NVIDIA: Nemotron 3.5 Embed 1B (free) vs. Sentence Transformers: all-mpnet-base-v2
Ein direkter Vergleich von NVIDIA: Nemotron 3.5 Embed 1B (free) (Kostenlos) und Sentence Transformers: all-mpnet-base-v2 (0,02 $ / 1 Mio. Tokens (≈ 0,02 €)) mit aktuellen USD-Preisen und Funktionen aus dem api14-Katalog. Beide laufen über dieselbe OpenAI-kompatible API.
Technische Daten
| NVIDIA: Nemotron 3.5 Embed 1B (free) | Sentence Transformers: all-mpnet-base-v2 | |
|---|---|---|
| Anbieter | NVIDIA | Sentence Transformers |
| Eingabe | - | 0,02 $ / 1 Mio. Tokens (≈ 0,02 €) |
| Kontextfenster | 32.768 | 512 |
| Max. Ausgabe | 29.491 | 460 |
| Eingabe | text, image | text |
| Ausgabe | embeddings | embeddings |
| Tool Calling | ||
| Strukturierte Ausgabe | ||
| Reasoning-Steuerung | ||
| Hinzugefügt | 21.10.2026 | 17.11.2025 |
Die wichtigsten Unterschiede
- NVIDIA: Nemotron 3.5 Embed 1B (free) liest 64.0× mehr Kontext (32.768 Tokens).
Im Detail
NVIDIA: Nemotron 3.5 Embed 1B (free) ist ein Embedding-Modell von NVIDIA, gelistet unter der Modell-ID nvidia/nemotron-3.5-embed-1b:free. Sentence Transformers: all-mpnet-base-v2 ist ein Embedding-Modell von Sentence Transformers, gelistet unter der Modell-ID sentence-transformers/all-mpnet-base-v2. Beide gehören zur Kategorie Embeddings, daher erzeugt keines von beiden Chat-Completions oder freien Text; jedes nimmt Eingaben entgegen und gibt eine Vektordarstellung zurück, die Sie für Suche, Clustering, Deduplizierung oder Klassifizierung verwenden können. Der Unterschied darin, wer sie herstellt, ist vor allem dafür relevant, wie Sie ihr Verhalten auf Ihren Daten erwarten, da NVIDIA ein neueres Modell ausliefert, während all-mpnet-base-v2 ein seit langem etablierter Sentence Transformers Checkpoint ist.
Die deutlichste technische Lücke ist die Kontextlänge. Nemotron 3.5 Embed 1B akzeptiert bis zu 32768 Token, während all-mpnet-base-v2 512 Token akzeptiert. Das ist ein großer Unterschied darin, wie viel Text Sie in einem einzigen Aufruf einbetten können, bevor Sie chunking betreiben müssen. Nemotron 3.5 Embed 1B akzeptiert außerdem Text- und Bild-Eingaben und gibt Embeddings zurück, ist also auf der Eingabeseite multimodal. all-mpnet-base-v2 akzeptiert nur Text und gibt Embeddings zurück. Keines der Modelle legt unterstützte Parameter in den hier gegebenen Daten offen, daher sollten Sie nicht erwarten, dass abstimmbare Stellschrauben wie Dimensionen oder Pooling-Optionen für eines von beiden dokumentiert sind. Der qualitative Vergleich markiert Nemotron 3.5 Embed 1B als dasjenige mit dem größeren Kontext, und die Preisfelder sind unbekannt, behandeln Sie sie also als ungefähr vergleichbar, bis Sie die Live-Tabelle prüfen.
Für die praktische Auswahl greifen Sie zu Nemotron 3.5 Embed 1B, wenn Ihre Dokumente lang sind, wenn Sie eine ganze Seite, ein Transkript oder einen Bericht einbetten möchten, ohne ihn vorher aufzuteilen, oder wenn Ihre Eingabe Bilder neben Text enthält. Das 32768-Token-Fenster lässt Sie aggressives Chunking vermeiden, was für Retrieval oft die Bedeutung besser erhält. Greifen Sie zu all-mpnet-base-v2, wenn Ihre Eingaben kurz sind, etwa Sätze, Produkttitel, kurze Abfragen oder einzelne Absätze, und wenn Sie eine reine Text-Embedding-Pipeline ohne Bildverarbeitung möchten. Wenn Ihr Korpus bereits auf einige hundert Token gechunkt ist, ist das kleinere Kontextfenster keine Einschränkung, und die einfachere reine Text-Schnittstelle kann leichter nachvollziehbar sein.
Beide Modelle über api14 aufzurufen funktioniert gleich, weil die API OpenAI-kompatibel ist. Sie senden Ihre Eingabe an den Embeddings-Endpunkt mit Ihrem api14-Schlüssel, und das Einzige, was Sie zwischen den beiden ändern, ist die Modell-ID-Zeichenkette. Verwenden Sie nvidia/nemotron-3.5-embed-1b:free für das NVIDIA-Modell und sentence-transformers/all-mpnet-base-v2 für das Sentence Transformers-Modell. Die Anfrageform, die Antwortform und die Art, wie Sie die zurückgegebenen Vektoren lesen, bleiben gleich, sodass Sie die ID in einem Konfigurationswert oder einer Umgebungsvariable austauschen und Ergebnisse auf Ihren eigenen Daten vergleichen können, ohne Client-Code umzuschreiben.
Wechseln mit einem String
Beide Modelle nutzen denselben Endpunkt und dieselbe Anfragestruktur. Ändern Sie den model-Wert von "nvidia/nemotron-3.5-embed-1b:free" auf "sentence-transformers/all-mpnet-base-v2", 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": "sentence-transformers/all-mpnet-base-v2",
"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