Source: https://ailoot.ai/models/zh-hant-tw/nvidia-nemotron-3-5-embed-1b-free/ Canonical: https://ailoot.ai/models/zh-hant-tw/nvidia-nemotron-3-5-embed-1b-free/ Language: zh-hant-tw # NVIDIA: Nemotron 3.5 Embed 1B (free) [Markdown](https://ailoot.ai/models/zh-hant-tw/nvidia-nemotron-3-5-embed-1b-free/index.md) · [JSON](https://ailoot.ai/models/zh-hant-tw/nvidia-nemotron-3-5-embed-1b-free/facts.json) ## [NVIDIA: Nemotron 3.5 Embed 1B (free)](https://ailoot.ai/models/zh-hant-tw/nvidia-nemotron-3-5-embed-1b-free/) `nvidia/nemotron-3.5-embed-1b:free` NVIDIA嵌入向量輸入 US$0.00 / 1K輸出 — NVIDIA 的文字嵌入模型，用於多語語意搜尋及 RAG 來源選取。 ### 文字語意搜尋 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。 ### 如何建立搜尋流程 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。 ### 模型特色 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。 ### 輸入與請求大小 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。 ### 可透過 Ailoot API 使用 輸入 `text` 輸出 `embedding` 上下文 32,768 *token* 最大回應 型錄未列明 輸入 US$0.00 */ 1K* `nvidia/nemotron-3.5-embed-1b:free` · JSON ``` {"about":"### 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。","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":"NVIDIA 的文字嵌入模型，用於多語語意搜尋及 RAG 來源選取。"} ``` ## 常見問題 如何為任務選擇模型？ 先確定需要的輸入與輸出：文字、圖片、音訊或影片，再比較相容的 API 方法、確切的模型 ID 或別名目前指向的模型、價格與計費單位。免費的 GET /v1/models 會列出金鑰可存取的模型。 每個模型都支援所有 API 方法與媒體類型嗎？ 請使用模型卡片列出的 API 方法與輸入、輸出類型。文字、圖片、音訊或影片的支援情況取決於所選模型及方法；傳送資料前請查看對應的請求範例。 模型 ID 與別名有何不同？ 確切的 ID 代表特定模型。別名會指向某個模型，而指向的模型可能變更。請在目錄中查看別名目前指向的模型；整合需要特定模型時，請使用確切的 ID。 傳送請求前如何比較價格？ 在模型卡片中查看所選 API 方法的價格與計費單位。請以相同單位及輸入、輸出類型比較；請求紀錄會顯示實際用量與扣款金額。 訂閱提供什麼？ 持續工作可優惠購買 token。按請求量選方案，訂閱條件與費用在申購時顯示。 如何使用最高 50% 折扣碼？ 購買 token 時輸入折扣碼，總額依活動條件重算，付款前即可看到優惠。 ## Ailoot · 公司及其專案組合 Ailoot以累積的營運經驗、廣大的客戶群、穩定的服務及持續的KPI管理為基礎。 公司及其專案組合：數百萬客戶，每月銷售額達數十億。 Ailoot將這些營運經驗用於API存取，讓客戶的產品、代理、應用程式及自動化流程使用AI功能。