip kontekstą dokumentais pagrįstam atsakymui.\n\nUžklausoms ir dokumentams naudojamos atskiros reprezentacijos, kurios vėliau palyginamos viename paieškos procese. Rengiant tekstyną naudinga kartu išsaugoti teiginį ir jį paaiškinantį kontekstą: taip rastą ištrauką galima perskaityti savarankiškai ir susieti su pradiniu dokumentu.\n\n### Modelio ypatybės\n\n1B versija gauta naudojant didesnę Nemotron 3.5 Embed 8B kaip mokytojo modelį. Tekstinė dalis pagrįsta Nemotron 3 Embed 1B ir išlaiko jos tekstinių reprezentacijų erdvę. Pradinio modelio apraše nurodytas 2048 reikšmių vektorius su L2 normalizavimu. Šią savybę naudinga įvertinti projektuojant indeksą ir tikrinant pasirinkto metodo faktiškai grąžinamo vektoriaus matmenų skaičių.\n\nTekstinė paieška vertinta 34 kalbomis, įskaitant rusų. Tokia aprėptis leidžia modelį svarstyti daugiakalbei žinių bazei; fragmentų atrankos kokybę verta įvertinti pagal tikrus jūsų srities klausimus ir dokumentus.\n\n### Įvestis ir užklausos dydis\n\nDabartinis tekstinis Ailoot metodas nustato 32768 žetonų ribą vienai įvesčiai. Ilgesnę medžiagą patogu indeksuoti atskirais fragmentais, turinčiais savo nuorodas į šaltinį. Šios kortelės prieinamas scenarijus — tekstinė įvestis ir vektorinė reprezentacija išvestyje.","alias_of":null,"aliases":[],"author":"NVIDIA","canonical_model":"nvidia/nemotron-3.5-embed-1b:free","ctx":32768,"formats":["embeddings"],"id":"nvidia/nemotron-3.5-embed-1b: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-1b:free","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"nvidia/nemotron-3.5-embed-1b:free","request_model_id":"nvidia/nemotron-3.5-embed-1b:free","route_label":"Ultra"}],"name":"NVIDIA: Nemotron 3.5 Embed 1B (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-1b:free","short":"NVIDIA tekstinės vektorinės reprezentacijos daugiakalbei semantinei paieškai ir šaltinių atrankai RAG sistemose."}