{
  "aboutHtml": "<h3>Tìm kiếm văn bản theo ngữ nghĩa</h3><p>Nemotron 3.5 Embed 1B chuyển văn bản thành biểu diễn số của nội dung. Mô hình NVIDIA dành cho tìm tài liệu theo ý nghĩa: câu hỏi và đoạn phù hợp có thể dùng cách diễn đạt khác nhau. Kết quả được dùng để tìm trong tài liệu tham khảo, hướng dẫn nội bộ, bài viết và kho câu trả lời hỗ trợ.</p><p>Mô hình NVIDIA gốc kết hợp văn bản và ảnh tài liệu trong cùng không gian biểu diễn; thế hệ 3.5 bổ sung tìm kiếm nội dung thị giác của trang. Thẻ Ailoot API này dùng quy trình văn bản: đầu vào là văn bản, đầu ra là vectơ.</p><p>Trong Ailoot API, mô hình nhận văn bản qua phương thức embeddings và trả về vectơ. Vectơ dùng để so sánh truy vấn với tài liệu; bước tiếp theo của ứng dụng tạo câu trả lời hoàn chỉnh cho người dùng. Nhờ vậy có thể tổ chức riêng việc tìm nguồn và chuẩn bị câu trả lời dựa trên nguồn.</p><h3>Xây dựng tìm kiếm</h3><p>Trước hết chia tài liệu thành các đoạn trọn ý và lấy embedding cho từng đoạn. Lưu vectơ cùng văn bản gốc, tên và mã tài liệu. Khi tìm kiếm, chuyển câu hỏi bằng cùng mô hình rồi chọn các vectơ gần nhau trong chỉ mục. Có thể hiển thị các đoạn tìm được hoặc gửi cho mô hình văn bản làm ngữ cảnh để trả lời dựa trên tài liệu.</p><p>Truy vấn và tài liệu dùng các biểu diễn riêng, sau đó được đối chiếu trong cùng quy trình tìm kiếm. Khi chuẩn bị kho tài liệu, nên giữ một nhận định cùng ngữ cảnh giải thích nó: như vậy đoạn tìm được có thể đọc độc lập và liên hệ lại với tài liệu gốc.</p><h3>Đặc điểm mô hình</h3><p>Phiên bản 1B được tạo bằng cách dùng Nemotron 3.5 Embed 8B lớn hơn làm mô hình giáo viên. Phần văn bản dựa trên Nemotron 3 Embed 1B và giữ nguyên không gian biểu diễn văn bản của nó. Mô tả mô hình gốc nêu vectơ gồm 2048 giá trị với chuẩn hóa L2. Nên tính đến đặc điểm này khi thiết kế chỉ mục, đồng thời kiểm tra số chiều của phản hồi thực tế từ phương thức đã chọn.</p><p>Tìm kiếm văn bản được đánh giá trên 34 ngôn ngữ, gồm tiếng Nga. Phạm vi này khiến mô hình trở thành lựa chọn có thể cân nhắc cho cơ sở tri thức đa ngôn ngữ; cần đánh giá chất lượng chọn đoạn trên câu hỏi và tài liệu thực tế trong lĩnh vực của bạn.</p><h3>Đầu vào và kích thước yêu cầu</h3><p>Phương thức văn bản hiện tại của Ailoot API giới hạn một đầu vào ở 32768 token. Có thể lập chỉ mục tài liệu dài thành các đoạn riêng với liên kết nguồn riêng. Quy trình của thẻ này là văn bản đầu vào và embedding đầu ra.</p>",
  "aboutText": "### Tìm kiếm văn bản theo ngữ nghĩa\n\nNemotron 3.5 Embed 1B chuyển văn bản thành biểu diễn số của nội dung. Mô hình NVIDIA dành cho tìm tài liệu theo ý nghĩa: câu hỏi và đoạn phù hợp có thể dùng cách diễn đạt khác nhau. Kết quả được dùng để tìm trong tài liệu tham khảo, hướng dẫn nội bộ, bài viết và kho câu trả lời hỗ trợ.\n\nMô hình NVIDIA gốc kết hợp văn bản và ảnh tài liệu trong cùng không gian biểu diễn; thế hệ 3.5 bổ sung tìm kiếm nội dung thị giác của trang. Thẻ Ailoot API này dùng quy trình văn bản: đầu vào là văn bản, đầu ra là vectơ.\n\nTrong Ailoot API, mô hình nhận văn bản qua phương thức embeddings và trả về vectơ. Vectơ dùng để so sánh truy vấn với tài liệu; bước tiếp theo của ứng dụng tạo câu trả lời hoàn chỉnh cho người dùng. Nhờ vậy có thể tổ chức riêng việc tìm nguồn và chuẩn bị câu trả lời dựa trên nguồn.