{
  "aboutHtml": "<h3>Carian makna dalam pangkalan pengetahuan</h3><p>Nemotron 3.5 Embed 8B ialah model NVIDIA yang menukarkan pertanyaan dan dokumen kepada embedding. Perwakilan berangka ini membantu memadankan kandungan teks apabila ungkapan soalan berbeza daripada perkataan dalam sumber. Model sesuai untuk lapisan carian pangkalan pengetahuan perusahaan, perkhidmatan rujukan dan aplikasi yang memilih dokumen sebelum menyediakan jawapan.</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, input teks dan output vektor tersedia melalui embeddings. Aplikasi memperoleh perwakilan bahan asal dan menggunakannya untuk mencari entri terdekat dalam indeks. Jika jawapan padu dengan penjelasan diperlukan, teks hasil carian boleh dihantar bersama soalan kepada model penjanaan berasingan.</p><h3>Perbezaan versi 8B</h3><p>Pengekodan teks berasaskan Nemotron 3 Embed 8B. Semasa membina generasi 3.5, NVIDIA mengekalkan bahagian teks dan ruang embedding-nya sambil meluaskan model asal dengan keupayaan tambahan. Kad yang diterbitkan menerangkan output 4096 nilai melalui pemurataan perwakilan token dan penormalan L2. Semasa menyediakan indeks vektor, dimensinya perlu diselaraskan dengan jawapan sebenar kaedah.</p><p>Carian teks dinilai pada 34 bahasa, termasuk bahasa Rusia. Bagi arahan dan rujukan berbilang bahasa, ini membolehkan model dipertimbangkan sebagai lapisan carian bersama. Pemilihan hasil bergantung pada kandungan pangkalan, pembahagian dokumen dan soalan lazim pengguna; elok mengujinya menggunakan bahan bidang anda.</p><h3>Aliran kerja</h3><ol><li>Bahagikan dokumen asal kepada petikan yang masing-masing mengandungi jawapan atau penjelasan lengkap.</li><li>Dapatkan embedding dan simpan bersama teks, tajuk serta rujukan sumber.</li><li>Tukarkan soalan pengguna menggunakan model sama dan cari entri terdekat.</li><li>Paparkan petikan hasil atau gunakannya dalam RAG untuk menyediakan jawapan berasaskan sumber.</li></ol><h3>Saiz input</h3><p>Bagi varian ini, Ailoot API menyatakan konteks teks dan had input 32768 token. Petikan dokumen panjang boleh disimpan sebagai entri berasingan dengan rujukan bersama kepada bahan asal. Hasil model ialah embedding teks yang digunakan aplikasi dalam pemprosesan seterusnya.</p>",
  "aboutText": "### Carian makna dalam pangkalan pengetahuan\n\nNemotron 3.5 Embed 8B ialah model NVIDIA yang menukarkan pertanyaan dan dokumen kepada embedding. Perwakilan berangka ini membantu memadankan kandungan teks apabila ungkapan soalan berbeza daripada perkataan dalam sumber. Model sesuai untuk lapisan carian pangkalan pengetahuan perusahaan, perkhidmatan rujukan dan aplikasi yang memilih dokumen sebelum menyediakan jawapan.\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, input teks dan output vektor tersedia melalui embeddings. Aplikasi memperoleh perwakilan bahan asal dan menggunakannya untuk mencari entri terdekat dalam indeks. Jika jawapan padu dengan penjelasan diperlukan, teks hasil carian boleh dihantar bersama soalan kepada model penjanaan berasingan.\n\n### Perbezaan versi 8B\n\nPengekodan teks berasaskan Nemotron 3 Embed 8B. Semasa membina generasi 3.5, NVIDIA mengekalkan bahagian teks dan ruang embedding-nya sambil meluaskan model asal dengan keupayaan tambahan. Kad yang diterbitkan menerangkan output 4096 nilai melalui pemurataan perwakilan token dan penormalan L2. Semasa menyediakan indeks vektor, dimensinya perlu diselaraskan dengan jawapan sebenar kaedah.\n\nCarian teks dinilai pada 34 bahasa, termasuk bahasa Rusia. Bagi arahan dan rujukan berbilang bahasa, ini membolehkan model dipertimbangkan sebagai lapisan carian bersama. Pemilihan hasil bergantung pada kandungan pangkalan, pembahagian dokumen dan soalan lazim pengguna; elok mengujinya menggunakan bahan bidang anda.\n\n### Aliran kerja\n\n1. Bahagikan dokumen asal kepada petikan yang masing-masing mengandungi jawapan atau penjelasan lengkap.\n2. Dapatkan embedding dan simpan bersama teks, tajuk serta rujukan sumber.\n3. Tukarkan soalan pengguna menggunakan model sama dan cari entri terdekat.\n4. Paparkan petikan hasil atau gunakannya dalam RAG untuk menyediakan jawapan berasaskan sumber.\n\n### Saiz input\n\nBagi varian ini, Ailoot API menyatakan konteks teks dan had input 32768 token. Petikan dokumen panjang boleh disimpan sebagai entri berasingan dengan rujukan bersama kepada bahan asal. Hasil model ialah embedding teks yang digunakan aplikasi dalam pemprosesan seterusnya.",
