Source: https://ailoot.ai/models/th/nvidia-nemotron-3-5-embed-1b/
Canonical: https://ailoot.ai/models/th/nvidia-nemotron-3-5-embed-1b/
Language: th

# nvidia/nemotron-3.5-embed-1b

[Markdown](https://ailoot.ai/models/th/nvidia-nemotron-3-5-embed-1b/index.md) · [JSON](https://ailoot.ai/models/th/nvidia-nemotron-3-5-embed-1b/facts.json)

## [nvidia/nemotron-3.5-embed-1b](https://ailoot.ai/models/th/nvidia-nemotron-3-5-embed-1b/)

`nvidia/nemotron-3.5-embed-1b`

NVIDIAเอ็มเบดดิงขาเข้า US$0.0001 / 1Kขาออก —

เอ็มเบดดิงข้อความของ NVIDIA สำหรับค้นหาเชิงความหมายหลายภาษาและเลือกแหล่งข้อมูลใน RAG

### การค้นหาข้อความตามความหมาย

Nemotron 3.5 Embed 1B แปลงข้อความเป็นตัวแทนตัวเลขของเนื้อหา โมเดล NVIDIA นี้มีไว้ค้นหาเอกสารตามความหมาย แม้คำถามกับส่วนข้อความที่เหมาะสมจะใช้ถ้อยคำต่างกัน ผลลัพธ์ใช้ในงานค้นหาคู่มือ คำแนะนำภายใน บทความ และฐานคำตอบฝ่ายสนับสนุนได้

โมเดลต้นฉบับ NVIDIA รวมข้อความและภาพเอกสารไว้ในปริภูมิตัวแทนเดียว รุ่น 3.5 เพิ่มการค้นหาจากเนื้อหาภาพของหน้าเอกสาร หน้ารุ่น Ailoot นี้ใช้กรณีข้อความของโมเดล: ข้อความเข้าและเวกเตอร์ออก

ใน Ailoot โมเดลรับข้อความผ่านเมธอด embeddings และคืนเวกเตอร์ เวกเตอร์ใช้เปรียบเทียบคำค้นกับเอกสาร ส่วนคำตอบสำเร็จสำหรับผู้ใช้สร้างในขั้นถัดไปของแอปพลิเคชัน จึงจัดการค้นหาแหล่งข้อมูลและเตรียมคำตอบจากแหล่งเหล่านั้นแยกกันได้

### สร้างการค้นหาอย่างไร

เริ่มจากแบ่งข้อมูลเป็นส่วนที่มีความหมายสมบูรณ์และสร้างเอ็มเบดดิงแต่ละส่วน เก็บเวกเตอร์พร้อมข้อความต้นฉบับ ชื่อเอกสาร และตัวระบุ เมื่อค้นหา แปลงคำถามด้วยโมเดลเดียวกันแล้วเลือกเวกเตอร์ใกล้เคียงจากดัชนี ส่วนข้อความที่พบอาจแสดงให้ผู้ใช้หรือส่งให้โมเดลข้อความเป็นบริบทสำหรับคำตอบอิงเอกสาร

คำค้นและเอกสารใช้ตัวแทนแยกกัน แล้วนำมาเปรียบเทียบในกระบวนการค้นหาเดียวกัน เมื่อเตรียมคลังข้อมูล ควรเก็บข้อกล่าวกับบริบทอธิบายไว้ใกล้กัน เพื่อให้ส่วนที่พบอ่านเข้าใจได้เองและเชื่อมกลับเอกสารต้นทางได้

### คุณสมบัติของโมเดล

รุ่น 1B สร้างโดยใช้ Nemotron 3.5 Embed 8B ที่ใหญ่กว่าเป็นโมเดลครู ส่วนข้อความอิง Nemotron 3 Embed 1B และคงปริภูมิตัวแทนข้อความเดิม คำอธิบายโมเดลต้นฉบับระบุเวกเตอร์ 2048 ค่าที่ทำ L2 normalization คุณสมบัตินี้ควรนำมาพิจารณาเมื่อออกแบบดัชนี พร้อมตรวจจำนวนมิติจากคำตอบจริงของเมธอดที่เลือก

การค้นหาข้อความได้รับการประเมินใน 34 ภาษา รวมถึงรัสเซีย ความครอบคลุมนี้ทำให้โมเดลเป็นตัวเลือกสำหรับฐานความรู้หลายภาษา ควรประเมินคุณภาพการเลือกส่วนข้อความด้วยคำถามและเอกสารจริงในสาขาของคุณ

