Source: https://ailoot.ai/models/nb/nvidia-nemotron-3-5-embed-1b/ Canonical: https://ailoot.ai/models/nb/nvidia-nemotron-3-5-embed-1b/ Language: nb # nvidia/nemotron-3.5-embed-1b [Markdown](https://ailoot.ai/models/nb/nvidia-nemotron-3-5-embed-1b/index.md) · [JSON](https://ailoot.ai/models/nb/nvidia-nemotron-3-5-embed-1b/facts.json) ## [nvidia/nemotron-3.5-embed-1b](https://ailoot.ai/models/nb/nvidia-nemotron-3-5-embed-1b/) `nvidia/nemotron-3.5-embed-1b` NVIDIAVektorrepresentasjonerInndata 0,0001 USD / 1KUtdata — Tekstembeddings fra NVIDIA for flerspråklig semantisk søk og kildeutvalg i RAG. ### Semantisk søk i tekster Nemotron 3.5 Embed 1B gjør tekst om til en numerisk representasjon av innholdet. NVIDIA-modellen er beregnet på å finne dokumenter etter mening: Spørsmålet og et relevant utdrag kan være formulert med ulike ord. Resultatet brukes til søk i oppslagsverk, interne veiledninger, artikler og kundestøttens svarbase. Originalmodellen fra NVIDIA samler tekst og dokumentbilder i ett representasjonsrom. Generasjon 3.5 legger til søk i det visuelle innholdet på sider. Dette modellkortet i Ailoot bruker den tekstbaserte arbeidsmåten: tekst inn og vektor ut. I Ailoot tar modellen imot tekst gjennom metoden embeddings og returnerer en vektor. Vektoren brukes til å sammenligne søket med dokumenter; det ferdige brukersvaret utformes av neste trinn i applikasjonen. Dermed kan kildefinning og utarbeiding av et kildebasert svar organiseres hver for seg. ### Slik bygger du opp søket Del først materialet i selvstendige innholdsfragmenter og hent en embedding for hvert av dem. Lagre vektoren sammen med originalteksten, dokumentnavnet og identifikatoren. Ved søk konverterer du spørsmålet med samme modell og velger lignende vektorer fra indeksen. Fragmentene som blir funnet, kan vises til brukeren eller sendes til en tekstmodell som kontekst for et dokumentbasert svar. Spørsmål og dokumenter bruker separate representasjoner som deretter sammenholdes i samme søkeprosess. Når korpuset klargjøres, er det nyttig å beholde en påstand sammen med forklaringskonteksten. Da kan fragmentet som blir funnet, leses selvstendig og knyttes til originaldokumentet. ### Modellens egenskaper 1B-versjonen er laget med den større Nemotron 3.5 Embed 8B som lærermodell. Tekstdelen bygger på Nemotron 3 Embed 1B og beholder dens tekstrepresentasjonsrom. Beskrivelsen av originalmodellen oppgir en vektor med 2048 verdier og L2-normalisering. Ta hensyn til dette ved indeksutforming, og kontroller dimensjonen til det faktiske svaret fra den valgte metoden. Tekstsøk er evaluert på 34 språk, inkludert russisk. Denne dekningen gjør modellen til en kandidat for en flerspråklig kunnskapsbase. Kvaliteten på fragmentutvalget bør vurderes med faktiske spørsmål og dokumenter fra ditt eget fagområde. ### Inndata og forespørselsstørrelse Den nåværende tekstmetoden i Ailoot setter en grense på 4096 tokener per inndata. Lengre materiale kan indekseres som separate fragmenter med egne kildehenvisninger. Den tilgjengelige arbeidsmåten på dette modellkortet er tekst inn og embedding ut. ### Tilgjengelig via Ailoot API Inndatatyper `text` Utdatatyper `embedding` Kontekst 4 096 *tokener* Maks. svar Ikke angitt i katalogen Inndata 0,0001 USD */ 1K* `nvidia/nemotron-3.5-embed-1b` · JSON ``` {"about":"### Semantisk søk i tekster\n\nNemotron 3.5 Embed 1B gjør tekst om til en numerisk representasjon av innholdet. NVIDIA-modellen er beregnet på å finne dokumenter etter mening: Spørsmålet og et relevant utdrag kan være formulert med ulike ord. Resultatet brukes til søk i oppslagsverk, interne veiledninger, artikler og kundestøttens svarbase.\n\nOriginalmodellen fra NVIDIA samler tekst og dokumentbilder i ett representasjonsrom. Generasjon 3.5 legger til søk i det visuelle innholdet på sider. Dette modellkortet i Ailoot bruker den tekstbaserte arbeidsmåten: tekst inn og vektor ut.\n\nI Ailoot tar modellen imot tekst gjennom metoden embeddings og returnerer en vektor. Vektoren brukes til å sammenligne søket med dokumenter; det ferdige brukersvaret utformes av neste trinn i applikasjonen. Dermed kan kildefinning og utarbeiding av et kildebasert svar organiseres hver for seg.