NVIDIA: Nemotron 3.5 Embed 8B (free)

{"about":"### Semantisk sökning i kunskapsbasen\n\nNemotron 3.5 Embed 8B är en NVIDIA-modell som omvandlar frågor och dokument till embeddings. Dessa numeriska representationer hjälper till att jämföra texter utifrån innehåll när frågans formulering skiljer sig från orden i källan. Modellen passar för söklagret i en företagskunskapsbas, en informationstjänst eller en applikation som väljer ut dokument innan ett svar förbereds.\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 finns textindata och vektorutdata via embeddings. Applikationen får en representation av underlaget och använder den för att hitta närliggande poster i indexet. Om ett sammanhängande svar med förklaring behövs kan de hittade texterna skickas till en separat genererande modell tillsammans med användarens fråga.\n\n### Det som skiljer version 8B\n\nTextkodningen bygger på Nemotron 3 Embed 8B. När NVIDIA skapade generation 3.5 behölls textdelen och dess embeddingrum, samtidigt som ursprungsmodellen utökades med fler förmågor. Det publicerade modellkortet beskriver ett resultat med 4096 värden som fås genom medelvärdesbildning av tokenrepresentationer och L2-normalisering. När vektorindexet förbereds ska dess dimension stämma överens med metodens faktiska svar.\n\nTextsökningen har utvärderats på 34 språk, inklusive ryska. För flerspråkiga instruktioner och handböcker gör det modellen till ett möjligt gemensamt söklager. Urvalets kvalitet beror på databasens innehåll, dokumentuppdelningen och användarnas typiska frågor; det bör testas på material inom ditt ämnesområde.\n\n### Arbetsflöde\n\n1. Dela källdokumenten i avsnitt som var och en innehåller ett fullständigt svar eller en förklaring.\n2. Skapa embeddings och spara dem tillsammans med text, rubrik och källhänvisning.\n3. Omvandla användarens fråga med samma modell och hitta närliggande poster.\n4. Visa avsnitten eller använd dem i RAG för att skapa ett källbaserat svar.\n\n### Indatans storlek\n\nFör den här varianten anger Ailoot API en textkontext och indatagräns på 32768 token. Avsnitt ur ett långt dokument kan lagras som separata poster med en gemensam hänvisning till ursprungsmaterialet. Modellens tillgängliga resultat är en textembedding som applikationen använder i den fortsatta bearbetningen.","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":"Flerspråkiga textembeddings från NVIDIA för semantisk dokumentsökning och RAG-system."}