\n\n### Xây dựng tìm kiếm\n\nTrước hết chia tài liệu thành các đoạn trọn ý và lấy embedding cho từng đoạn. Lưu vectơ cùng văn bản gốc, tên và mã tài liệu. Khi tìm kiếm, chuyển câu hỏi bằng cùng mô hình rồi chọn các vectơ gần nhau trong chỉ mục. Có thể hiển thị các đoạn tìm được hoặc gửi cho mô hình văn bản làm ngữ cảnh để trả lời dựa trên tài liệu.\n\nTruy vấn và tài liệu dùng các biểu diễn riêng, sau đó được đối chiếu trong cùng quy trình tìm kiếm. Khi chuẩn bị kho tài liệu, nên giữ một nhận định cùng ngữ cảnh giải thích nó: như vậy đoạn tìm được có thể đọc độc lập và liên hệ lại với tài liệu gốc.\n\n### Đặc điểm mô hình\n\nPhiên bản 1B được tạo bằng cách dùng Nemotron 3.5 Embed 8B lớn hơn làm mô hình giáo viên. Phần văn bản dựa trên Nemotron 3 Embed 1B và giữ nguyên không gian biểu diễn văn bản của nó. Mô tả mô hình gốc nêu vectơ gồm 2048 giá trị với chuẩn hóa L2. Nên tính đến đặc điểm này khi thiết kế chỉ mục, đồng thời kiểm tra số chiều của phản hồi thực tế từ phương thức đã chọn.\n\nTìm kiếm văn bản được đánh giá trên 34 ngôn ngữ, gồm tiếng Nga. Phạm vi này khiến mô hình trở thành lựa chọn có thể cân nhắc cho cơ sở tri thức đa ngôn ngữ; cần đánh giá chất lượng chọn đoạn trên câu hỏi và tài liệu thực tế trong lĩnh vực của bạn.\n\n### Đầu vào và kích thước yêu cầu\n\nPhương thức văn bản hiện tại của Ailoot API giới hạn một đầu vào ở 32768 token. Có thể lập chỉ mục tài liệu dài thành các đoạn riêng với liên kết nguồn riêng. Quy trình của thẻ này là văn bản đầu vào và embedding đầu ra.",
  "locale": "vi",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Biểu diễn nhúng</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Đầu vào</dt><dd><code>text</code></dd></div><div><dt>Đầu ra</dt><dd><code>embedding</code></dd></div><div><dt>Ngữ cảnh</dt><dd>32.768 <em>token</em></dd></div><div><dt>Độ dài câu trả lời tối đa</dt><dd>Không nêu trong danh mục</dd></div></dl><dl><div><dt>Đầu vào</dt><dd>0,00 US$ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "nvidia/nemotron-3.5-embed-1b:free",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "nvidia/nemotron-3.5-embed-1b:free",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|nvidia%2Fnemotron-3.5-embed-1b%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-1b:free",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    }
  ],
  "model_id": "nvidia/nemotron-3.5-embed-1b:free",
  "page": {
    "canonical": "https://ailoot.ai/models/vi/nvidia-nemotron-3-5-embed-1b-free/",
    "description": "Embedding văn bản của NVIDIA cho tìm kiếm ngữ nghĩa đa ngôn ngữ và chọn nguồn trong RAG.",
    "locale": "vi",
    "md_url": "https://ailoot.ai/models/vi/nvidia-nemotron-3-5-embed-1b-free/index.md",
    "title": "NVIDIA: Nemotron 3.5 Embed 1B (free)",
    "url": "https://ailoot.ai/models/vi/nvidia-nemotron-3-5-embed-1b-free/"
  },
  "rawModel": {
    "about": "### Tìm kiếm văn bản theo ngữ nghĩa\n\nNemotron 3.5 Embed 1B chuyển văn bản thành biểu diễn số của nội dung. Mô hình NVIDIA dành cho tìm tài liệu theo ý nghĩa: câu hỏi và đoạn phù hợp có thể dùng cách diễn đạt khác nhau. Kết quả được dùng để tìm trong tài liệu tham khảo, hướng dẫn nội bộ, bài viết và kho câu trả lời hỗ trợ.\n\nMô hình NVIDIA gốc kết hợp văn bản và ảnh tài liệu trong cùng không gian biểu diễn; thế hệ 3.5 bổ sung tìm kiếm nội dung thị giác của trang. Thẻ Ailoot API này dùng quy trình văn bản: đầu vào là văn bản, đầu ra là vectơ.