Source: https://ailoot.ai/models/ru/nvidia-nemotron-3-5-embed-1b-free/ Canonical: https://ailoot.ai/models/ru/nvidia-nemotron-3-5-embed-1b-free/ Language: ru # NVIDIA: Nemotron 3.5 Embed 1B (free) [Markdown](https://ailoot.ai/models/ru/nvidia-nemotron-3-5-embed-1b-free/index.md) · [JSON](https://ailoot.ai/models/ru/nvidia-nemotron-3-5-embed-1b-free/facts.json) ## [NVIDIA: Nemotron 3.5 Embed 1B (free)](https://ailoot.ai/models/ru/nvidia-nemotron-3-5-embed-1b-free/) `nvidia/nemotron-3.5-embed-1b:free` NVIDIAЭмбеддингиВход 0,00 $ / 1KВыход — Текстовые эмбеддинги NVIDIA для многоязычного семантического поиска и подбора источников в RAG. ### Семантический поиск по текстам Nemotron 3.5 Embed 1B преобразует текст в числовое представление его содержания. Модель NVIDIA предназначена для поиска документов по смыслу: вопрос и подходящий фрагмент могут быть сформулированы разными словами. Такой результат используют в поиске по справочникам, внутренним инструкциям, статьям и базе ответов службы поддержки. Исходная модель NVIDIA объединяет текст и изображения документов в одном пространстве представлений; поколение 3.5 добавляет поиск по визуальному содержимому страниц. В этой карточке Ailoot используется её текстовый сценарий: текст на входе и вектор на выходе. В Ailoot модель принимает текст через метод embeddings и возвращает вектор. Вектор служит для сравнения запроса с документами; готовый ответ пользователю формируется следующим этапом приложения. Это позволяет отдельно организовать поиск источников и подготовку ответа на их основе. ### Как построить поиск Сначала разделите материалы на законченные смысловые фрагменты и получите для каждого эмбеддинг. Сохраните вектор вместе с исходным текстом, названием документа и его идентификатором. При поиске преобразуйте вопрос той же моделью и выберите близкие векторы из индекса. Найденные фрагменты можно показать пользователю или передать текстовой модели как контекст для ответа с опорой на документы. Для запросов и документов используются отдельные представления, которые затем сопоставляются в одном поисковом процессе. При подготовке корпуса полезно сохранить рядом утверждение и поясняющий его контекст: так найденный фрагмент можно прочитать самостоятельно и связать с исходным документом. ### Особенности модели Версия 1B получена с использованием более крупной Nemotron 3.5 Embed 8B как модели-учителя. Текстовая часть основана на Nemotron 3 Embed 1B и сохраняет её пространство текстовых представлений. В описании исходной модели указан вектор из 2048 значений с L2-нормализацией. Это свойство полезно учитывать при проектировании индекса, проверяя размерность фактического ответа выбранного метода. Текстовый поиск оценивался на 34 языках, включая русский. Такой охват делает модель кандидатом для многоязычной базы знаний; качество подбора фрагментов стоит оценить на реальных вопросах и документах вашей предметной области. ### Вход и размер запроса Текущий текстовый метод Ailoot задаёт предел одного входа в 32768 токенов. Более длинные материалы удобно индексировать отдельными фрагментами с собственными ссылками на источник. Доступный сценарий этой карточки — текст на входе и эмбеддинг на выходе. ### Доступно в Ailoot API Входные данные `text` Результат `embedding` Контекст 32 768 *токенов* Макс. ответ В каталоге не указано Вход 0,00 $ */ 1K* `nvidia/nemotron-3.5-embed-1b:free` · JSON ``` {"about":"### Семантический поиск по текстам\n\nNemotron 3.5 Embed 1B преобразует текст в числовое представление его содержания. Модель NVIDIA предназначена для поиска документов по смыслу: вопрос и подходящий фрагмент могут быть сформулированы разными словами. Такой результат используют в поиске по справочникам, внутренним инструкциям, статьям и базе ответов службы поддержки.\n\nИсходная модель NVIDIA объединяет текст и изображения документов в одном пространстве представлений; поколение 3.5 добавляет поиск по визуальному содержимому страниц. В этой карточке Ailoot используется её текстовый сценарий: текст на входе и вектор на выходе.