{
  "aboutHtml": "<h3>ค้นหาตามความหมายในฐานความรู้</h3><p>Nemotron 3.5 Embed 8B เป็นโมเดล NVIDIA สำหรับแปลงคำค้นและเอกสารเป็นเอ็มเบดดิง ตัวแทนตัวเลขเหล่านี้ช่วยเทียบข้อความตามเนื้อหาเมื่อคำถามใช้ถ้อยคำต่างจากแหล่งข้อมูล เหมาะกับชั้นค้นหาของฐานความรู้องค์กร บริการข้อมูลอ้างอิง และแอปพลิเคชันที่คัดเอกสารก่อนเตรียมคำตอบ</p><p>โมเดลต้นฉบับ NVIDIA รวมข้อความและภาพเอกสารไว้ในปริภูมิตัวแทนเดียว รุ่น 3.5 เพิ่มการค้นหาจากเนื้อหาภาพของหน้าเอกสาร หน้ารุ่น Ailoot นี้ใช้กรณีข้อความ: ข้อความเข้าและเวกเตอร์ออก</p><p>ใน Ailoot รับข้อความและคืนเวกเตอร์ผ่าน embeddings แอปพลิเคชันได้รับตัวแทนของข้อมูลต้นทางแล้วใช้ค้นหารายการใกล้เคียงในดัชนี หากต้องการคำตอบต่อเนื่องพร้อมคำอธิบาย สามารถส่งข้อความที่พบกับคำถามผู้ใช้ให้โมเดลสร้างคำตอบอีกตัว</p><h3>รุ่น 8B ต่างอย่างไร</h3><p>การเข้ารหัสข้อความอิง Nemotron 3 Embed 8B เมื่อสร้างรุ่น 3.5 NVIDIA คงส่วนข้อความและปริภูมิเอ็มเบดดิงนี้ไว้ พร้อมเพิ่มความสามารถอื่นให้โมเดลต้นฉบับ หน้ารุ่นที่เผยแพร่อธิบายผลลัพธ์ 4096 ค่าที่ได้จากการเฉลี่ยตัวแทนโทเคนและทำ L2 normalization เมื่อเตรียมดัชนีเวกเตอร์ ควรกำหนดจำนวนมิติให้ตรงกับคำตอบจริงของเมธอด</p><p>การค้นหาข้อความได้รับการประเมินใน 34 ภาษา รวมถึงรัสเซีย สำหรับคำแนะนำและคู่มือหลายภาษา จึงพิจารณาโมเดลเป็นชั้นค้นหาร่วมได้ ผลการเลือกขึ้นอยู่กับองค์ประกอบฐานข้อมูล การแบ่งเอกสาร และคำถามทั่วไปของผู้ใช้ ควรตรวจด้วยข้อมูลในสาขาของคุณ</p><h3>กระบวนการทำงาน</h3><ol><li>แบ่งเอกสารต้นทางเป็นส่วนที่แต่ละส่วนมีคำตอบหรือคำอธิบายสมบูรณ์</li><li>สร้างเอ็มเบดดิงและเก็บพร้อมข้อความ ชื่อหัวข้อ และการอ้างอิงแหล่งข้อมูล</li><li>แปลงคำถามผู้ใช้ด้วยโมเดลเดียวกันและค้นหารายการใกล้เคียง</li><li>แสดงส่วนข้อความที่พบ หรือใช้ใน RAG เพื่อเตรียมคำตอบที่อิงแหล่งข้อมูล</li></ol><h3>ขนาดข้อมูลเข้า</h3><p>Ailoot ระบุบริบทข้อความและขีดจำกัดข้อมูลเข้าของรุ่นนี้ไว้ที่ 32768 โทเคน สามารถเก็บส่วนของเอกสารยาวเป็นรายการแยกที่อ้างอิงต้นฉบับเดียวกัน ผลลัพธ์ที่โมเดลให้คือเอ็มเบดดิงข้อความสำหรับการประมวลผลต่อในแอปพลิเคชัน</p>",
  "aboutText": "### ค้นหาตามความหมายในฐานความรู้\n\nNemotron 3.5 Embed 8B เป็นโมเดล NVIDIA สำหรับแปลงคำค้นและเอกสารเป็นเอ็มเบดดิง ตัวแทนตัวเลขเหล่านี้ช่วยเทียบข้อความตามเนื้อหาเมื่อคำถามใช้ถ้อยคำต่างจากแหล่งข้อมูล เหมาะกับชั้นค้นหาของฐานความรู้องค์กร บริการข้อมูลอ้างอิง และแอปพลิเคชันที่คัดเอกสารก่อนเตรียมคำตอบ\n\nโมเดลต้นฉบับ NVIDIA รวมข้อความและภาพเอกสารไว้ในปริภูมิตัวแทนเดียว รุ่น 3.5 เพิ่มการค้นหาจากเนื้อหาภาพของหน้าเอกสาร หน้ารุ่น Ailoot นี้ใช้กรณีข้อความ: ข้อความเข้าและเวกเตอร์ออก\n\nใน Ailoot รับข้อความและคืนเวกเตอร์ผ่าน