  "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-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/ms/nvidia-nemotron-3-5-embed-8b-free/",
    "description": "Embedding teks berbilang bahasa NVIDIA untuk carian semantik dokumen dan pembinaan RAG.",
    "locale": "ms",
    "md_url": "https://ailoot.ai/models/ms/nvidia-nemotron-3-5-embed-8b-free/index.md",
    "title": "NVIDIA: Nemotron 3.5 Embed 8B (free)",
    "url": "https://ailoot.ai/models/ms/nvidia-nemotron-3-5-embed-8b-free/"
  },
  "rawModel": {
    "about": "### Carian makna dalam pangkalan pengetahuan\n\nNemotron 3.5 Embed 8B ialah model NVIDIA yang menukarkan pertanyaan dan dokumen kepada embedding. Perwakilan berangka ini membantu memadankan kandungan teks apabila ungkapan soalan berbeza daripada perkataan dalam sumber. Model sesuai untuk lapisan carian pangkalan pengetahuan perusahaan, perkhidmatan rujukan dan aplikasi yang memilih dokumen sebelum menyediakan jawapan.\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, input teks dan output vektor tersedia melalui embeddings. Aplikasi memperoleh perwakilan bahan asal dan menggunakannya untuk mencari entri terdekat dalam indeks. Jika jawapan padu dengan penjelasan diperlukan, teks hasil carian boleh dihantar bersama soalan kepada model penjanaan berasingan.\n\n### Perbezaan versi 8B\n\nPengekodan teks berasaskan Nemotron 3 Embed 8B. Semasa membina generasi 3.5, NVIDIA mengekalkan bahagian teks dan ruang embedding-nya sambil meluaskan model asal dengan keupayaan tambahan. Kad yang diterbitkan menerangkan output 4096 nilai melalui pemurataan perwakilan token dan penormalan L2. Semasa menyediakan indeks vektor, dimensinya perlu diselaraskan dengan jawapan sebenar kaedah.\n\nCarian teks dinilai pada 34 bahasa, termasuk bahasa Rusia. Bagi arahan dan rujukan berbilang bahasa, ini membolehkan model dipertimbangkan sebagai lapisan carian bersama. Pemilihan hasil bergantung pada kandungan pangkalan, pembahagian dokumen dan soalan lazim pengguna; elok mengujinya menggunakan bahan bidang anda.\n\n### Aliran kerja\n\n1. Bahagikan dokumen asal kepada petikan yang masing-masing mengandungi jawapan atau penjelasan lengkap.\n2. Dapatkan embedding dan simpan bersama teks, tajuk serta rujukan sumber.\n3. Tukarkan soalan pengguna menggunakan model sama dan cari entri terdekat.\n4. Paparkan petikan hasil atau gunakannya dalam RAG untuk menyediakan jawapan berasaskan sumber.\n\n### Saiz input\n\nBagi varian ini, Ailoot API menyatakan konteks teks dan had input 32768 token. Petikan dokumen panjang boleh disimpan sebagai entri berasingan dengan rujukan bersama kepada bahan asal. Hasil model ialah embedding teks yang digunakan aplikasi dalam pemprosesan seterusnya.",
    "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": "Embedding teks berbilang bahasa NVIDIA untuk carian semantik dokumen dan pembinaan 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 berbilang bahasa NVIDIA untuk carian semantik dokumen dan pembinaan RAG.",
  "source": {
    "audit_sha256": "dc41af3ae66465a913459b16a4535b257bfcaffa6e38e9c51bd76cdc50142abd",
    "bridge_map_sha256": "dc41af3ae66465a913459b16a4535b257bfcaffa6e38e9c51bd76cdc50142abd",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "8e8b60d45f8fc4ae201f40c9edb3b2d694c2e75e2f0500e39d34dbcc7c2bb416",
      "renderer_sha256": "e7e69b3db11512aae767b93ec59d2d6ed7f4fd07be0623a7f9c80209ccdae590"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "8e8b60d45f8fc4ae201f40c9edb3b2d694c2e75e2f0500e39d34dbcc7c2bb416",
    "renderer_sha256": "e7e69b3db11512aae767b93ec59d2d6ed7f4fd07be0623a7f9c80209ccdae590"
  },
  "sourceRevision": "c4bccdc389647e763c02a8ac20cd60c4c6ef0ab929014e5001a8b9bd1084ba6f"
}