\n\nВ Ailoot модель принимает текст через метод embeddings и возвращает вектор. Вектор служит для сравнения запроса с документами; готовый ответ пользователю формируется следующим этапом приложения. Это позволяет отдельно организовать поиск источников и подготовку ответа на их основе.\n\n### Как построить поиск\n\nСначала разделите материалы на законченные смысловые фрагменты и получите для каждого эмбеддинг. Сохраните вектор вместе с исходным текстом, названием документа и его идентификатором. При поиске преобразуйте вопрос той же моделью и выберите близкие векторы из индекса. Найденные фрагменты можно показать пользователю или передать текстовой модели как контекст для ответа с опорой на документы.\n\nДля запросов и документов используются отдельные представления, которые затем сопоставляются в одном поисковом процессе. При подготовке корпуса полезно сохранить рядом утверждение и поясняющий его контекст: так найденный фрагмент можно прочитать самостоятельно и связать с исходным документом.\n\n### Особенности модели\n\nВерсия 1B получена с использованием более крупной Nemotron 3.5 Embed 8B как модели-учителя. Текстовая часть основана на Nemotron 3 Embed 1B и сохраняет её пространство текстовых представлений. В описании исходной модели указан вектор из 2048 значений с L2-нормализацией. Это свойство полезно учитывать при проектировании индекса, проверяя размерность фактического ответа выбранного метода.\n\nТекстовый поиск оценивался на 34 языках, включая русский. Такой охват делает модель кандидатом для многоязычной базы знаний; качество подбора фрагментов стоит оценить на реальных вопросах и документах вашей предметной области.\n\n### Вход и размер запроса\n\nТекущий текстовый метод Ailoot задаёт предел одного входа в 32768 токенов. Более длинные материалы удобно индексировать отдельными фрагментами с собственными ссылками на источник. Доступный сценарий этой карточки — текст на входе и эмбеддинг на выходе.","alias_of":null,"aliases":[],"author":"NVIDIA","canonical_model":"nvidia/nemotron-3.5-embed-1b:free","ctx":32768,"formats":["embeddings"],"id":"nvidia/nemotron-3.5-embed-1b: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-1b:free","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"nvidia/nemotron-3.5-embed-1b:free","request_model_id":"nvidia/nemotron-3.5-embed-1b:free","route_label":"Ultra"}],"name":"NVIDIA: Nemotron 3.5 Embed 1B (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-1b:free","short":"Текстовые эмбеддинги NVIDIA для многоязычного семантического поиска и подбора источников в RAG."} ``` ## Вопросы Как выбрать модель для своей задачи? Сначала определите нужные вход и выход: текст, изображение, аудио или видео. Затем сравните совместимые API-методы, точный ID модели или текущую цель alias, цену и единицу расчёта. Бесплатный GET /v1/models показывает модели, доступные вашему ключу. Каждая ли модель поддерживает все API-методы и типы медиа? Используйте API-методы и типы входа и выхода, указанные в карточке модели. Поддержка текста, изображений, аудио или видео зависит от выбранных модели и метода; перед отправкой данных проверьте их пример запроса. Чем точный ID модели отличается от alias? Точный ID обозначает конкретную модель. Alias указывает на модель, и его цель может меняться. Проверьте текущую цель alias в каталоге; используйте точный ID, когда интеграции нужна конкретная модель. Как сравнить цены до отправки запроса? Проверьте в карточке модели цену и единицу расчёта для выбранного API-метода. Сравнивайте одинаковые единицы и типы входа и выхода; история запросов показывает фактическое использование и списанную сумму. Что даёт подписка? Скидку на покупку токенов для регулярной работы. Выберите тариф по своему объёму запросов; условия и стоимость подписки показаны при оформлении. Как применить промокод на скидку до 50%? Введите промокод при покупке токенов. Итоговая сумма пересчитывается по условиям акции; размер скидки виден до оплаты. ## Ailoot · Компания и портфель её проектов Ailoot опирается на накопленный опыт работы, большую клиентскую базу, стабильный сервис и постоянный контроль KPI. Компания и портфель её проектов: миллионы клиентов; продажи на миллиарды ежемесячно. Этот опыт Ailoot использует для API-доступа к нейросетям в продуктах клиентов, агентах, приложениях и автоматизациях.