### ข้อมูลเข้าและขนาดคำขอ

เมธอดข้อความ Ailoot ปัจจุบันกำหนดขีดจำกัดหนึ่งอินพุตไว้ที่ 4096 โทเคน ข้อมูลยาวกว่านี้ควรทำดัชนีแยกเป็นส่วนพร้อมการอ้างอิงแหล่งข้อมูลของตนเอง การใช้งานที่มีในหน้านี้คือข้อความเข้าและเอ็มเบดดิงออก

### ใช้งานได้ผ่าน Ailoot API

ขาเข้า

`text`

ขาออก

`embedding`

บริบท

4,096 *โทเคน*

ความยาวคำตอบสูงสุด

ไม่ได้ระบุในแค็ตตาล็อก

ขาเข้า

US$0.0001 */ 1K*

`nvidia/nemotron-3.5-embed-1b` · JSON

```
{"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"}
```

## คำถาม

จะเลือกโมเดลสำหรับงานของฉันได้อย่างไร?

เริ่มจากระบุอินพุตและเอาต์พุตที่ต้องการ ได้แก่ ข้อความ รูปภาพ เสียง หรือวิดีโอ จากนั้นเปรียบเทียบวิธี API ที่เข้ากันได้ ID โมเดลที่แน่นอนหรือโมเดลที่นามแฝงชี้ไปในปัจจุบัน ราคาและหน่วยคิดค่าบริการ โดย GET /v1/models ใช้งานฟรีและแสดงโมเดลที่คีย์ของคุณเข้าถึงได้

ทุกโมเดลรองรับวิธี API และประเภทสื่อทั้งหมดหรือไม่?

ใช้วิธี API และประเภทอินพุตและเอาต์พุตที่ระบุในหน้าข้อมูลโมเดล การรองรับข้อความ รูปภาพ เสียง หรือวิดีโอขึ้นอยู่กับโมเดลและวิธีที่เลือก ตรวจสอบตัวอย่างคำขอที่เกี่ยวข้องก่อนส่งข้อมูล

ID โมเดลต่างจากนามแฝงอย่างไร?

ID ที่แน่นอนระบุโมเดลเฉพาะ นามแฝงชี้ไปยังโมเดลหนึ่งและโมเดลปลายทางอาจเปลี่ยนได้ ตรวจสอบโมเดลที่นามแฝงชี้ไปในปัจจุบันในแค็ตตาล็อก และใช้ ID ที่แน่นอนเมื่อการเชื่อมต่อต้องใช้โมเดลเฉพาะ

จะเปรียบเทียบราคาก่อนส่งคำขอได้อย่างไร?

ตรวจสอบราคาและหน่วยคิดค่าบริการของวิธี API ที่เลือกในหน้าข้อมูลโมเดล เปรียบเทียบด้วยหน่วยและประเภทอินพุตและเอาต์พุตเดียวกัน ประวัติคำขอจะแสดงการใช้งานจริงและยอดเงินที่หัก

สมาชิกให้อะไร?

ส่วนลดซื้อโทเคนสำหรับงานประจำ เลือกแพ็กเกจตามปริมาณคำขอ เงื่อนไขและราคาสมาชิกแสดงตอนสมัคร

ใช้โค้ดส่วนลดสูงสุด 50% อย่างไร?

ใส่โค้ดเมื่อซื้อโทเคน ยอดรวมคำนวณตามโปรโมชั่น และเห็นส่วนลดก่อนจ่าย

## Ailoot · บริษัทและพอร์ตโฟลิโอโครงการของบริษัท





Ailoot อาศัยประสบการณ์การดำเนินงานที่สั่งสม ฐานลูกค้าขนาดใหญ่ บริการที่เสถียร และการติดตาม KPI อย่างต่อเนื่อง





บริษัทและพอร์ตโฟลิโอโครงการของบริษัท: ลูกค้าหลายล้านราย; ยอดขายระดับหลายพันล้านต่อเดือน.





Ailoot นำประสบการณ์การดำเนินงานนี้มาใช้เพื่อให้เข้าถึงฟังก์ชัน AI ผ่าน API ในผลิตภัณฑ์ของลูกค้า เอเจนต์ แอปพลิเคชัน และระบบอัตโนมัติ