\n\nTrong Ailoot API, mô hình nhận văn bản qua phương thức embeddings và trả về vectơ. Vectơ dùng để so sánh truy vấn với tài liệu; bước tiếp theo của ứng dụng tạo câu trả lời hoàn chỉnh cho người dùng. Nhờ vậy có thể tổ chức riêng việc tìm nguồn và chuẩn bị câu trả lời dựa trên nguồn.\n\n### Xây dựng tìm kiếm\n\nTrước hết chia tài liệu thành các đoạn trọn ý và lấy embedding cho từng đoạn. Lưu vectơ cùng văn bản gốc, tên và mã tài liệu. Khi tìm kiếm, chuyển câu hỏi bằng cùng mô hình rồi chọn các vectơ gần nhau trong chỉ mục. Có thể hiển thị các đoạn tìm được hoặc gửi cho mô hình văn bản làm ngữ cảnh để trả lời dựa trên tài liệu.\n\nTruy vấn và tài liệu dùng các biểu diễn riêng, sau đó được đối chiếu trong cùng quy trình tìm kiếm. Khi chuẩn bị kho tài liệu, nên giữ một nhận định cùng ngữ cảnh giải thích nó: như vậy đoạn tìm được có thể đọc độc lập và liên hệ lại với tài liệu gốc.\n\n### Đặc điểm mô hình\n\nPhiên bản 1B được tạo bằng cách dùng Nemotron 3.5 Embed 8B lớn hơn làm mô hình giáo viên. Phần văn bản dựa trên Nemotron 3 Embed 1B và giữ nguyên không gian biểu diễn văn bản của nó. Mô tả mô hình gốc nêu vectơ gồm 2048 giá trị với chuẩn hóa L2. Nên tính đến đặc điểm này khi thiết kế chỉ mục, đồng thời kiểm tra số chiều của phản hồi thực tế từ phương thức đã chọn.\n\nTìm kiếm văn bản được đánh giá trên 34 ngôn ngữ, gồm tiếng Nga. Phạm vi này khiến mô hình trở thành lựa chọn có thể cân nhắc cho cơ sở tri thức đa ngôn ngữ; cần đánh giá chất lượng chọn đoạn trên câu hỏi và tài liệu thực tế trong lĩnh vực của bạn.\n\n### Đầu vào và kích thước yêu cầu\n\nPhương thức văn bản hiện tại của Ailoot API giới hạn một đầu vào ở 32768 token. Có thể lập chỉ mục tài liệu dài thành các đoạn riêng với liên kết nguồn riêng. Quy trình của thẻ này là văn bản đầu vào và embedding đầu ra.",
    "alias_of": null,
    "aliases": [],
    "author": "NVIDIA",
    "canonical_model": "nvidia/nemotron-3.5-embed-1b:free",
    "ctx": 32768,
    "formats": [
      "embeddings"
    ],
    "id": "nvidia/nemotron-3.5-embed-1b: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-1b:free",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "nvidia/nemotron-3.5-embed-1b:free",
        "request_model_id": "nvidia/nemotron-3.5-embed-1b:free",
        "route_label": "Ultra"
      }
    ],
    "name": "NVIDIA: Nemotron 3.5 Embed 1B (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-1b:free",
    "short": "Embedding văn bản của NVIDIA cho tìm kiếm ngữ nghĩa đa ngôn ngữ và chọn nguồn trong 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": "Embedding văn bản của NVIDIA cho tìm kiếm ngữ nghĩa đa ngôn ngữ và chọn nguồn trong RAG.",
  "source": {
    "audit_sha256": "8b9d3ed33ebc2b074517c73a98d3f5eded1583c282e7b0946b922ff0cb17b35f",
    "bridge_map_sha256": "8b9d3ed33ebc2b074517c73a98d3f5eded1583c282e7b0946b922ff0cb17b35f",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "2da202d5453b7fd087d98e8e199b6b13001378525115eb9a89e159c5872dd253",
      "renderer_sha256": "ffccf650b2b045469030aaca243b57516126d5829294b601a0deab37de81040a"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "2da202d5453b7fd087d98e8e199b6b13001378525115eb9a89e159c5872dd253",
    "renderer_sha256": "ffccf650b2b045469030aaca243b57516126d5829294b601a0deab37de81040a"
  },
  "sourceRevision": "f87a22717bdba85ba546f0c2455ca9fb71212dc153a492cd8c8f3ea892ea7869"
}