{
  "aboutHtml": "<h3>การค้นหาข้อความตามความหมาย</h3><p>Nemotron 3.5 Embed 1B แปลงข้อความเป็นตัวแทนตัวเลขของเนื้อหา โมเดล NVIDIA นี้มีไว้ค้นหาเอกสารตามความหมาย แม้คำถามกับส่วนข้อความที่เหมาะสมจะใช้ถ้อยคำต่างกัน ผลลัพธ์ใช้ในงานค้นหาคู่มือ คำแนะนำภายใน บทความ และฐานคำตอบฝ่ายสนับสนุนได้</p><p>โมเดลต้นฉบับ NVIDIA รวมข้อความและภาพเอกสารไว้ในปริภูมิตัวแทนเดียว รุ่น 3.5 เพิ่มการค้นหาจากเนื้อหาภาพของหน้าเอกสาร หน้ารุ่น Ailoot นี้ใช้กรณีข้อความของโมเดล: ข้อความเข้าและเวกเตอร์ออก</p><p>ใน Ailoot โมเดลรับข้อความผ่านเมธอด embeddings และคืนเวกเตอร์ เวกเตอร์ใช้เปรียบเทียบคำค้นกับเอกสาร ส่วนคำตอบสำเร็จสำหรับผู้ใช้สร้างในขั้นถัดไปของแอปพลิเคชัน จึงจัดการค้นหาแหล่งข้อมูลและเตรียมคำตอบจากแหล่งเหล่านั้นแยกกันได้</p><h3>สร้างการค้นหาอย่างไร</h3><p>เริ่มจากแบ่งข้อมูลเป็นส่วนที่มีความหมายสมบูรณ์และสร้างเอ็มเบดดิงแต่ละส่วน เก็บเวกเตอร์พร้อมข้อความต้นฉบับ ชื่อเอกสาร และตัวระบุ เมื่อค้นหา แปลงคำถามด้วยโมเดลเดียวกันแล้วเลือกเวกเตอร์ใกล้เคียงจากดัชนี ส่วนข้อความที่พบอาจแสดงให้ผู้ใช้หรือส่งให้โมเดลข้อความเป็นบริบทสำหรับคำตอบอิงเอกสาร</p><p>คำค้นและเอกสารใช้ตัวแทนแยกกัน แล้วนำมาเปรียบเทียบในกระบวนการค้นหาเดียวกัน เมื่อเตรียมคลังข้อมูล ควรเก็บข้อกล่าวกับบริบทอธิบายไว้ใกล้กัน เพื่อให้ส่วนที่พบอ่านเข้าใจได้เองและเชื่อมกลับเอกสารต้นทางได้</p><h3>คุณสมบัติของโมเดล</h3><p>รุ่น 1B สร้างโดยใช้ Nemotron 3.5 Embed 8B ที่ใหญ่กว่าเป็นโมเดลครู ส่วนข้อความอิง Nemotron 3 Embed 1B และคงปริภูมิตัวแทนข้อความเดิม คำอธิบายโมเดลต้นฉบับระบุเวกเตอร์ 2048 ค่าที่ทำ L2 normalization คุณสมบัตินี้ควรนำมาพิจารณาเมื่อออกแบบดัชนี พร้อมตรวจจำนวนมิติจากคำตอบจริงของเมธอดที่เลือก</p><p>การค้นหาข้อความได้รับการประเมินใน 34 ภาษา รวมถึงรัสเซีย ความครอบคลุมนี้ทำให้โมเดลเป็นตัวเลือกสำหรับฐานความรู้หลายภาษา ควรประเมินคุณภาพการเลือกส่วนข้อความด้วยคำถามและเอกสารจริงในสาขาของคุณ</p><h3>ข้อมูลเข้าและขนาดคำขอ</h3><p>เมธอดข้อความ Ailoot ปัจจุบันกำหนดขีดจำกัดหนึ่งอินพุตไว้ที่ 4096 โทเคน ข้อมูลยาวกว่านี้ควรทำดัชนีแยกเป็นส่วนพร้อมการอ้างอิงแหล่งข้อมูลของตนเอง การใช้งานที่มีในหน้านี้คือข้อความเข้าและเอ็มเบดดิงออก</p>",
  "aboutText": "### การค้นหาข้อความตามความหมาย\n\nNemotron 3.5 Embed 1B แปลงข้อความเป็นตัวแทนตัวเลขของเนื้อหา โมเดล NVIDIA นี้มีไว้ค้นหาเอกสารตามความหมาย แม้คำถามกับส่วนข้อความที่เหมาะสมจะใช้ถ้อยคำต่างกัน ผลลัพธ์ใช้ในงานค้นหาคู่มือ คำแนะนำภายใน บทความ และฐานคำตอบฝ่ายสนับสนุนได้\n\nโมเดลต้นฉบับ NVIDIA รวมข้อความและภาพเอกสารไว้ในปริภูมิตัวแทนเดียว รุ่น 3.5 