{ "aboutHtml": "

知識庫中的語意搜尋

Nemotron 3.5 Embed 8B 是 NVIDIA 將查詢與文件轉為嵌入向量的模型。當提問措辭與來源用詞不同時，這些數值表徵有助於依內容比對文字。模型適合用作企業知識庫、參考服務，以及在回答前選取文件的應用程式搜尋層。

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。

Ailoot 透過 embeddings 提供文字輸入及向量輸出。應用程式取得原始資料的表徵，再用它搜尋索引中的相近項目。若需要附帶說明的連貫答案，可將找到的文字與使用者問題一併交給另一個生成模型。

8B 版本有何不同

文字編碼以 Nemotron 3 Embed 8B 為基礎。建立 3.5 代時，NVIDIA 保留了文字部分及其嵌入空間，並為原始模型擴充其他能力。公開模型卡描述輸出為 4096 個數值，透過 token 表徵平均及 L2 正規化取得。準備向量索引時，維度應與方法實際傳回的結果一致。

文字搜尋曾以 34 種語言評估，包括俄語。對多語操作說明及參考資料而言，這使模型可考慮作為共用搜尋層。選取結果取決於知識庫組成、文件切分與常見使用者問題，適合用自身領域資料驗證。

工作流程

  1. 將原始文件分成各自包含完整答案或說明的片段。
  2. 取得嵌入向量，連同文字、標題及來源參照一併儲存。
  3. 用同一模型轉換使用者問題，並尋找相近項目。
  4. 顯示找到的片段，或在 RAG 中用於準備有來源依據的答案。

輸入大小

此版本在 Ailoot 標示的文字上下文與輸入上限為 32768 個 token。長文件片段可作為獨立項目儲存，並共用原始資料參照。模型提供的結果是文字嵌入向量，供應用程式後續處理。

", "aboutText": "### 知識庫中的語意搜尋\n\nNemotron 3.5 Embed 8B 是 NVIDIA 將查詢與文件轉為嵌入向量的模型。當提問措辭與來源用詞不同時，這些數值表徵有助於依內容比對文字。模型適合用作企業知識庫、參考服務，以及在回答前選取文件的應用程式搜尋層。\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\nAiloot 透過 embeddings 提供文字輸入及向量輸出。應用程式取得原始資料的表徵，再用它搜尋索引中的相近項目。若需要附帶說明的連貫答案，可將找到的文字與使用者問題一併交給另一個生成模型。\n\n### 8B 版本有何不同\n\n文字編碼以 Nemotron 3 Embed 8B 為基礎。建立 3.5 代時，NVIDIA 保留了文字部分及其嵌入空間，並為原始模型擴充其他能力。公開模型卡描述輸出為 4096 個數值，透過 token 表徵平均及 L2 正規化取得。準備向量索引時，維度應與方法實際傳回的結果一致。\n\n文字搜尋曾以 34 種語言評估，包括俄語。對多語操作說明及參考資料而言，這使模型可考慮作為共用搜尋層。選取結果取決於知識庫組成、文件切分與常見使用者問題，適合用自身領域資料驗證。\n\n### 工作流程\n\n1. 將原始文件分成各自包含完整答案或說明的片段。\n2. 取得嵌入向量，連同文字、標題及來源參照一併儲存。\n3. 用同一模型轉換使用者問題，並尋找相近項目。\n4. 顯示找到的片段，或在 RAG 中用於準備有來源依據的答案。\n\n### 輸入大小\n\n此版本在 Ailoot 標示的文字上下文與輸入上限為 32768 個 token。長文件片段可作為獨立項目儲存，並共用原始資料參照。模型提供的結果是文字嵌入向量，供應用程式後續處理。", "locale": "zh-hant-tw", "methods": [ { "html": "
Ultra 嵌入向量POST /v1/embeddings
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
", "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/zh-hant-tw/nvidia-nemotron-3-5-embed-8b-free/", "description": "NVIDIA 的多語文字嵌入模型，用於文件語意搜尋與 RAG 建置。", "locale": "zh-hant-tw", "md_url": "https://ailoot.ai/models/zh-hant-tw/nvidia-nemotron-3-5-embed-8b-free/index.md", "title": "NVIDIA: Nemotron 3.5 Embed 8B (free)", "url": "https://ailoot.ai/models/zh-hant-tw/nvidia-nemotron-3-5-embed-8b-free/" }, "rawModel": { "about": "### 知識庫中的語意搜尋\n\nNemotron 3.5 Embed 8B 是 NVIDIA 將查詢與文件轉為嵌入向量的模型。當提問措辭與來源用詞不同時，這些數值表徵有助於依內容比對文字。模型適合用作企業知識庫、參考服務，以及在回答前選取文件的應用程式搜尋層。\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\nAiloot 透過 embeddings 提供文字輸入及向量輸出。應用程式取得原始資料的表徵，再用它搜尋索引中的相近項目。若需要附帶說明的連貫答案，可將找到的文字與使用者問題一併交給另一個生成模型。\n\n### 8B 版本有何不同\n\n文字編碼以 Nemotron 3 Embed 8B 為基礎。建立 3.5 代時，NVIDIA 保留了文字部分及其嵌入空間，並為原始模型擴充其他能力。公開模型卡描述輸出為 4096 個數值，透過 token 表徵平均及 L2 正規化取得。準備向量索引時，維度應與方法實際傳回的結果一致。\n\n文字搜尋曾以 34 種語言評估，包括俄語。對多語操作說明及參考資料而言，這使模型可考慮作為共用搜尋層。選取結果取決於知識庫組成、文件切分與常見使用者問題，適合用自身領域資料驗證。\n\n### 工作流程\n\n1. 將原始文件分成各自包含完整答案或說明的片段。\n2. 取得嵌入向量，連同文字、標題及來源參照一併儲存。\n3. 用同一模型轉換使用者問題，並尋找相近項目。\n4. 顯示找到的片段，或在 RAG 中用於準備有來源依據的答案。\n\n### 輸入大小\n\n此版本在 Ailoot 標示的文字上下文與輸入上限為 32768 個 token。長文件片段可作為獨立項目儲存，並共用原始資料參照。模型提供的結果是文字嵌入向量，供應用程式後續處理。", "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": "NVIDIA 的多語文字嵌入模型，用於文件語意搜尋與 RAG 建置。" }, "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": "NVIDIA 的多語文字嵌入模型，用於文件語意搜尋與 RAG 建置。", "source": { "audit_sha256": "798e3ad2242aab2c7eb69e66f7e34bf779b234d57c2cc5d5c0488357e68e6a37", "bridge_map_sha256": "798e3ad2242aab2c7eb69e66f7e34bf779b234d57c2cc5d5c0488357e68e6a37", "projection_audit": { "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e", "raw_model_json_sha256": "553ffac9b4399b5dab39d2daddd01a180367d81ae46606129fbf9e8873804d05", "renderer_sha256": "ff9782d9ac535c4c4d8dcf64caf6d1647fda3a5c20c28fe9033f27d2c7d287f5" }, "projection_kind": "catalogue-refresh-native-dto-v1", "raw_model_json_sha256": "553ffac9b4399b5dab39d2daddd01a180367d81ae46606129fbf9e8873804d05", "renderer_sha256": "ff9782d9ac535c4c4d8dcf64caf6d1647fda3a5c20c28fe9033f27d2c7d287f5" }, "sourceRevision": "d0caec48a185b1a7030791e31887e78b16a4adcfcfe0c588c674057b7ac29d8c" }