{ "aboutHtml": "

Matnlar bo‘yicha maʼnoviy qidiruv

Nemotron 3.5 Embed 1B matnni mazmunining sonli ifodasiga aylantiradi. NVIDIA modeli hujjatlarni maʼnosiga ko‘ra izlashga mo‘ljallangan: savol va mos parcha turlicha so‘z bilan yozilgan bo‘lishi mumkin. Bu natija maʼlumotnomalar, ichki yo‘riqnomalar, maqolalar va yordam xizmati javoblar bazasidan qidirishda ishlatiladi.

Asl NVIDIA modeli matn va hujjat tasvirlarini yagona ifodalar makonida birlashtiradi; 3.5 avlodi sahifalarning vizual mazmuni bo‘yicha qidirishni qo‘shadi. Bu Ailoot kartochkasida uning matnli jarayoni ishlatiladi: kirishda matn, chiqishda vektor.

Ailootʼda model embeddings usuli orqali matn qabul qilib, vektor qaytaradi. Vektor so‘rovni hujjatlar bilan solishtirishga xizmat qiladi; foydalanuvchiga tayyor javob ilovaning keyingi bosqichida tuziladi. Bu manba izlash va ularga asoslangan javob tayyorlashni alohida tashkil etishga imkon beradi.

Qidiruvni qanday qurish kerak

Avval materiallarni tugallangan maʼnoviy parchalarga ajratib, har biri uchun embedding oling. Vektorni asl matn, hujjat nomi va identifikatori bilan birga saqlang. Qidirishda savolni ayni modelda aylantirib, indeksdan yaqin vektorlarni tanlang. Topilgan parchalarni foydalanuvchiga ko‘rsatish yoki matn modeliga hujjatlarga asoslangan javob konteksti sifatida yuborish mumkin.

So‘rov va hujjatlar uchun alohida ifodalar ishlatiladi, keyin ular bitta qidiruv jarayonida solishtiriladi. Korpus tayyorlashda fikr va uni izohlovchi kontekstni yonma-yon saqlash foydali: shunda topilgan parchani mustaqil o‘qib, asl hujjatga bog‘lash mumkin.

Model xususiyatlari

1B versiyasi kattaroq Nemotron 3.5 Embed 8Bʼdan o‘qituvchi model sifatida foydalanib olingan. Matn qismi Nemotron 3 Embed 1Bʼga asoslanib, uning matnli ifodalar makonini saqlaydi. Asl model tavsifida L2-normalizatsiyali 2048 qiymatli vektor ko‘rsatilgan. Indeks loyihalashda tanlangan usul haqiqiy javobining o‘lchamini tekshirib, bu xususiyatni hisobga olish foydali.

Matnli qidiruv 34 tilda, jumladan rus tilida baholangan. Bu qamrov modelni ko‘p tilli bilimlar bazasi uchun nomzod qiladi; parcha tanlash sifatini o‘z sohangizdagi haqiqiy savol va hujjatlarda baholash kerak.

Kirish va so‘rov hajmi

Ailootʼning joriy matnli usuli bitta kirishga 4096 token chegarasini belgilaydi. Uzun materiallarni o‘z manba havolalariga ega alohida parchalar ko‘rinishida indekslash qulay. Bu kartochkadagi mavjud jarayon — kirishda matn va chiqishda embedding.

