Nemotron 3.5 Embed 1B przekształca tekst w liczbową reprezentację jego treści. Model NVIDIA jest przeznaczony do wyszukiwania dokumentów według znaczenia: pytanie i odpowiedni fragment mogą być sformułowane różnymi słowami. Taki wynik wykorzystuje się przy wyszukiwaniu w poradnikach, instrukcjach wewnętrznych, artykułach i bazie odpowiedzi pomocy technicznej.
Źródłowy model NVIDIA łączy tekst i obrazy dokumentów w jednej przestrzeni reprezentacji; generacja 3.5 dodaje wyszukiwanie według wizualnej zawartości stron. Ta karta Ailoot wykorzystuje jego scenariusz tekstowy: tekst na wejściu i wektor na wyjściu.
W Ailoot model przyjmuje tekst przez metodę embeddings i zwraca wektor. Wektor służy do porównywania zapytania z dokumentami; gotowa odpowiedź dla użytkownika powstaje na kolejnym etapie aplikacji. Pozwala to osobno zorganizować wyszukiwanie źródeł i przygotowanie odpowiedzi na ich podstawie.
Najpierw podziel materiały na kompletne fragmenty znaczeniowe i uzyskaj embedding każdego z nich. Zapisz wektor razem z tekstem źródłowym, nazwą dokumentu i jego identyfikatorem. Podczas wyszukiwania przekształć pytanie tym samym modelem i wybierz podobne wektory z indeksu. Znalezione fragmenty można pokazać użytkownikowi lub przekazać modelowi tekstowemu jako kontekst do odpowiedzi opartej na dokumentach.
Dla zapytań i dokumentów używa się osobnych reprezentacji, które następnie są porównywane w jednym procesie wyszukiwania. Przy przygotowaniu korpusu warto przechowywać twierdzenie razem z objaśniającym je kontekstem: znaleziony fragment będzie wtedy zrozumiały samodzielnie i da się powiązać ze źródłowym dokumentem.
Wersja 1B powstała z użyciem większego Nemotron 3.5 Embed 8B jako modelu nauczyciela. Część tekstowa opiera się na Nemotron 3 Embed 1B i zachowuje jego przestrzeń reprezentacji tekstowych. Opis modelu źródłowego podaje wektor z 2048 wartościami i normalizacją L2. Warto uwzględnić tę cechę przy projektowaniu indeksu, sprawdzając wymiar rzeczywistej odpowiedzi wybranej metody.
Wyszukiwanie tekstowe oceniano w 34 językach, w tym rosyjskim. Taki zakres czyni model kandydatem do wielojęzycznej bazy wiedzy; jakość doboru fragmentów warto ocenić na rzeczywistych pytaniach i dokumentach z własnej dziedziny.
Aktualna metoda tekstowa Ailoot określa limit jednego wejścia na 32768 tokenów. Dłuższe materiały wygodnie indeksować jako osobne fragmenty z własnymi odnośnikami do źródła. Dostępny scenariusz tej karty to tekst na wejściu i embedding na wyjściu.
", "aboutText": "### Wyszukiwanie semantyczne w tekstach\n\nNemotron 3.5 Embed 1B przekształca tekst w liczbową reprezentację jego treści. Model NVIDIA jest przeznaczony do wyszukiwania dokumentów według znaczenia: pytanie i odpowiedni fragment mogą być sformułowane różnymi słowami. Taki wynik wykorzystuje się przy wyszukiwaniu w poradnikach, instrukcjach wewnętrznych, artykułach i bazie odpowiedzi pomocy technicznej.\n\nŹródłowy model NVIDIA łączy tekst i obrazy dokumentów w jednej przestrzeni reprezentacji; generacja 3.5 dodaje wyszukiwanie według wizualnej zawartości stron. Ta karta Ailoot wykorzystuje jego scenariusz tekstowy: tekst na wejściu i wektor na wyjściu.\n\nW Ailoot model przyjmuje tekst przez metodę embeddings i zwraca wektor. Wektor służy do porównywania zapytania z dokumentami; gotowa odpowiedź dla użytkownika powstaje na kolejnym etapie aplikacji. Pozwala to osobno zorganizować wyszukiwanie źródeł i przygotowanie odpowiedzi na ich podstawie.\n\n### Jak zbudować wyszukiwanie\n\nNajpierw podziel materiały na kompletne fragmenty znaczeniowe i uzyskaj embedding każdego z nich. Zapisz wektor razem z tekstem źródłowym, nazwą dokumentu i jego identyfikatorem. Podczas wyszukiwania przekształć pytanie tym samym modelem i wybierz podobne wektory z indeksu. Znalezione fragmenty można pokazać użytkownikowi lub przekazać modelowi tekstowemu jako kontekst do odpowiedzi opartej na dokumentach.\n\nDla zapytań i dokumentów używa się osobnych reprezentacji, które następnie są porównywane w jednym procesie wyszukiwania. Przy przygotowaniu korpusu warto przechowywać twierdzenie razem z objaśniającym je kontekstem: znaleziony fragment będzie wtedy zrozumiały samodzielnie i da się powiązać ze źródłowym dokumentem.\n\n### Cechy modelu\n\nWersja 1B powstała z użyciem większego Nemotron 3.5 Embed 8B jako modelu nauczyciela. Część tekstowa opiera się na Nemotron 3 Embed 1B i zachowuje jego przestrzeń reprezentacji tekstowych. Opis modelu źródłowego podaje wektor z 2048 wartościami i normalizacją L2. Warto uwzględnić tę cechę przy projektowaniu indeksu, sprawdzając wymiar rzeczywistej odpowiedzi wybranej metody.\n\nWyszukiwanie tekstowe oceniano w 34 językach, w tym rosyjskim. Taki zakres czyni model kandydatem do wielojęzycznej bazy wiedzy; jakość doboru fragmentów warto ocenić na rzeczywistych pytaniach i dokumentach z własnej dziedziny.\n\n### Wejście i rozmiar zapytania\n\nAktualna metoda tekstowa Ailoot określa limit jednego wejścia na 32768 tokenów. Dłuższe materiały wygodnie indeksować jako osobne fragmenty z własnymi odnośnikami do źródła. Dostępny scenariusz tej karty to tekst na wejściu i embedding na wyjściu.", "locale": "pl", "methods": [ { "html": "POST /v1/embeddingstextembedding