Nemotron 3.5 Embed 1B 將文字轉換成表達內容的數值表徵。這個 NVIDIA 模型用於依語意搜尋文件，問題與合適片段即使措辭不同也能比對。結果可用於參考手冊、內部操作說明、文章與客服答案庫的搜尋。
NVIDIA 原始模型將文字與文件影像結合在同一表徵空間；3.5 代新增依頁面視覺內容搜尋的能力。這張 Ailoot 模型卡使用其文字情境：輸入文字，輸出向量。
在 Ailoot，模型透過 embeddings 方法接受文字並傳回向量。向量用於將查詢與文件比較；完整的使用者答案由應用程式的下一階段生成。因此可分別安排來源搜尋，以及依來源準備答案。
先將資料切分成語意完整的片段，為每個片段取得嵌入向量。將向量與原文、文件名稱及識別碼一併儲存。搜尋時使用同一模型轉換問題，再從索引選出相近向量。找到的片段可直接呈現給使用者，或交給文字模型，作為依文件回答的上下文。
查詢與文件使用各自的表徵，再於同一搜尋流程中比對。準備語料時，適合將主張與解釋它的上下文放在一起，讓找到的片段可獨立閱讀，也能連回原始文件。
1B 版本使用較大的 Nemotron 3.5 Embed 8B 作為教師模型訓練而成。文字部分以 Nemotron 3 Embed 1B 為基礎，保留其文字表徵空間。原始模型說明標示輸出為經 L2 正規化的 2048 個數值。設計索引時可考量這項特性，同時檢查所選方法實際答案的維度。
文字搜尋曾以 34 種語言評估，包括俄語。這種涵蓋範圍使模型可作為多語知識庫的候選；片段選取品質仍宜使用自身領域的真實問題及文件評估。
目前 Ailoot 的文字方法設定單一輸入上限為 32768 個 token。較長資料可分段建立索引，各自保留來源參照。本模型卡提供的情境是文字輸入與嵌入向量輸出。
", "aboutText": "### 文字語意搜尋\n\nNemotron 3.5 Embed 1B 將文字轉換成表達內容的數值表徵。這個 NVIDIA 模型用於依語意搜尋文件，問題與合適片段即使措辭不同也能比對。結果可用於參考手冊、內部操作說明、文章與客服答案庫的搜尋。\n\nNVIDIA 原始模型將文字與文件影像結合在同一表徵空間；3.5 代新增依頁面視覺內容搜尋的能力。這張 Ailoot 模型卡使用其文字情境：輸入文字，輸出向量。\n\n在 Ailoot，模型透過 embeddings 方法接受文字並傳回向量。向量用於將查詢與文件比較；完整的使用者答案由應用程式的下一階段生成。因此可分別安排來源搜尋，以及依來源準備答案。\n\n### 如何建立搜尋流程\n\n先將資料切分成語意完整的片段，為每個片段取得嵌入向量。將向量與原文、文件名稱及識別碼一併儲存。搜尋時使用同一模型轉換問題，再從索引選出相近向量。找到的片段可直接呈現給使用者，或交給文字模型，作為依文件回答的上下文。\n\n查詢與文件使用各自的表徵，再於同一搜尋流程中比對。準備語料時，適合將主張與解釋它的上下文放在一起，讓找到的片段可獨立閱讀，也能連回原始文件。\n\n### 模型特色\n\n1B 版本使用較大的 Nemotron 3.5 Embed 8B 作為教師模型訓練而成。文字部分以 Nemotron 3 Embed 1B 為基礎，保留其文字表徵空間。原始模型說明標示輸出為經 L2 正規化的 2048 個數值。設計索引時可考量這項特性，同時檢查所選方法實際答案的維度。\n\n文字搜尋曾以 34 種語言評估，包括俄語。這種涵蓋範圍使模型可作為多語知識庫的候選；片段選取品質仍宜使用自身領域的真實問題及文件評估。\n\n### 輸入與請求大小\n\n目前 Ailoot 的文字方法設定單一輸入上限為 32768 個 token。較長資料可分段建立索引，各自保留來源參照。本模型卡提供的情境是文字輸入與嵌入向量輸出。", "locale": "zh-hant-tw", "methods": [ { "html": "POST /v1/embeddingstextembedding