Source: https://ailoot.ai/models/pt-pt/nvidia-nemotron-3-5-embed-1b/ Canonical: https://ailoot.ai/models/pt-pt/nvidia-nemotron-3-5-embed-1b/ Language: pt-pt # nvidia/nemotron-3.5-embed-1b [Markdown](https://ailoot.ai/models/pt-pt/nvidia-nemotron-3-5-embed-1b/index.md) · [JSON](https://ailoot.ai/models/pt-pt/nvidia-nemotron-3-5-embed-1b/facts.json) ## [nvidia/nemotron-3.5-embed-1b](https://ailoot.ai/models/pt-pt/nvidia-nemotron-3-5-embed-1b/) `nvidia/nemotron-3.5-embed-1b` NVIDIAEmbeddingsEntrada 0,0001 US$ / 1KSaída — Embeddings textuais da NVIDIA para pesquisa semântica multilingue e seleção de fontes em RAG. ### Pesquisa semântica em textos O Nemotron 3.5 Embed 1B converte texto numa representação numérica do seu conteúdo. O modelo da NVIDIA destina-se à pesquisa de documentos pelo significado: a pergunta e o excerto relevante podem estar formulados com palavras diferentes. Estes resultados são utilizados na pesquisa em manuais de consulta, instruções internas, artigos e bases de respostas de apoio ao cliente. O modelo original da NVIDIA reúne texto e imagens de documentos num único espaço de representação; a geração 3.5 acrescenta pesquisa no conteúdo visual das páginas. Nesta ficha da Ailoot é utilizado o seu cenário textual: texto à entrada e vetor à saída. Na Ailoot, o modelo recebe texto através do método embeddings e devolve um vetor. O vetor serve para comparar a consulta com os documentos; a resposta final ao utilizador é produzida pela etapa seguinte da aplicação. Isto permite organizar separadamente a pesquisa de fontes e a preparação da resposta com base nelas. ### Como construir a pesquisa Primeiro divida os materiais em excertos com significado completo e obtenha um embedding para cada um. Guarde o vetor juntamente com o texto original, o título do documento e o respetivo identificador. Na pesquisa, converta a pergunta com o mesmo modelo e selecione vetores próximos no índice. Os excertos encontrados podem ser apresentados ao utilizador ou fornecidos a um modelo textual como contexto para uma resposta apoiada nos documentos. São utilizadas representações distintas para consultas e documentos, posteriormente comparadas no mesmo processo de pesquisa. Ao preparar o corpus, é útil conservar cada afirmação junto do contexto que a explica: assim, o excerto encontrado pode ser lido autonomamente e ligado ao documento original. ### Características do modelo A versão 1B foi obtida utilizando o Nemotron 3.5 Embed 8B, de maior dimensão, como modelo professor. A componente textual baseia-se no Nemotron 3 Embed 1B e conserva o seu espaço de representações textuais. A descrição do modelo original indica um vetor de 2048 valores com normalização L2. Convém considerar esta propriedade ao projetar o índice, verificando a dimensionalidade da resposta efetiva do método escolhido. A pesquisa textual foi avaliada em 34 idiomas, incluindo russo. Esta cobertura torna o modelo um candidato para uma base de conhecimento multilingue; a qualidade da recuperação de excertos deve ser avaliada com perguntas e documentos reais da sua área. ### Entrada e dimensão do pedido O método textual atual da Ailoot estabelece um limite de 4096 tokens por entrada. É conveniente indexar materiais mais longos como excertos separados, com referências próprias à fonte. O cenário disponível nesta ficha consiste em texto à entrada e embedding à saída. ### Disponível através da API Ailoot Entrada `text` Saída `embedding` Contexto 4096 *tokens* Resposta máx. Não especificado no catálogo Entrada 0,0001 US$ */ 1K* `nvidia/nemotron-3.5-embed-1b` · JSON ``` {"about":"### Pesquisa semântica em textos\n\nO Nemotron 3.5 Embed 1B converte texto numa representação numérica do seu conteúdo. O modelo da NVIDIA destina-se à pesquisa de documentos pelo significado: a pergunta e o excerto relevante podem estar formulados com palavras diferentes. Estes resultados são utilizados na pesquisa em manuais de consulta, instruções internas, artigos e bases de respostas de apoio ao cliente.\n\nO modelo original da NVIDIA reúne texto e imagens de documentos num único espaço de representação; a geração 3.5 acrescenta pesquisa no conteúdo visual das páginas. Nesta ficha da Ailoot é utilizado o seu cenário textual: texto à entrada e vetor à saída.