embeddings แอปพลิเคชันได้รับตัวแทนของข้อมูลต้นทางแล้วใช้ค้นหารายการใกล้เคียงในดัชนี หากต้องการคำตอบต่อเนื่องพร้อมคำอธิบาย สามารถส่งข้อความที่พบกับคำถามผู้ใช้ให้โมเดลสร้างคำตอบอีกตัว\n\n### รุ่น 8B ต่างอย่างไร\n\nการเข้ารหัสข้อความอิง Nemotron 3 Embed 8B เมื่อสร้างรุ่น 3.5 NVIDIA คงส่วนข้อความและปริภูมิเอ็มเบดดิงนี้ไว้ พร้อมเพิ่มความสามารถอื่นให้โมเดลต้นฉบับ หน้ารุ่นที่เผยแพร่อธิบายผลลัพธ์ 4096 ค่าที่ได้จากการเฉลี่ยตัวแทนโทเคนและทำ L2 normalization เมื่อเตรียมดัชนีเวกเตอร์ ควรกำหนดจำนวนมิติให้ตรงกับคำตอบจริงของเมธอด\n\nการค้นหาข้อความได้รับการประเมินใน 34 ภาษา รวมถึงรัสเซีย สำหรับคำแนะนำและคู่มือหลายภาษา จึงพิจารณาโมเดลเป็นชั้นค้นหาร่วมได้ ผลการเลือกขึ้นอยู่กับองค์ประกอบฐานข้อมูล การแบ่งเอกสาร และคำถามทั่วไปของผู้ใช้ ควรตรวจด้วยข้อมูลในสาขาของคุณ\n\n### กระบวนการทำงาน\n\n1. แบ่งเอกสารต้นทางเป็นส่วนที่แต่ละส่วนมีคำตอบหรือคำอธิบายสมบูรณ์\n2. สร้างเอ็มเบดดิงและเก็บพร้อมข้อความ ชื่อหัวข้อ และการอ้างอิงแหล่งข้อมูล\n3. แปลงคำถามผู้ใช้ด้วยโมเดลเดียวกันและค้นหารายการใกล้เคียง\n4. แสดงส่วนข้อความที่พบ หรือใช้ใน RAG เพื่อเตรียมคำตอบที่อิงแหล่งข้อมูล\n\n### ขนาดข้อมูลเข้า\n\nAiloot ระบุบริบทข้อความและขีดจำกัดข้อมูลเข้าของรุ่นนี้ไว้ที่ 32768 โทเคน สามารถเก็บส่วนของเอกสารยาวเป็นรายการแยกที่อ้างอิงต้นฉบับเดียวกัน ผลลัพธ์ที่โมเดลให้คือเอ็มเบดดิงข้อความสำหรับการประมวลผลต่อในแอปพลิเคชัน",
  "locale": "th",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</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>32,768 <em>โทเคน</em></dd></div><div><dt>ความยาวคำตอบสูงสุด</dt><dd>ไม่ได้ระบุในแค็ตตาล็อก</dd></div></dl><dl><div><dt>ขาเข้า</dt><dd>US$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/th/nvidia-nemotron-3-5-embed-8b-free/",
    "description": "เอ็มเบดดิงข้อความหลายภาษาของ NVIDIA สำหรับค้นหาเอกสารตามความหมายและสร้างระบบ RAG",
    "locale": "th",
    "md_url": "https://ailoot.ai/models/th/nvidia-nemotron-3-5-embed-8b-free/index.md",
    "title": "NVIDIA: Nemotron 3.5 Embed 8B (free)",
    "url": "https://ailoot.ai/models/th/nvidia-nemotron-3-5-embed-8b-free/"
  },
  "rawModel": {
    "about": "### ค้นหาตามความหมายในฐานความรู้\n\nNemotron 3.5 Embed 8B เป็นโมเดล NVIDIA สำหรับแปลงคำค้นและเอกสารเป็นเอ็มเบดดิง ตัวแทนตัวเลขเหล่านี้ช่วยเทียบข้อความตามเนื้อหาเมื่อคำถามใช้ถ้อยคำต่างจากแหล่งข้อมูล เหมาะกับชั้นค้นหาของฐานความรู้องค์กร บริการข้อมูลอ้างอิง และแอปพลิเคชันที่คัดเอกสารก่อนเตรียมคำตอบ\n\nโมเดลต้นฉบับ NVIDIA รวมข้อความและภาพเอกสารไว้ในปริภูมิตัวแทนเดียว รุ่น 3.5 