NVIDIA: Nemotron 3.5 Embed 8B (free)

{"about":"### Zoeken op betekenis in een kennisbank\n\nNemotron 3.5 Embed 8B is een NVIDIA-model om zoekopdrachten en documenten in embeddings om te zetten. Die numerieke representaties helpen teksten op inhoud te vergelijken als de vraag anders is geformuleerd dan de bron. Het model is geschikt voor de zoeklaag van een bedrijfskennisbank, informatiedienst of toepassing die documenten selecteert voordat ze een antwoord opstelt.\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 zijn tekstinvoer en vectoruitvoer via embeddings beschikbaar. De toepassing ontvangt een representatie van het bronmateriaal en gebruikt die om vergelijkbare vermeldingen in de index te vinden. Voor een samenhangend antwoord met uitleg kun je de gevonden teksten samen met de gebruikersvraag aan een apart generatiemodel doorgeven.\n\n### Wat de 8B-versie onderscheidt\n\nDe tekstcodering is gebaseerd op Nemotron 3 Embed 8B. Bij het maken van generatie 3.5 behield NVIDIA dit tekstgedeelte en de embeddingruimte ervan en breidde het oorspronkelijke model met extra mogelijkheden uit. De gepubliceerde modelkaart beschrijft een uitvoer van 4096 waarden, verkregen door tokenrepresentaties te middelen en L2-normalisatie toe te passen. Stem de dimensie van je vectorindex af op het daadwerkelijke antwoord van de methode.\n\nTekstzoeken is beoordeeld in 34 talen, waaronder Russisch. Voor meertalige instructies en naslagwerken kun je het model daardoor als gemeenschappelijke zoeklaag overwegen. De selectie hangt af van de inhoud van de kennisbank, de documentverdeling en kenmerkende gebruikersvragen. Test die op materiaal uit je eigen vakgebied.\n\n### Werkproces\n\n1. Verdeel brondocumenten in fragmenten die elk een volledig antwoord of een volledige uitleg bevatten.\n2. Maak embeddings en bewaar ze bij de tekst, titel en bronverwijzing.\n3. Zet de gebruikersvraag met hetzelfde model om en zoek vergelijkbare vermeldingen.\n4. Toon de gevonden fragmenten of gebruik ze in RAG om een brongebaseerd antwoord voor te bereiden.\n\n### Invoeromvang\n\nVoor deze variant vermeldt Ailoot tekstcontext en een invoerlimiet van 32768 tokens. Fragmenten van een lang document kun je als zelfstandige vermeldingen bewaren met een gezamenlijke verwijzing naar het bronmateriaal. Het beschikbare modelresultaat is een embedding van tekst die de toepassing verder verwerkt.","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":"Meertalige tekstembeddings van NVIDIA voor semantisch zoeken in documenten en het opbouwen van RAG."}