nvidia/nemotron-3.5-embed-1b

{"about":"### 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 4096 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.","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":"Tekstowe embeddingi NVIDIA do wielojęzycznego wyszukiwania semantycznego i dobierania źródeł w RAG."}