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.
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.
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.
Текущий текстовый метод Ailoot задаёт предел одного входа в 4096 токенов. Более длинные материалы удобно индексировать отдельными фрагментами с собственными ссылками на источник. Доступный сценарий этой карточки — текст на входе и эмбеддинг на выходе.
", "aboutText": "### 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 4096 токенов. Более длинные материалы удобно индексировать отдельными фрагментами с собственными ссылками на источник. Доступный сценарий этой карточки — текст на входе и эмбеддинг на выходе.", "locale": "ru", "methods": [ { "html": "POST /v1/embeddingstextembedding