", "aboutText": "### Matnlar bo‘yicha maʼnoviy qidiruv\n\nNemotron 3.5 Embed 1B matnni mazmunining sonli ifodasiga aylantiradi. NVIDIA modeli hujjatlarni maʼnosiga ko‘ra izlashga mo‘ljallangan: savol va mos parcha turlicha so‘z bilan yozilgan bo‘lishi mumkin. Bu natija maʼlumotnomalar, ichki yo‘riqnomalar, maqolalar va yordam xizmati javoblar bazasidan qidirishda ishlatiladi.\n\nAsl NVIDIA modeli matn va hujjat tasvirlarini yagona ifodalar makonida birlashtiradi; 3.5 avlodi sahifalarning vizual mazmuni bo‘yicha qidirishni qo‘shadi. Bu Ailoot kartochkasida uning matnli jarayoni ishlatiladi: kirishda matn, chiqishda vektor.\n\nAilootʼda model embeddings usuli orqali matn qabul qilib, vektor qaytaradi. Vektor so‘rovni hujjatlar bilan solishtirishga xizmat qiladi; foydalanuvchiga tayyor javob ilovaning keyingi bosqichida tuziladi. Bu manba izlash va ularga asoslangan javob tayyorlashni alohida tashkil etishga imkon beradi.\n\n### Qidiruvni qanday qurish kerak\n\nAvval materiallarni tugallangan maʼnoviy parchalarga ajratib, har biri uchun embedding oling. Vektorni asl matn, hujjat nomi va identifikatori bilan birga saqlang. Qidirishda savolni ayni modelda aylantirib, indeksdan yaqin vektorlarni tanlang. Topilgan parchalarni foydalanuvchiga ko‘rsatish yoki matn modeliga hujjatlarga asoslangan javob konteksti sifatida yuborish mumkin.\n\nSo‘rov va hujjatlar uchun alohida ifodalar ishlatiladi, keyin ular bitta qidiruv jarayonida solishtiriladi. Korpus tayyorlashda fikr va uni izohlovchi kontekstni yonma-yon saqlash foydali: shunda topilgan parchani mustaqil o‘qib, asl hujjatga bog‘lash mumkin.\n\n### Model xususiyatlari\n\n1B versiyasi kattaroq Nemotron 3.5 Embed 8Bʼdan o‘qituvchi model sifatida foydalanib olingan. Matn qismi Nemotron 3 Embed 1Bʼga asoslanib, uning matnli ifodalar makonini saqlaydi. Asl model tavsifida L2-normalizatsiyali 2048 qiymatli vektor ko‘rsatilgan. Indeks loyihalashda tanlangan usul haqiqiy javobining o‘lchamini tekshirib, bu xususiyatni hisobga olish foydali.\n\nMatnli qidiruv 34 tilda, jumladan rus tilida baholangan. Bu qamrov modelni ko‘p tilli bilimlar bazasi uchun nomzod qiladi; parcha tanlash sifatini o‘z sohangizdagi haqiqiy savol va hujjatlarda baholash kerak.\n\n### Kirish va so‘rov hajmi\n\nAilootʼning joriy matnli usuli bitta kirishga 4096 token chegarasini belgilaydi. Uzun materiallarni o‘z manba havolalariga ega alohida parchalar ko‘rinishida indekslash qulay. Bu kartochkadagi mavjud jarayon — kirishda matn va chiqishda embedding.", "locale": "uz", "methods": [ { "html": "
Core EmbeddinglarPOST /v1/embeddings
Kirish
text
Chiqish
embedding
Kontekst
4 096 token
Maks. javob
Katalogda ko‘rsatilmagan
Kirish
0,0001 US$ / 1K
", "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/uz/nvidia-nemotron-3-5-embed-1b/", "description": "Ko‘p tilli maʼnoviy qidiruv va RAGʼda manba tanlash uchun NVIDIA matn embeddinglari.", "locale": "uz", "md_url": "https://ailoot.ai/models/uz/nvidia-nemotron-3-5-embed-1b/index.md", "title": "nvidia/nemotron-3.5-embed-1b", "url": "https://ailoot.ai/models/uz/nvidia-nemotron-3-5-embed-1b/" }, "rawModel": { "about": "### Matnlar bo‘yicha maʼnoviy qidiruv\n\nNemotron 3.5 Embed 1B matnni mazmunining sonli ifodasiga aylantiradi. NVIDIA modeli hujjatlarni maʼnosiga ko‘ra izlashga mo‘ljallangan: savol va mos parcha turlicha so‘z bilan yozilgan bo‘lishi mumkin. Bu natija maʼlumotnomalar, ichki yo‘riqnomalar, maqolalar va yordam xizmati javoblar bazasidan qidirishda ishlatiladi.