NVIDIA: Nemotron 3.5 Embed 1B (free)

{"about":"### Semantisch zoeken in teksten\n\nNemotron 3.5 Embed 1B zet tekst om in een numerieke representatie van de inhoud. Het NVIDIA-model is bedoeld om documenten op betekenis te zoeken: een vraag en een passend fragment kunnen met andere woorden zijn geformuleerd. Zulke resultaten zijn bruikbaar bij zoeken in naslagwerken, interne instructies, artikelen en kennisbanken van de klantenservice.\n\nHet oorspronkelijke NVIDIA-model brengt tekst en afbeeldingen van documenten samen in één representatieruimte. Generatie 3.5 voegt zoeken op de visuele inhoud van pagina’s toe. Deze Ailoot-modelkaart gebruikt de teksttoepassing: tekst als invoer en een vector als uitvoer.\n\nIn Ailoot accepteert het model tekst via de methode embeddings en retourneert het een vector. Daarmee vergelijk je de vraag met documenten; een volgende stap in de toepassing formuleert het uiteindelijke gebruikersantwoord. Zo kun je het vinden van bronnen en het voorbereiden van een antwoord op basis daarvan afzonderlijk organiseren.\n\n### Een zoekfunctie opbouwen\n\nVerdeel het materiaal eerst in volledige inhoudelijke fragmenten en maak van elk fragment een embedding. Bewaar de vector samen met de brontekst, documentnaam en identificatie. Zet bij het zoeken de vraag met hetzelfde model om en selecteer vergelijkbare vectoren in de index. De gevonden fragmenten kun je tonen aan de gebruiker of als context aan een tekstmodel doorgeven voor een antwoord op basis van documenten.\n\nVragen en documenten gebruiken afzonderlijke representaties die vervolgens in één zoekproces worden vergeleken. Bewaar bij het voorbereiden van het corpus een uitspraak bij de toelichtende context. Zo blijft een gevonden fragment zelfstandig leesbaar en te koppelen aan het oorspronkelijke document.\n\n### Kenmerken van het model\n\nDe 1B-versie is gemaakt met de grotere Nemotron 3.5 Embed 8B als leraarmodel. Het tekstgedeelte is gebaseerd op Nemotron 3 Embed 1B en behoudt de tekstrepresentatieruimte daarvan. De beschrijving van het oorspronkelijke model vermeldt een vector van 2048 waarden met L2-normalisatie. Houd bij het ontwerpen van een index rekening met die eigenschap en controleer de dimensie van het feitelijke antwoord van de gekozen methode.\n\nTekstzoeken is beoordeeld in 34 talen, waaronder Russisch. Die dekking maakt het model een kandidaat voor een meertalige kennisbank. Beoordeel de kwaliteit van het selecteren van fragmenten met echte vragen en documenten uit je eigen vakgebied.\n\n### Invoer en aanvraagomvang\n\nDe huidige tekstmethode van Ailoot stelt een limiet van 32768 tokens per invoer. Langer materiaal kun je als afzonderlijke fragmenten indexeren, elk met een eigen bronverwijzing. De beschikbare toepassing op deze modelkaart is tekstinvoer met een embedding als uitvoer.","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":"Tekstembeddings van NVIDIA voor meertalig semantisch zoeken en het selecteren van bronnen in RAG."}