เพิ่มการค้นหาจากเนื้อหาภาพของหน้าเอกสาร หน้ารุ่น Ailoot นี้ใช้กรณีข้อความของโมเดล: ข้อความเข้าและเวกเตอร์ออก\n\nใน Ailoot โมเดลรับข้อความผ่านเมธอด embeddings และคืนเวกเตอร์ เวกเตอร์ใช้เปรียบเทียบคำค้นกับเอกสาร ส่วนคำตอบสำเร็จสำหรับผู้ใช้สร้างในขั้นถัดไปของแอปพลิเคชัน จึงจัดการค้นหาแหล่งข้อมูลและเตรียมคำตอบจากแหล่งเหล่านั้นแยกกันได้\n\n### สร้างการค้นหาอย่างไร\n\nเริ่มจากแบ่งข้อมูลเป็นส่วนที่มีความหมายสมบูรณ์และสร้างเอ็มเบดดิงแต่ละส่วน เก็บเวกเตอร์พร้อมข้อความต้นฉบับ ชื่อเอกสาร และตัวระบุ เมื่อค้นหา แปลงคำถามด้วยโมเดลเดียวกันแล้วเลือกเวกเตอร์ใกล้เคียงจากดัชนี ส่วนข้อความที่พบอาจแสดงให้ผู้ใช้หรือส่งให้โมเดลข้อความเป็นบริบทสำหรับคำตอบอิงเอกสาร\n\nคำค้นและเอกสารใช้ตัวแทนแยกกัน แล้วนำมาเปรียบเทียบในกระบวนการค้นหาเดียวกัน เมื่อเตรียมคลังข้อมูล ควรเก็บข้อกล่าวกับบริบทอธิบายไว้ใกล้กัน เพื่อให้ส่วนที่พบอ่านเข้าใจได้เองและเชื่อมกลับเอกสารต้นทางได้\n\n### คุณสมบัติของโมเดล\n\nรุ่น 1B สร้างโดยใช้ Nemotron 3.5 Embed 8B ที่ใหญ่กว่าเป็นโมเดลครู ส่วนข้อความอิง Nemotron 3 Embed 1B และคงปริภูมิตัวแทนข้อความเดิม คำอธิบายโมเดลต้นฉบับระบุเวกเตอร์ 2048 ค่าที่ทำ L2 normalization คุณสมบัตินี้ควรนำมาพิจารณาเมื่อออกแบบดัชนี พร้อมตรวจจำนวนมิติจากคำตอบจริงของเมธอดที่เลือก\n\nการค้นหาข้อความได้รับการประเมินใน 34 ภาษา รวมถึงรัสเซีย ความครอบคลุมนี้ทำให้โมเดลเป็นตัวเลือกสำหรับฐานความรู้หลายภาษา ควรประเมินคุณภาพการเลือกส่วนข้อความด้วยคำถามและเอกสารจริงในสาขาของคุณ\n\n### ข้อมูลเข้าและขนาดคำขอ\n\nเมธอดข้อความ Ailoot ปัจจุบันกำหนดขีดจำกัดหนึ่งอินพุตไว้ที่ 4096 โทเคน ข้อมูลยาวกว่านี้ควรทำดัชนีแยกเป็นส่วนพร้อมการอ้างอิงแหล่งข้อมูลของตนเอง การใช้งานที่มีในหน้านี้คือข้อความเข้าและเอ็มเบดดิงออก",
  "locale": "th",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Core\"><header><b><span class=\"alias\">Core</span> เอ็มเบดดิง</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>ขาเข้า</dt><dd><code>text</code></dd></div><div><dt>ขาออก</dt><dd><code>embedding</code></dd></div><div><dt>บริบท</dt><dd>4,096 <em>โทเคน</em></dd></div><div><dt>ความยาวคำตอบสูงสุด</dt><dd>ไม่ได้ระบุในแค็ตตาล็อก</dd></div></dl><dl><div><dt>ขาเข้า</dt><dd>US$0.0001 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "nvidia/nemotron-3.5-embed-1b",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "nvidia/nemotron-3.5-embed-1b",
        "route_label": "Core"
      },
      "method_key": "Core|embeddings|/v1/embeddings|nvidia%2Fnemotron-3.5-embed-1b",
      "ordinal": 0,
