Nemotron 3.5 Embed 1B omvandlar text till en numerisk representation av dess innehåll. NVIDIAs modell är avsedd för semantisk dokumentsökning: frågan och det relevanta avsnittet kan vara formulerade med olika ord. Resultatet används för sökning i handböcker, interna instruktioner, artiklar och supportens svarsdatabas.
Den ursprungliga NVIDIA-modellen förenar text och dokumentbilder i ett gemensamt representationsrum; generation 3.5 lägger till sökning i sidornas visuella innehåll. Det här modellkortet i Ailoot API använder textflödet: text som indata och en vektor som utdata.
I Ailoot API tar modellen emot text via metoden embeddings och returnerar en vektor. Vektorn används för att jämföra frågan med dokument; det färdiga användarsvaret skapas i applikationens nästa steg. Det gör att källsökning och framtagning av ett källbaserat svar kan organiseras separat.
Dela först materialet i självständiga meningsbärande avsnitt och skapa en embedding för varje avsnitt. Spara vektorn tillsammans med källtext, dokumentnamn och identifierare. Vid sökning omvandlar du frågan med samma modell och väljer närliggande vektorer ur indexet. De hittade avsnitten kan visas för användaren eller skickas som kontext till en textmodell för ett dokumentbaserat svar.
För frågor och dokument används separata representationer som sedan jämförs i samma sökflöde. När du förbereder textsamlingen är det bra att hålla ett påstående och dess förklarande sammanhang tillsammans: då kan det hittade avsnittet läsas fristående och kopplas till ursprungsdokumentet.
Version 1B har tagits fram med den större Nemotron 3.5 Embed 8B som lärarmodell. Textdelen bygger på Nemotron 3 Embed 1B och behåller dess textrepresentationsrum. Beskrivningen av ursprungsmodellen anger en vektor med 2048 värden och L2-normalisering. Egenskapen är relevant vid utformning av indexet, samtidigt som dimensionen i den valda metodens faktiska svar bör kontrolleras.
Textsökningen har utvärderats på 34 språk, inklusive ryska. Bredden gör modellen till en kandidat för flerspråkiga kunskapsbaser; kvaliteten på avsnittsurvalet bör bedömas med verkliga frågor och dokument inom ditt ämnesområde.
Den aktuella textmetoden i Ailoot API begränsar en enskild indata till 4096 token. Längre material kan med fördel indexeras som separata avsnitt med egna källhänvisningar. Det tillgängliga arbetsflödet i det här modellkortet är text som indata och en embedding som utdata.
", "aboutText": "### Semantisk sökning i texter\n\nNemotron 3.5 Embed 1B omvandlar text till en numerisk representation av dess innehåll. NVIDIAs modell är avsedd för semantisk dokumentsökning: frågan och det relevanta avsnittet kan vara formulerade med olika ord. Resultatet används för sökning i handböcker, interna instruktioner, artiklar och supportens svarsdatabas.\n\nDen ursprungliga NVIDIA-modellen förenar text och dokumentbilder i ett gemensamt representationsrum; generation 3.5 lägger till sökning i sidornas visuella innehåll. Det här modellkortet i Ailoot API använder textflödet: text som indata och en vektor som utdata.\n\nI Ailoot API tar modellen emot text via metoden embeddings och returnerar en vektor. Vektorn används för att jämföra frågan med dokument; det färdiga användarsvaret skapas i applikationens nästa steg. Det gör att källsökning och framtagning av ett källbaserat svar kan organiseras separat.\n\n### Så bygger du sökningen\n\nDela först materialet i självständiga meningsbärande avsnitt och skapa en embedding för varje avsnitt. Spara vektorn tillsammans med källtext, dokumentnamn och identifierare. Vid sökning omvandlar du frågan med samma modell och väljer närliggande vektorer ur indexet. De hittade avsnitten kan visas för användaren eller skickas som kontext till en textmodell för ett dokumentbaserat svar.\n\nFör frågor och dokument används separata representationer som sedan jämförs i samma sökflöde. När du förbereder textsamlingen är det bra att hålla ett påstående och dess förklarande sammanhang tillsammans: då kan det hittade avsnittet läsas fristående och kopplas till ursprungsdokumentet.\n\n### Modellens egenskaper\n\nVersion 1B har tagits fram med den större Nemotron 3.5 Embed 8B som lärarmodell. Textdelen bygger på Nemotron 3 Embed 1B och behåller dess textrepresentationsrum. Beskrivningen av ursprungsmodellen anger en vektor med 2048 värden och L2-normalisering. Egenskapen är relevant vid utformning av indexet, samtidigt som dimensionen i den valda metodens faktiska svar bör kontrolleras.\n\nTextsökningen har utvärderats på 34 språk, inklusive ryska. Bredden gör modellen till en kandidat för flerspråkiga kunskapsbaser; kvaliteten på avsnittsurvalet bör bedömas med verkliga frågor och dokument inom ditt ämnesområde.\n\n### Indata och begärans storlek\n\nDen aktuella textmetoden i Ailoot API begränsar en enskild indata till 4096 token. Längre material kan med fördel indexeras som separata avsnitt med egna källhänvisningar. Det tillgängliga arbetsflödet i det här modellkortet är text som indata och en embedding som utdata.", "locale": "sv", "methods": [ { "html": "POST /v1/embeddingstextembedding