\n\n### Slik bygger du opp søket\n\nDel først materialet i selvstendige innholdsfragmenter og hent en embedding for hvert av dem. Lagre vektoren sammen med originalteksten, dokumentnavnet og identifikatoren. Ved søk konverterer du spørsmålet med samme modell og velger lignende vektorer fra indeksen. Fragmentene som blir funnet, kan vises til brukeren eller sendes til en tekstmodell som kontekst for et dokumentbasert svar.\n\nSpørsmål og dokumenter bruker separate representasjoner som deretter sammenholdes i samme søkeprosess. Når korpuset klargjøres, er det nyttig å beholde en påstand sammen med forklaringskonteksten. Da kan fragmentet som blir funnet, leses selvstendig og knyttes til originaldokumentet.\n\n### Modellens egenskaper\n\n1B-versjonen er laget med den større Nemotron 3.5 Embed 8B som lærermodell. Tekstdelen bygger på Nemotron 3 Embed 1B og beholder dens tekstrepresentasjonsrom. Beskrivelsen av originalmodellen oppgir en vektor med 2048 verdier og L2-normalisering. Ta hensyn til dette ved indeksutforming, og kontroller dimensjonen til det faktiske svaret fra den valgte metoden.\n\nTekstsøk er evaluert på 34 språk, inkludert russisk. Denne dekningen gjør modellen til en kandidat for en flerspråklig kunnskapsbase. Kvaliteten på fragmentutvalget bør vurderes med faktiske spørsmål og dokumenter fra ditt eget fagområde.\n\n### Inndata og forespørselsstørrelse\n\nDen nåværende tekstmetoden i Ailoot setter en grense på 4096 tokener per inndata. Lengre materiale kan indekseres som separate fragmenter med egne kildehenvisninger. Den tilgjengelige arbeidsmåten på dette modellkortet er tekst inn og embedding ut.","alias_of":null,"aliases":[],"author":"NVIDIA","canonical_model":"nvidia/nemotron-3.5-embed-1b","ctx":4096,"formats":["embeddings"],"id":"nvidia/nemotron-3.5-embed-1b","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":4096,"family":"openai","fast_multiplier":null,"flex_multiplier":null,"fmt":"embeddings","http":"POST","img_in":null,"img_out":null,"in":0.1,"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","route_label":"Core","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"nvidia/nemotron-3.5-embed-1b","request_model_id":"nvidia/nemotron-3.5-embed-1b","route_label":"Core"}],"name":"nvidia/nemotron-3.5-embed-1b","price":{"in":0.1,"in_label":null,"out":null,"out_label":null,"sort_in":0.1,"sort_out":null,"varies":false},"public_id":"nvidia/nemotron-3.5-embed-1b","short":"Tekstembeddings fra NVIDIA for flerspråklig semantisk søk og kildeutvalg i RAG."} ``` ## Spørsmål Hvordan velger jeg en modell til oppgaven min? Avklar først hvilke inndata og utdata du trenger: tekst, bilder, lyd eller video. Sammenlign deretter kompatible API-metoder, den eksakte modell-ID-en eller modellen aliaset peker til nå, pris og faktureringsenhet. GET /v1/models er gratis og viser modellene som er tilgjengelige for nøkkelen din. Støtter hver modell alle API-metoder og medietyper? Bruk API-metodene og typene inndata/utdata som er oppført på modellkortet. Støtte for tekst, bilder, lyd eller video avhenger av den valgte modellen og metoden; se det aktuelle eksemplet på en forespørsel før du sender dataene dine. Hva er forskjellen på en modell-ID og et alias? En eksakt modell-ID identifiserer en bestemt modell. Et alias peker til en modell, og målmodellen kan endres. Sjekk i katalogen hvilken modell aliaset peker til nå; bruk den eksakte ID-en når integrasjonen din krever en bestemt modell. Hvordan sammenligner jeg priser før jeg sender en forespørsel? Se modellkortet for pris og faktureringsenhet for den valgte API-metoden. Sammenlign samme enhet og samme type inndata/utdata; forespørselshistorikken viser faktisk bruk og belastet beløp. Hva gir abonnementet? Rabatt på tokenkjøp for jevnlig bruk. Velg etter forespørselsvolum; vilkår og abonnementspris vises ved bestilling. Hvordan bruker jeg kampanjekode opptil 50% rabatt? Oppgi koden ved tokenkjøp. Beløpet beregnes etter kampanjevilkårene; rabattstørrelsen vises før betaling. ## Ailoot · Selskapet og dets prosjektportefølje Ailoot bygger på etablert driftserfaring, en stor kundebase, stabil tjeneste og løpende KPI-kontroll. Selskapet og dets prosjektportefølje: millioner av kunder; månedlig salg for milliarder. Ailoot bruker denne driftserfaringen til API-tilgang til AI-funksjoner i kundenes produkter, agenter, applikasjoner og automatiseringer.