O Nemotron 3.5 Embed 8B é um modelo da NVIDIA para converter consultas e documentos em embeddings. Estas representações numéricas ajudam a comparar textos pelo conteúdo quando a formulação da pergunta difere das palavras da fonte. O modelo é adequado à camada de pesquisa de uma base de conhecimento empresarial, de um serviço de consulta ou de uma aplicação que seleciona documentos antes de preparar uma resposta.
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 estão disponíveis entrada textual e saída vetorial através de embeddings. A aplicação recebe uma representação do material original e utiliza-a para encontrar registos próximos no índice. Se for necessária uma resposta coerente com explicação, os textos encontrados podem ser fornecidos a um modelo de geração separado, juntamente com a pergunta do utilizador.
A codificação textual baseia-se no Nemotron 3 Embed 8B. Ao criar a geração 3.5, a NVIDIA conservou esta componente textual e o seu espaço de embeddings, alargando o modelo original com capacidades adicionais. A ficha publicada descreve uma saída de 4096 valores, obtida pela média das representações dos tokens e por normalização L2. Na preparação de um índice vetorial, a sua dimensionalidade deve ser ajustada à resposta efetiva do método.
A pesquisa textual foi avaliada em 34 idiomas, incluindo russo. Para instruções e manuais multilingues, isto permite considerar o modelo como uma camada de pesquisa comum. O resultado da recuperação depende da composição da base, da divisão dos documentos e das perguntas habituais dos utilizadores; é útil verificá-lo com materiais da sua área.
Para esta variante, a Ailoot indica um contexto textual e um limite de entrada de 32768 tokens. Os excertos de um documento longo podem ser guardados como registos autónomos com uma referência comum ao material original. O resultado disponível do modelo é um embedding do texto, utilizado pela aplicação no processamento seguinte.
", "aboutText": "### Pesquisa pelo significado numa base de conhecimento\n\nO Nemotron 3.5 Embed 8B é um modelo da NVIDIA para converter consultas e documentos em embeddings. Estas representações numéricas ajudam a comparar textos pelo conteúdo quando a formulação da pergunta difere das palavras da fonte. O modelo é adequado à camada de pesquisa de uma base de conhecimento empresarial, de um serviço de consulta ou de uma aplicação que seleciona documentos antes de preparar uma resposta.\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 estão disponíveis entrada textual e saída vetorial através de embeddings. A aplicação recebe uma representação do material original e utiliza-a para encontrar registos próximos no índice. Se for necessária uma resposta coerente com explicação, os textos encontrados podem ser fornecidos a um modelo de geração separado, juntamente com a pergunta do utilizador.\n\n### O que distingue a versão 8B\n\nA codificação textual baseia-se no Nemotron 3 Embed 8B. Ao criar a geração 3.5, a NVIDIA conservou esta componente textual e o seu espaço de embeddings, alargando o modelo original com capacidades adicionais. A ficha publicada descreve uma saída de 4096 valores, obtida pela média das representações dos tokens e por normalização L2. Na preparação de um índice vetorial, a sua dimensionalidade deve ser ajustada à resposta efetiva do método.\n\nA pesquisa textual foi avaliada em 34 idiomas, incluindo russo. Para instruções e manuais multilingues, isto permite considerar o modelo como uma camada de pesquisa comum. O resultado da recuperação depende da composição da base, da divisão dos documentos e das perguntas habituais dos utilizadores; é útil verificá-lo com materiais da sua área.\n\n### Processo de trabalho\n\n1. Divida os documentos originais em excertos que contenham uma resposta ou explicação completa.\n2. Obtenha os embeddings e guarde-os com o texto, o título e uma referência à fonte.\n3. Converta a pergunta do utilizador com o mesmo modelo e encontre registos próximos.\n4. Apresente os excertos encontrados ou utilize-os em RAG para preparar uma resposta apoiada nas fontes.\n\n### Dimensão da entrada\n\nPara esta variante, a Ailoot indica um contexto textual e um limite de entrada de 32768 tokens. Os excertos de um documento longo podem ser guardados como registos autónomos com uma referência comum ao material original. O resultado disponível do modelo é um embedding do texto, utilizado pela aplicação no processamento seguinte.", "locale": "pt-pt", "methods": [ { "html": "POST /v1/embeddingstextembedding