{
  "aboutHtml": "<h3>Carian semantik dalam teks</h3><p>Nemotron 3.5 Embed 1B menukarkan teks kepada perwakilan berangka kandungannya. Model NVIDIA ini direka untuk mencari dokumen mengikut makna: soalan dan petikan yang sesuai boleh menggunakan perkataan berbeza. Hasilnya digunakan dalam carian rujukan, arahan dalaman, artikel dan pangkalan jawapan sokongan.</p><p>Model NVIDIA asal menggabungkan teks dan imej dokumen dalam satu ruang perwakilan; generasi 3.5 menambahkan carian kandungan visual halaman. Kad Ailoot API ini menggunakan aliran teksnya: input teks dan output vektor.</p><p>Dalam Ailoot API, model menerima teks melalui kaedah embeddings dan mengembalikan vektor. Vektor digunakan untuk membandingkan pertanyaan dengan dokumen; jawapan lengkap pengguna dibentuk pada peringkat aplikasi seterusnya. Dengan itu carian sumber dan penyediaan jawapan berasaskan sumber boleh diatur berasingan.</p><h3>Membina carian</h3><p>Mula-mula bahagikan bahan kepada petikan bermakna yang lengkap dan dapatkan embedding setiap petikan. Simpan vektor bersama teks asal, nama dokumen dan pengecamnya. Semasa mencari, tukarkan soalan menggunakan model sama dan pilih vektor terdekat daripada indeks. Petikan yang ditemukan boleh dipaparkan atau disalurkan kepada model teks sebagai konteks jawapan berasaskan dokumen.</p><p>Pertanyaan dan dokumen menggunakan perwakilan berasingan yang kemudian dibandingkan dalam satu proses carian. Semasa menyediakan korpus, simpan pernyataan bersama konteks penjelasannya supaya petikan hasil boleh dibaca secara sendiri dan dikaitkan dengan dokumen asal.</p><h3>Ciri model</h3><p>Versi 1B diperoleh menggunakan Nemotron 3.5 Embed 8B yang lebih besar sebagai model guru. Bahagian teks berasaskan Nemotron 3 Embed 1B dan mengekalkan ruang perwakilan teksnya. Penerangan model asal menyatakan vektor 2048 nilai dengan penormalan L2. Ciri ini elok diambil kira semasa mereka bentuk indeks sambil memeriksa dimensi jawapan sebenar daripada kaedah yang dipilih.</p><p>Carian teks dinilai pada 34 bahasa, termasuk bahasa Rusia. Liputan ini menjadikannya calon bagi pangkalan pengetahuan berbilang bahasa; kualiti pemilihan petikan elok dinilai pada soalan dan dokumen sebenar dalam bidang anda.</p><h3>Input dan saiz permintaan</h3><p>Kaedah teks Ailoot API semasa menetapkan had 32768 token bagi satu input. Bahan lebih panjang boleh diindeks sebagai petikan berasingan dengan rujukan sumber masing-masing. Aliran kad ini ialah input teks dan output embedding.</p>",
  "aboutText": "### Carian semantik dalam teks\n\nNemotron 3.5 Embed 1B menukarkan teks kepada perwakilan berangka kandungannya. Model NVIDIA ini direka untuk mencari dokumen mengikut makna: soalan dan petikan yang sesuai boleh menggunakan perkataan berbeza. Hasilnya digunakan dalam carian rujukan, arahan dalaman, artikel dan pangkalan jawapan sokongan.\n\nModel NVIDIA asal menggabungkan teks dan imej dokumen dalam satu ruang perwakilan; generasi 3.5 menambahkan carian kandungan visual halaman. Kad Ailoot API ini menggunakan aliran teksnya: input teks dan output vektor.\n\nDalam Ailoot API, model menerima teks melalui kaedah embeddings dan mengembalikan vektor. Vektor digunakan untuk membandingkan pertanyaan dengan dokumen; jawapan lengkap pengguna dibentuk pada peringkat aplikasi seterusnya. Dengan itu carian sumber dan penyediaan jawapan berasaskan sumber boleh diatur berasingan.\n\n### Membina carian\n\nMula-mula bahagikan bahan kepada petikan bermakna yang lengkap dan dapatkan embedding setiap petikan. Simpan vektor bersama teks asal, nama dokumen dan pengecamnya. Semasa mencari, tukarkan soalan menggunakan model sama dan pilih vektor terdekat daripada indeks. Petikan yang ditemukan boleh dipaparkan atau disalurkan kepada model teks sebagai konteks jawapan berasaskan dokumen.\n\nPertanyaan dan dokumen menggunakan perwakilan berasingan yang kemudian dibandingkan dalam satu proses carian. Semasa menyediakan korpus, simpan pernyataan bersama konteks penjelasannya supaya petikan hasil boleh dibaca secara sendiri dan dikaitkan dengan dokumen asal.\n\n### Ciri model\n\nVersi 1B diperoleh menggunakan Nemotron 3.5 Embed 8B yang lebih besar sebagai model guru. Bahagian teks berasaskan Nemotron 3 Embed 1B dan mengekalkan ruang perwakilan teksnya. Penerangan model asal menyatakan vektor 2048 nilai dengan penormalan L2. Ciri ini elok diambil kira semasa mereka bentuk indeks sambil memeriksa dimensi jawapan sebenar daripada kaedah yang dipilih.\n\nCarian teks dinilai pada 34 bahasa, termasuk bahasa Rusia. Liputan ini menjadikannya calon bagi pangkalan pengetahuan berbilang bahasa; kualiti pemilihan petikan elok dinilai pada soalan dan dokumen sebenar dalam bidang anda.\n\n### Input dan saiz permintaan\n\nKaedah teks Ailoot API semasa menetapkan had 32768 token bagi satu input. Bahan lebih panjang boleh diindeks sebagai petikan berasingan dengan rujukan sumber masing-masing. Aliran kad ini ialah input teks dan output embedding.",