\n\nAsl NVIDIA modeli matn va hujjat tasvirlarini yagona ifodalar makonida birlashtiradi; 3.5 avlodi sahifalarning vizual mazmuni bo‘yicha qidirishni qo‘shadi. Bu Ailoot kartochkasida uning matnli jarayoni ishlatiladi: kirishda matn, chiqishda vektor.\n\nAilootʼda model embeddings usuli orqali matn qabul qilib, vektor qaytaradi. Vektor so‘rovni hujjatlar bilan solishtirishga xizmat qiladi; foydalanuvchiga tayyor javob ilovaning keyingi bosqichida tuziladi. Bu manba izlash va ularga asoslangan javob tayyorlashni alohida tashkil etishga imkon beradi.\n\n### Qidiruvni qanday qurish kerak\n\nAvval materiallarni tugallangan maʼnoviy parchalarga ajratib, har biri uchun embedding oling. Vektorni asl matn, hujjat nomi va identifikatori bilan birga saqlang. Qidirishda savolni ayni modelda aylantirib, indeksdan yaqin vektorlarni tanlang. Topilgan parchalarni foydalanuvchiga ko‘rsatish yoki matn modeliga hujjatlarga asoslangan javob konteksti sifatida yuborish mumkin.\n\nSo‘rov va hujjatlar uchun alohida ifodalar ishlatiladi, keyin ular bitta qidiruv jarayonida solishtiriladi. Korpus tayyorlashda fikr va uni izohlovchi kontekstni yonma-yon saqlash foydali: shunda topilgan parchani mustaqil o‘qib, asl hujjatga bog‘lash mumkin.\n\n### Model xususiyatlari\n\n1B versiyasi kattaroq Nemotron 3.5 Embed 8Bʼdan o‘qituvchi model sifatida foydalanib olingan. Matn qismi Nemotron 3 Embed 1Bʼga asoslanib, uning matnli ifodalar makonini saqlaydi. Asl model tavsifida L2-normalizatsiyali 2048 qiymatli vektor ko‘rsatilgan. Indeks loyihalashda tanlangan usul haqiqiy javobining o‘lchamini tekshirib, bu xususiyatni hisobga olish foydali.\n\nMatnli qidiruv 34 tilda, jumladan rus tilida baholangan. Bu qamrov modelni ko‘p tilli bilimlar bazasi uchun nomzod qiladi; parcha tanlash sifatini o‘z sohangizdagi haqiqiy savol va hujjatlarda baholash kerak.\n\n### Kirish va so‘rov hajmi\n\nAilootʼning joriy matnli usuli bitta kirishga 4096 token chegarasini belgilaydi. Uzun materiallarni o‘z manba havolalariga ega alohida parchalar ko‘rinishida indekslash qulay. Bu kartochkadagi mavjud jarayon — kirishda matn va chiqishda embedding.", "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": "Ko‘p tilli maʼnoviy qidiruv va RAGʼda manba tanlash uchun NVIDIA matn embeddinglari." }, "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": "Ko‘p tilli maʼnoviy qidiruv va RAGʼda manba tanlash uchun NVIDIA matn embeddinglari.", "source": { "audit_sha256": "de64d489b2e9076613ea77c986ebdfeec6e540cee91a018059afe0ffe98d5dd9", "bridge_map_sha256": "de64d489b2e9076613ea77c986ebdfeec6e540cee91a018059afe0ffe98d5dd9", "projection_audit": { "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e", "raw_model_json_sha256": "dc6c72030ed44fb19ece9b038f1bea1b83e0fd5e39946bc37e3ec4759558dcf7", "renderer_sha256": "cc3e7eb5f31837bb63a187f76259b8aa0a10ebdf2c8cb67803b0a2a0f5f31bf0" }, "projection_kind": "catalogue-refresh-native-dto-v1", "raw_model_json_sha256": "dc6c72030ed44fb19ece9b038f1bea1b83e0fd5e39946bc37e3ec4759558dcf7", "renderer_sha256": "cc3e7eb5f31837bb63a187f76259b8aa0a10ebdf2c8cb67803b0a2a0f5f31bf0" }, "sourceRevision": "0f370e871853682fab8454e53cc8292697184833bc654bf055360926fc4a0ef2" }