      "rawMethod": {
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": 4096,
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "embeddings",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.1,
        "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",
        "route_label": "Core",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    }
  ],
  "model_id": "nvidia/nemotron-3.5-embed-1b",
  "page": {
    "canonical": "https://ailoot.ai/models/th/nvidia-nemotron-3-5-embed-1b/",
    "description": "เอ็มเบดดิงข้อความของ NVIDIA สำหรับค้นหาเชิงความหมายหลายภาษาและเลือกแหล่งข้อมูลใน RAG",
    "locale": "th",
    "md_url": "https://ailoot.ai/models/th/nvidia-nemotron-3-5-embed-1b/index.md",
    "title": "nvidia/nemotron-3.5-embed-1b",
    "url": "https://ailoot.ai/models/th/nvidia-nemotron-3-5-embed-1b/"
  },
  "rawModel": {
    "about": "### การค้นหาข้อความตามความหมาย\n\nNemotron 3.5 Embed 1B แปลงข้อความเป็นตัวแทนตัวเลขของเนื้อหา โมเดล NVIDIA นี้มีไว้ค้นหาเอกสารตามความหมาย แม้คำถามกับส่วนข้อความที่เหมาะสมจะใช้ถ้อยคำต่างกัน ผลลัพธ์ใช้ในงานค้นหาคู่มือ คำแนะนำภายใน บทความ และฐานคำตอบฝ่ายสนับสนุนได้\n\nโมเดลต้นฉบับ NVIDIA รวมข้อความและภาพเอกสารไว้ในปริภูมิตัวแทนเดียว รุ่น 3.5 เพิ่มการค้นหาจากเนื้อหาภาพของหน้าเอกสาร หน้ารุ่น Ailoot นี้ใช้กรณีข้อความของโมเดล: ข้อความเข้าและเวกเตอร์ออก\n\nใน Ailoot โมเดลรับข้อความผ่านเมธอด embeddings และคืนเวกเตอร์ เวกเตอร์ใช้เปรียบเทียบคำค้นกับเอกสาร ส่วนคำตอบสำเร็จสำหรับผู้ใช้สร้างในขั้นถัดไปของแอปพลิเคชัน จึงจัดการค้นหาแหล่งข้อมูลและเตรียมคำตอบจากแหล่งเหล่านั้นแยกกันได้\n\n### สร้างการค้นหาอย่างไร\n\nเริ่มจากแบ่งข้อมูลเป็นส่วนที่มีความหมายสมบูรณ์และสร้างเอ็มเบดดิงแต่ละส่วน เก็บเวกเตอร์พร้อมข้อความต้นฉบับ ชื่อเอกสาร และตัวระบุ เมื่อค้นหา แปลงคำถามด้วยโมเดลเดียวกันแล้วเลือกเวกเตอร์ใกล้เคียงจากดัชนี ส่วนข้อความที่พบอาจแสดงให้ผู้ใช้หรือส่งให้โมเดลข้อความเป็นบริบทสำหรับคำตอบอิงเอกสาร\n\nคำค้นและเอกสารใช้ตัวแทนแยกกัน แล้วนำมาเปรียบเทียบในกระบวนการค้นหาเดียวกัน เมื่อเตรียมคลังข้อมูล ควรเก็บข้อกล่าวกับบริบทอธิบายไว้ใกล้กัน เพื่อให้ส่วนที่พบอ่านเข้าใจได้เองและเชื่อมกลับเอกสารต้นทางได้\n\n### คุณสมบัติของโมเดล\n\nรุ่น 1B สร้างโดยใช้ Nemotron 3.5 Embed 8B ที่ใหญ่กว่าเป็นโมเดลครู ส่วนข้อความอิง Nemotron 3 Embed 1B และคงปริภูมิตัวแทนข้อความเดิม คำอธิบายโมเดลต้นฉบับระบุเวกเตอร์ 2048 ค่าที่ทำ L2 normalization คุณสมบัตินี้ควรนำมาพิจารณาเมื่อออกแบบดัชนี