\n\nNa Ailoot, o modelo recebe texto através do método embeddings e devolve um vetor. O vetor serve para comparar a consulta com os documentos; a resposta final ao utilizador é produzida pela etapa seguinte da aplicação. Isto permite organizar separadamente a pesquisa de fontes e a preparação da resposta com base nelas.\n\n### Como construir a pesquisa\n\nPrimeiro divida os materiais em excertos com significado completo e obtenha um embedding para cada um. Guarde o vetor juntamente com o texto original, o título do documento e o respetivo identificador. Na pesquisa, converta a pergunta com o mesmo modelo e selecione vetores próximos no índice. Os excertos encontrados podem ser apresentados ao utilizador ou fornecidos a um modelo textual como contexto para uma resposta apoiada nos documentos.\n\nSão utilizadas representações distintas para consultas e documentos, posteriormente comparadas no mesmo processo de pesquisa. Ao preparar o corpus, é útil conservar cada afirmação junto do contexto que a explica: assim, o excerto encontrado pode ser lido autonomamente e ligado ao documento original.\n\n### Características do modelo\n\nA versão 1B foi obtida utilizando o Nemotron 3.5 Embed 8B, de maior dimensão, como modelo professor. A componente textual baseia-se no Nemotron 3 Embed 1B e conserva o seu espaço de representações textuais. A descrição do modelo original indica um vetor de 2048 valores com normalização L2. Convém considerar esta propriedade ao projetar o índice, verificando a dimensionalidade da resposta efetiva do método escolhido.\n\nA pesquisa textual foi avaliada em 34 idiomas, incluindo russo. Esta cobertura torna o modelo um candidato para uma base de conhecimento multilingue; a qualidade da recuperação de excertos deve ser avaliada com perguntas e documentos reais da sua área.\n\n### Entrada e dimensão do pedido\n\nO método textual atual da Ailoot estabelece um limite de 4096 tokens por entrada. É conveniente indexar materiais mais longos como excertos separados, com referências próprias à fonte. O cenário disponível nesta ficha consiste em texto à entrada e embedding à saída.","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":"Embeddings textuais da NVIDIA para pesquisa semântica multilingue e seleção de fontes em RAG."} ``` ## Perguntas Como escolher um modelo para a minha tarefa? Identifique primeiro a entrada e a saída necessárias: texto, imagem, áudio ou vídeo. Compare depois os métodos API compatíveis, o ID exato do modelo ou o destino atual do alias, o preço e a unidade de faturação. GET /v1/models é gratuito e lista os modelos disponíveis para a sua chave. Cada modelo suporta todos os métodos API e tipos de conteúdo? Use os métodos API e os tipos de entrada e saída indicados na ficha do modelo. O suporte de texto, imagens, áudio ou vídeo depende do modelo e do método escolhidos; consulte o respetivo exemplo de pedido antes de enviar os seus dados. Qual é a diferença entre o ID de um modelo e um alias? Um ID exato identifica um modelo específico. Um alias aponta para um modelo e o seu destino pode mudar. Confirme o destino atual do alias no catálogo; use o ID exato quando a integração precisar de um modelo específico. Como comparar os preços antes de enviar um pedido? Consulte na ficha do modelo o preço e a unidade de faturação do método API escolhido. Compare a mesma unidade e os mesmos tipos de entrada e saída; o histórico de pedidos mostra a utilização real e o montante debitado. O que oferece a subscrição? Um desconto na compra de tokens para trabalho regular. Escolha o plano conforme o volume de pedidos; as condições e o preço da subscrição aparecem na adesão. Como aplico um código promocional com até 50% de desconto? Introduza o código promocional ao comprar tokens. O total é recalculado segundo as condições da campanha; o desconto é visível antes do pagamento. ## Ailoot · A empresa e a sua carteira de projetos A Ailoot assenta numa experiência operacional consolidada, numa ampla base de clientes, num serviço estável e no acompanhamento contínuo dos KPI. A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. A Ailoot aplica essa experiência operacional ao acesso por API a funcionalidades de IA nos produtos dos clientes, agentes, aplicações e automatizações.