NVIDIA: Nemotron 3 Embed 1B (free) vs. NVIDIA: Nemotron 3.5 Embed 1B (free)
Ein direkter Vergleich von NVIDIA: Nemotron 3 Embed 1B (free) (Kostenlos) und NVIDIA: Nemotron 3.5 Embed 1B (free) (Kostenlos) mit aktuellen USD-Preisen und Funktionen aus dem api14-Katalog. Beide laufen über dieselbe OpenAI-kompatible API.
Technische Daten
| NVIDIA: Nemotron 3 Embed 1B (free) | NVIDIA: Nemotron 3.5 Embed 1B (free) | |
|---|---|---|
| Anbieter | NVIDIA | NVIDIA |
| Kontextfenster | 32.768 | 32.768 |
| Max. Ausgabe | 29.491 | 29.491 |
| Eingabe | text | text, image |
| Ausgabe | embeddings | embeddings |
| Tool Calling | ||
| Strukturierte Ausgabe | ||
| Reasoning-Steuerung | ||
| Hinzugefügt | 16.07.2026 | 21.10.2026 |
Im Detail
NVIDIA: Nemotron 3 Embed 1B (free) und NVIDIA: Nemotron 3.5 Embed 1B (free) sind beide Embedding Modelle von NVIDIA, und beide werden auf api14 im Free Tier angeboten. Das erste erschien am 2026-07-16 und das zweite am 2026-10-21, das 3.5 Release ist also das neuere der beiden. Trotz des Versionsunterschieds gehoeren sie zur selben Familie und teilen dieselbe Parameteranzahl im Namen, was zeigt, dass NVIDIA ein kompaktes 1B Embedding Modell weiterentwickelt, statt es durch etwas Groesseres zu ersetzen. Keines der Modelle generiert Text; beide nehmen Eingaben entgegen und geben Embeddings zurueck, sie sind also Bausteine fuer Retrieval, Clustering, Deduplizierung, Klassifikation und aehnliche vektorbasierte Arbeit und keine Chat oder Completion Endpunkte.
Der klarste Unterschied zwischen ihnen ist die Modalitaet. Nemotron 3 Embed 1B akzeptiert nur Text, waehrend Nemotron 3.5 Embed 1B sowohl Text als auch Bildeingaben akzeptiert. Beide geben Embeddings aus, und beide haben dieselbe Kontextlaenge von 32768 Tokens, es gibt also keinen Vorteil auf einer Seite dabei, wie viel Text man in einer Anfrage uebergeben kann. Keines der Modelle listet unterstuetzte Parameter auf, man sollte also keine einstellbaren Knoepfe wie temperature oder top_p erwarten; die Anfrageoberflaeche besteht im Wesentlichen aus der Eingabe plus der Model id. Beim Preis sind die beiden etwa gleich, und die live Preistabelle auf dieser Seite ist der Ort, um die aktuellen Zahlen zu bestaetigen, statt sich auf eine Zusammenfassung hier zu verlassen.
Fuer einen Entwickler, der zwischen ihnen waehlt, geht es bei der Entscheidung hauptsaechlich darum, was man einbetten muss. Wenn das Korpus reiner Text ist, etwa Dokumente, Support Tickets, Codekommentare oder Produktbeschreibungen, deckt Nemotron 3 Embed 1B diesen Fall ab und ist das etabliertere der beiden. Wenn man Vektoren fuer Bilder braucht, oder fuer gemischte Inhalte, bei denen eine Seite sowohl Text als auch Bilder enthaelt, ist Nemotron 3.5 Embed 1B das Modell, das Bildeingaben akzeptieren kann, und das text-only Modell kann es nicht ersetzen. Da das Kontextfenster identisch ist, gibt es keinen Grund, das neuere Modell allein wegen laengerer Eingaben zu waehlen. Es gibt auch keinen angegebenen Unterschied bei Tool Calling, strukturierter Ausgabe oder Reasoning, was Sinn ergibt, da dies Embedding Modelle und keine Chat Modelle sind.
Beide ueber api14 aufzurufen funktioniert gleich, weil das Gateway eine OpenAI kompatible API bereitstellt. Man richtet seinen Client auf dieselbe base URL und sendet dieselbe Art von Anfrage, wobei man nur den model id String zwischen "nvidia/nemotron-3-embed-1b:free" und "nvidia/nemotron-3.5-embed-1b:free" aendert. Alles andere im Code, einschliesslich der Art, wie man den Embedding Vektor aus der Antwort liest, kann so bleiben, wie es ist. Das macht es guenstig, beide zu testen: dieselbe Eingabemenge durch jede id laufen lassen, die Vektoren in der eigenen Retrieval oder Clustering Aufgabe vergleichen und dasjenige behalten, das fuer die eigenen Daten besser abschneidet.
Es gibt einen Fall, in dem das aeltere Modell die vernuenftige Wahl bleibt, obwohl das neuere existiert. Wenn die gesamte Eingabe Text ist und man Nemotron 3 Embed 1B bereits gegen das eigene Evaluationsset validiert hat, gibt es keine Faehigkeit im 3.5 Modell, die der eigene Workload braucht, da die zusaetzliche Modalitaet der einzige gelistete Unterschied ist und die Kontextlaenge dieselbe ist. Beim bereits gemessenen Modell zu bleiben vermeidet es, die Evaluation ohne Gewinn erneut laufen zu lassen. Das Umgekehrte gilt ebenfalls: wenn Bilder Teil der Eingabe sind, kann das text-only Modell die Aufgabe ueberhaupt nicht erfuellen, also ist die 3.5 id die einzige Option der beiden.
Wechseln mit einem String
Beide Modelle nutzen denselben Endpunkt und dieselbe Anfragestruktur. Ändern Sie den model-Wert von "nvidia/nemotron-3-embed-1b:free" auf "nvidia/nemotron-3.5-embed-1b:free", Prompts, Streaming und Tools funktionieren weiter.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.embeddings.create({
"model": "nvidia/nemotron-3.5-embed-1b:free",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
Weitere Vergleiche
- Amazon: Titan Multimodal Embeddings G1 vs. Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 vs. Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 vs. Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 vs. Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text vs. Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text vs. Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text vs. Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 vs. Cohere: Embed 5 Fast