{
  "aboutHtml": "<h3>Поиск по смыслу в базе знаний</h3><p>Nemotron 3.5 Embed 8B — модель NVIDIA для преобразования запросов и документов в эмбеддинги. Эти числовые представления помогают сопоставлять текст по содержанию, когда формулировка вопроса отличается от слов в источнике. Модель подходит для поискового слоя корпоративной базы знаний, справочного сервиса и приложения, которое подбирает документы перед подготовкой ответа.</p><p>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.</p><p>В Ailoot доступен текстовый вход и векторный выход через embeddings. Приложение получает представление исходного материала и использует его для поиска близких записей в индексе. Если нужен связный ответ с объяснением, найденные тексты можно передать отдельной модели генерации вместе с вопросом пользователя.</p><h3>Чем отличается версия 8B</h3><p>В основе текстового кодирования лежит Nemotron 3 Embed 8B. При создании поколения 3.5 NVIDIA сохранила эту текстовую часть и её пространство эмбеддингов, расширив исходную модель дополнительными возможностями. В опубликованной карточке описан выход из 4096 значений, полученный усреднением токенных представлений и L2-нормализацией. При подготовке векторного индекса его размерность следует согласовать с фактическим ответом метода.</p><p>Текстовый поиск оценивался на 34 языках, включая русский. Для многоязычных инструкций и справочников это позволяет рассматривать модель как общий слой поиска. Результат подбора зависит от состава базы, разделения документов и характерных вопросов пользователей; полезно проверять его на материалах вашей предметной области.</p><h3>Рабочий процесс</h3><ol><li>Разбейте исходные документы на фрагменты, каждый из которых содержит законченный ответ или объяснение.</li><li>Получите эмбеддинги и сохраните их вместе с текстом, заголовком и ссылкой на источник.</li><li>Преобразуйте пользовательский вопрос той же моделью и найдите близкие записи.</li><li>Покажите найденные фрагменты или используйте их в RAG для подготовки ответа с опорой на источники.</li></ol><h3>Размер входа</h3><p>Для этого варианта Ailoot указывает текстовый контекст и предел входа в 32768 токенов. Фрагменты длинного документа можно хранить как самостоятельные записи с общей ссылкой на исходный материал. Доступный результат модели — эмбеддинг текста, который приложение использует в дальнейшей обработке.</p>",
  "aboutText": "### Поиск по смыслу в базе знаний\n\nNemotron 3.5 Embed 8B — модель NVIDIA для преобразования запросов и документов в эмбеддинги. Эти числовые представления помогают сопоставлять текст по содержанию, когда формулировка вопроса отличается от слов в источнике. Модель подходит для поискового слоя корпоративной базы знаний, справочного сервиса и приложения, которое подбирает документы перед подготовкой ответа.\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 доступен текстовый вход и векторный выход через embeddings. Приложение получает представление исходного материала и использует его для поиска близких записей в индексе. Если нужен связный ответ с объяснением, найденные тексты можно передать отдельной модели генерации вместе с вопросом пользователя.\n\n### Чем отличается версия 8B\n\nВ основе текстового кодирования лежит Nemotron 3 Embed 8B. При создании поколения 3.5 NVIDIA сохранила эту текстовую часть и её пространство эмбеддингов, расширив исходную модель дополнительными возможностями. В опубликованной карточке описан выход из 4096 значений, полученный усреднением токенных представлений и L2-нормализацией. При подготовке векторного индекса его размерность следует согласовать с фактическим ответом метода.\n\nТекстовый поиск оценивался на 34 языках, включая русский. Для многоязычных инструкций и справочников это позволяет рассматривать модель как общий слой поиска. Результат подбора зависит от состава базы, разделения документов и характерных вопросов пользователей; полезно проверять его на материалах вашей предметной области.\n\n### Рабочий процесс\n\n1. Разбейте исходные документы на фрагменты, каждый из которых содержит законченный ответ или объяснение.\n2. Получите эмбеддинги и сохраните их вместе с текстом, заголовком и ссылкой на источник.\n3. Преобразуйте пользовательский вопрос той же моделью и найдите близкие записи.\n4. Покажите найденные фрагменты или используйте их в RAG для подготовки ответа с опорой на источники.\n\n### Размер входа\n\nДля этого варианта Ailoot указывает текстовый контекст и предел входа в 32768 токенов. Фрагменты длинного документа можно хранить как самостоятельные записи с общей ссылкой на исходный материал. Доступный результат модели — эмбеддинг текста, который приложение использует в дальнейшей обработке.",
  "locale": "ru",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Эмбеддинги</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Входные данные</dt><dd><code>text</code></dd></div><div><dt>Результат</dt><dd><code>embedding</code></dd></div><div><dt>Контекст</dt><dd>32 768 <em>токенов</em></dd></div><div><dt>Макс. ответ</dt><dd>В каталоге не указано</dd></div></dl><dl><div><dt>Вход</dt><dd>0,00 $ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "nvidia/nemotron-3.5-embed-8b:free",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "nvidia/nemotron-3.5-embed-8b:free",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|nvidia%2Fnemotron-3.5-embed-8b%3Afree",