พร้อมตรวจจำนวนมิติจากคำตอบจริงของเมธอดที่เลือก\n\nการค้นหาข้อความได้รับการประเมินใน 34 ภาษา รวมถึงรัสเซีย ความครอบคลุมนี้ทำให้โมเดลเป็นตัวเลือกสำหรับฐานความรู้หลายภาษา ควรประเมินคุณภาพการเลือกส่วนข้อความด้วยคำถามและเอกสารจริงในสาขาของคุณ\n\n### ข้อมูลเข้าและขนาดคำขอ\n\nเมธอดข้อความ Ailoot ปัจจุบันกำหนดขีดจำกัดหนึ่งอินพุตไว้ที่ 4096 โทเคน ข้อมูลยาวกว่านี้ควรทำดัชนีแยกเป็นส่วนพร้อมการอ้างอิงแหล่งข้อมูลของตนเอง การใช้งานที่มีในหน้านี้คือข้อความเข้าและเอ็มเบดดิงออก",
    "alias_of": null,
    "aliases": [],
    "author": "NVIDIA",
    "canonical_model": "nvidia/nemotron-3.5-embed-1b",
    "ctx": 4096,
    "formats": [
      "embeddings"
    ],
    "id": "nvidia/nemotron-3.5-embed-1b",
    "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": 4096,
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "embeddings",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.1,
        "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",
        "route_label": "Core",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "nvidia/nemotron-3.5-embed-1b",
        "request_model_id": "nvidia/nemotron-3.5-embed-1b",
        "route_label": "Core"
      }
    ],
    "name": "nvidia/nemotron-3.5-embed-1b",
    "price": {
      "in": 0.1,
      "in_label": null,
      "out": null,
      "out_label": null,
      "sort_in": 0.1,
      "sort_out": null,
      "varies": false
    },
    "public_id": "nvidia/nemotron-3.5-embed-1b",
    "short": "เอ็มเบดดิงข้อความของ NVIDIA สำหรับค้นหาเชิงความหมายหลายภาษาและเลือกแหล่งข้อมูลใน 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": "เอ็มเบดดิงข้อความของ NVIDIA สำหรับค้นหาเชิงความหมายหลายภาษาและเลือกแหล่งข้อมูลใน RAG",
  "source": {
    "audit_sha256": "456aeeb8c63b2351cca6076bb18dc26a52aba123964711e66cb271c178d933de",
    "bridge_map_sha256": "456aeeb8c63b2351cca6076bb18dc26a52aba123964711e66cb271c178d933de",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "1345b880dd9cf63fc5d581207f7801c9e46f22fdd2376b09d4b467b8404c512c",
      "renderer_sha256": "ff00245c84d95e11e326654be0ac0d72aa3db20ee75f241c9f19b61e75666743"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "1345b880dd9cf63fc5d581207f7801c9e46f22fdd2376b09d4b467b8404c512c",
    "renderer_sha256": "ff00245c84d95e11e326654be0ac0d72aa3db20ee75f241c9f19b61e75666743"
  },
  "sourceRevision": "d11ec813e95e8abcb0d3935d243dd45727a9e3d9d232f950d8f0f87a0e0b1885"
}