  "locale": "ms",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Pembenaman</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Input</dt><dd><code>text</code></dd></div><div><dt>Output</dt><dd><code>embedding</code></dd></div><div><dt>Konteks</dt><dd>32,768 <em>token</em></dd></div><div><dt>Respons maksimum</dt><dd>Tidak dinyatakan dalam katalog</dd></div></dl><dl><div><dt>Input</dt><dd>USD 0.00 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "nvidia/nemotron-3.5-embed-1b:free",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "nvidia/nemotron-3.5-embed-1b:free",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|nvidia%2Fnemotron-3.5-embed-1b%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-1b:free",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    }
  ],
  "model_id": "nvidia/nemotron-3.5-embed-1b:free",
  "page": {
    "canonical": "https://ailoot.ai/models/ms/nvidia-nemotron-3-5-embed-1b-free/",
    "description": "Embedding teks NVIDIA untuk carian semantik berbilang bahasa dan pemilihan sumber dalam RAG.",
    "locale": "ms",
    "md_url": "https://ailoot.ai/models/ms/nvidia-nemotron-3-5-embed-1b-free/index.md",
    "title": "NVIDIA: Nemotron 3.5 Embed 1B (free)",
    "url": "https://ailoot.ai/models/ms/nvidia-nemotron-3-5-embed-1b-free/"
  },
  "rawModel": {
    "about": "### Carian semantik dalam teks\n\nNemotron 3.5 Embed 1B menukarkan teks kepada perwakilan berangka kandungannya. Model NVIDIA ini direka untuk mencari dokumen mengikut makna: soalan dan petikan yang sesuai boleh menggunakan perkataan berbeza. Hasilnya digunakan dalam carian rujukan, arahan dalaman, artikel dan pangkalan jawapan sokongan.\n\nModel NVIDIA asal menggabungkan teks dan imej dokumen dalam satu ruang perwakilan; generasi 3.5 menambahkan carian kandungan visual halaman. Kad Ailoot API ini menggunakan aliran teksnya: input teks dan output vektor.\n\nDalam Ailoot API, model menerima teks melalui kaedah embeddings dan mengembalikan vektor. Vektor digunakan untuk membandingkan pertanyaan dengan dokumen; jawapan lengkap pengguna dibentuk pada peringkat aplikasi seterusnya. Dengan itu carian sumber dan penyediaan jawapan berasaskan sumber boleh diatur berasingan.\n\n### Membina carian\n\nMula-mula bahagikan bahan kepada petikan bermakna yang lengkap dan dapatkan embedding setiap petikan. Simpan vektor bersama teks asal, nama dokumen dan pengecamnya. Semasa mencari, tukarkan soalan menggunakan model sama dan pilih vektor terdekat daripada indeks. Petikan yang ditemukan boleh dipaparkan atau disalurkan kepada model teks sebagai konteks jawapan berasaskan dokumen.\n\nPertanyaan dan dokumen menggunakan perwakilan berasingan yang kemudian dibandingkan dalam satu proses carian. Semasa menyediakan korpus, simpan pernyataan bersama konteks penjelasannya supaya petikan hasil boleh dibaca secara sendiri dan dikaitkan dengan dokumen asal.\n\n### Ciri model\n\nVersi 1B diperoleh menggunakan Nemotron 3.5 Embed 8B yang lebih besar sebagai model guru. Bahagian teks berasaskan Nemotron 3 Embed 1B dan mengekalkan ruang perwakilan teksnya. Penerangan model asal menyatakan vektor 2048 nilai dengan penormalan L2. Ciri ini elok diambil kira semasa mereka bentuk indeks sambil memeriksa dimensi jawapan sebenar daripada kaedah yang dipilih.\n\nCarian teks dinilai pada 34 bahasa, termasuk bahasa Rusia. Liputan ini menjadikannya calon bagi pangkalan pengetahuan berbilang bahasa; kualiti pemilihan petikan elok dinilai pada soalan dan dokumen sebenar dalam bidang anda.\n\n### Input dan saiz permintaan\n\nKaedah teks Ailoot API semasa menetapkan had 32768 token bagi satu input. Bahan lebih panjang boleh diindeks sebagai petikan berasingan dengan rujukan sumber masing-masing. Aliran kad ini ialah input teks dan output embedding.",
    "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": "Embedding teks NVIDIA untuk carian semantik berbilang bahasa dan pemilihan sumber dalam RAG."
  },
  "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": "Embedding teks NVIDIA untuk carian semantik berbilang bahasa dan pemilihan sumber dalam RAG.",
  "source": {
    "audit_sha256": "0f9f6b1641efecfba609f81f62c2537968e096b825b6f4052d2444ec0186a6a7",
    "bridge_map_sha256": "0f9f6b1641efecfba609f81f62c2537968e096b825b6f4052d2444ec0186a6a7",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "21ed9c990c87c0b26dc8822d8afea26229091fa744474be765286ec143472275",
      "renderer_sha256": "e7e69b3db11512aae767b93ec59d2d6ed7f4fd07be0623a7f9c80209ccdae590"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "21ed9c990c87c0b26dc8822d8afea26229091fa744474be765286ec143472275",
    "renderer_sha256": "e7e69b3db11512aae767b93ec59d2d6ed7f4fd07be0623a7f9c80209ccdae590"
  },
  "sourceRevision": "8b80e81720a56dc524d7f84f404d151f7de228e9f0d4158fc6d8668a04f25950"
}