      "ordinal": 0,
      "rawMethod": {
        "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-8b:free",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    }
  ],
  "model_id": "nvidia/nemotron-3.5-embed-8b:free",
  "page": {
    "canonical": "https://ailoot.ai/models/ru/nvidia-nemotron-3-5-embed-8b-free/",
    "description": "Многоязычные текстовые эмбеддинги NVIDIA для семантического поиска по документам и построения RAG.",
    "locale": "ru",
    "md_url": "https://ailoot.ai/models/ru/nvidia-nemotron-3-5-embed-8b-free/index.md",
    "title": "NVIDIA: Nemotron 3.5 Embed 8B (free)",
    "url": "https://ailoot.ai/models/ru/nvidia-nemotron-3-5-embed-8b-free/"
  },
  "rawModel": {
    "about": "### Поиск по смыслу в базе знаний\n\nNemotron 3.5 Embed 8B — модель NVIDIA для преобразования запросов и документов в эмбеддинги. Эти числовые представления помогают сопоставлять текст по содержанию, когда формулировка вопроса отличается от слов в источнике. Модель подходит для поискового слоя корпоративной базы знаний, справочного сервиса и приложения, которое подбирает документы перед подготовкой ответа.\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 доступен текстовый вход и векторный выход через embeddings. Приложение получает представление исходного материала и использует его для поиска близких записей в индексе. Если нужен связный ответ с объяснением, найденные тексты можно передать отдельной модели генерации вместе с вопросом пользователя.\n\n### Чем отличается версия 8B\n\nВ основе текстового кодирования лежит Nemotron 3 Embed 8B. При создании поколения 3.5 NVIDIA сохранила эту текстовую часть и её пространство эмбеддингов, расширив исходную модель дополнительными возможностями. В опубликованной карточке описан выход из 4096 значений, полученный усреднением токенных представлений и L2-нормализацией. При подготовке векторного индекса его размерность следует согласовать с фактическим ответом метода.\n\nТекстовый поиск оценивался на 34 языках, включая русский. Для многоязычных инструкций и справочников это позволяет рассматривать модель как общий слой поиска. Результат подбора зависит от состава базы, разделения документов и характерных вопросов пользователей; полезно проверять его на материалах вашей предметной области.\n\n### Рабочий процесс\n\n1. Разбейте исходные документы на фрагменты, каждый из которых содержит законченный ответ или объяснение.\n2. Получите эмбеддинги и сохраните их вместе с текстом, заголовком и ссылкой на источник.\n3. Преобразуйте пользовательский вопрос той же моделью и найдите близкие записи.\n4. Покажите найденные фрагменты или используйте их в RAG для подготовки ответа с опорой на источники.\n\n### Размер входа\n\nДля этого варианта Ailoot указывает текстовый контекст и предел входа в 32768 токенов. Фрагменты длинного документа можно хранить как самостоятельные записи с общей ссылкой на исходный материал. Доступный результат модели — эмбеддинг текста, который приложение использует в дальнейшей обработке.",
    "alias_of": null,
    "aliases": [],
    "author": "NVIDIA",
    "canonical_model": "nvidia/nemotron-3.5-embed-8b:free",
    "ctx": 32768,
    "formats": [
      "embeddings"
    ],
    "id": "nvidia/nemotron-3.5-embed-8b: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-8b:free",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "nvidia/nemotron-3.5-embed-8b:free",
        "request_model_id": "nvidia/nemotron-3.5-embed-8b:free",
        "route_label": "Ultra"
      }
    ],
    "name": "NVIDIA: Nemotron 3.5 Embed 8B (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-8b:free",
    "short": "Многоязычные текстовые эмбеддинги NVIDIA для семантического поиска по документам и построения RAG."
  },
  "renderer_schema": {
    "method_order": "rawModel.methods-ordinal",
    "prices": "exact-native-DTO-units-and-selected-renderer-html"
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "Многоязычные текстовые эмбеддинги NVIDIA для семантического поиска по документам и построения RAG.",
  "source": {
    "audit_sha256": "22106705c1e775e9dbb4f4a88acef90e1048ec2bddfcc7659cd440c4e43096c7",
    "bridge_map_sha256": "22106705c1e775e9dbb4f4a88acef90e1048ec2bddfcc7659cd440c4e43096c7",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "ef0ee079b1017109da7652760ac38a3331afef0841bd1969e7252b64cdc694eb",
      "renderer_sha256": "4455185244e767a5972aed0cf12d556d2bd341b0e4ccfcb23a2e044ab9fc9321"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "ef0ee079b1017109da7652760ac38a3331afef0841bd1969e7252b64cdc694eb",
    "renderer_sha256": "4455185244e767a5972aed0cf12d556d2bd341b0e4ccfcb23a2e044ab9fc9321"
  },
  "sourceRevision": "d220716a18bfbebd7f5f67629790d7f7729793aba7514d7cead959ac8522ef24"
}