เพิ่มการค้นหาจากเนื้อหาภาพของหน้าเอกสาร หน้ารุ่น Ailoot นี้ใช้กรณีข้อความ: ข้อความเข้าและเวกเตอร์ออก\n\nใน Ailoot รับข้อความและคืนเวกเตอร์ผ่าน embeddings แอปพลิเคชันได้รับตัวแทนของข้อมูลต้นทางแล้วใช้ค้นหารายการใกล้เคียงในดัชนี หากต้องการคำตอบต่อเนื่องพร้อมคำอธิบาย สามารถส่งข้อความที่พบกับคำถามผู้ใช้ให้โมเดลสร้างคำตอบอีกตัว\n\n### รุ่น 8B ต่างอย่างไร\n\nการเข้ารหัสข้อความอิง Nemotron 3 Embed 8B เมื่อสร้างรุ่น 3.5 NVIDIA คงส่วนข้อความและปริภูมิเอ็มเบดดิงนี้ไว้ พร้อมเพิ่มความสามารถอื่นให้โมเดลต้นฉบับ หน้ารุ่นที่เผยแพร่อธิบายผลลัพธ์ 4096 ค่าที่ได้จากการเฉลี่ยตัวแทนโทเคนและทำ L2 normalization เมื่อเตรียมดัชนีเวกเตอร์ ควรกำหนดจำนวนมิติให้ตรงกับคำตอบจริงของเมธอด\n\nการค้นหาข้อความได้รับการประเมินใน 34 ภาษา รวมถึงรัสเซีย สำหรับคำแนะนำและคู่มือหลายภาษา จึงพิจารณาโมเดลเป็นชั้นค้นหาร่วมได้ ผลการเลือกขึ้นอยู่กับองค์ประกอบฐานข้อมูล การแบ่งเอกสาร และคำถามทั่วไปของผู้ใช้ ควรตรวจด้วยข้อมูลในสาขาของคุณ\n\n### กระบวนการทำงาน\n\n1. แบ่งเอกสารต้นทางเป็นส่วนที่แต่ละส่วนมีคำตอบหรือคำอธิบายสมบูรณ์\n2. สร้างเอ็มเบดดิงและเก็บพร้อมข้อความ ชื่อหัวข้อ และการอ้างอิงแหล่งข้อมูล\n3. แปลงคำถามผู้ใช้ด้วยโมเดลเดียวกันและค้นหารายการใกล้เคียง\n4. แสดงส่วนข้อความที่พบ หรือใช้ใน RAG เพื่อเตรียมคำตอบที่อิงแหล่งข้อมูล\n\n### ขนาดข้อมูลเข้า\n\nAiloot ระบุบริบทข้อความและขีดจำกัดข้อมูลเข้าของรุ่นนี้ไว้ที่ 32768 โทเคน สามารถเก็บส่วนของเอกสารยาวเป็นรายการแยกที่อ้างอิงต้นฉบับเดียวกัน ผลลัพธ์ที่โมเดลให้คือเอ็มเบดดิงข้อความสำหรับการประมวลผลต่อในแอปพลิเคชัน",
    "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": "เอ็มเบดดิงข้อความหลายภาษาของ NVIDIA สำหรับค้นหาเอกสารตามความหมายและสร้างระบบ 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": "เอ็มเบดดิงข้อความหลายภาษาของ NVIDIA สำหรับค้นหาเอกสารตามความหมายและสร้างระบบ RAG",
  "source": {
    "audit_sha256": "6ed22bee57203f869c6ecfa1526501991ebbc9290259cf7e8f41a09bb3177817",
    "bridge_map_sha256": "6ed22bee57203f869c6ecfa1526501991ebbc9290259cf7e8f41a09bb3177817",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "6f20c37fa051405ec380c5c08cbb9c5bf974710906e94fd14cd28e73ae05accc",
      "renderer_sha256": "ff00245c84d95e11e326654be0ac0d72aa3db20ee75f241c9f19b61e75666743"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "6f20c37fa051405ec380c5c08cbb9c5bf974710906e94fd14cd28e73ae05accc",
    "renderer_sha256": "ff00245c84d95e11e326654be0ac0d72aa3db20ee75f241c9f19b61e75666743"
  },
  "sourceRevision": "ff31cc91f75d65258523124a5542511227b286e1da59b61112436fb170e50433"
}