NVIDIA: Nemotron 3.5 Embed 1B (free) contra Sentence Transformers: all-mpnet-base-v2
Una comparativa lado a lado de NVIDIA: Nemotron 3.5 Embed 1B (free) (Gratis) y Sentence Transformers: all-mpnet-base-v2 (0,02 US$ / 1M fragmentos (≈ 0,02 €)) con precios actuales en USD y capacidades del catálogo de api14. Ambos funcionan a través de la misma API compatible con OpenAI.
Especificaciones
| NVIDIA: Nemotron 3.5 Embed 1B (free) | Sentence Transformers: all-mpnet-base-v2 | |
|---|---|---|
| Proveedor | NVIDIA | Sentence Transformers |
| Entrada | - | 0,02 US$ / 1M fragmentos (≈ 0,02 €) |
| Ventana de contexto | 32.768 | 512 |
| Salida máxima | 29.491 | 460 |
| Entrada | text, image | text |
| Salida | embeddings | embeddings |
| Llamadas a herramientas | ||
| Salida estructurada | ||
| Control del razonamiento | ||
| Añadido | 21 oct 2026 | 17 nov 2025 |
Diferencias clave
- NVIDIA: Nemotron 3.5 Embed 1B (free) lee 64.0× más contexto (32.768 tokens).
En detalle
NVIDIA: Nemotron 3.5 Embed 1B (free) es un modelo de embeddings de NVIDIA, listado bajo el id de modelo nvidia/nemotron-3.5-embed-1b:free. Sentence Transformers: all-mpnet-base-v2 es un modelo de embeddings de Sentence Transformers, listado bajo el id de modelo sentence-transformers/all-mpnet-base-v2. Ambos se encuentran en la categoría de embeddings, por lo que ninguno genera completados de chat ni texto libre; cada uno toma una entrada y devuelve una representación vectorial que puedes usar para búsqueda, agrupamiento, deduplicación o clasificación. La diferencia en quién los fabrica importa principalmente para cómo esperas que se comporten con tus datos, ya que NVIDIA ofrece un modelo más reciente mientras que all-mpnet-base-v2 es un checkpoint de Sentence Transformers ampliamente establecido.
La brecha técnica más clara es la longitud de contexto. Nemotron 3.5 Embed 1B acepta hasta 32768 tokens, mientras que all-mpnet-base-v2 acepta 512 tokens. Esa es una gran diferencia en cuánto texto puedes embeber en una sola llamada antes de necesitar dividirlo en fragmentos. Nemotron 3.5 Embed 1B también acepta entrada de texto e imagen y devuelve embeddings, por lo que es multimodal en el lado de la entrada. all-mpnet-base-v2 acepta solo texto y devuelve embeddings. Ninguno de los modelos expone parámetros soportados en los datos proporcionados aquí, por lo que no deberías esperar que se documenten ajustes configurables como dimensiones u opciones de pooling para ninguno de los dos. La comparación cualitativa marca a Nemotron 3.5 Embed 1B como el que tiene el contexto más grande, y los campos de precio son desconocidos, así que trátalos como aproximadamente comparables hasta que consultes la tabla en vivo.
Para la selección práctica, recurre a Nemotron 3.5 Embed 1B cuando tus documentos sean largos, cuando quieras embeber una página completa, una transcripción o un informe sin dividirlo primero, o cuando tu entrada incluya imágenes junto con texto. La ventana de 32768 tokens te permite evitar el fragmentado agresivo, lo que a menudo preserva mejor el significado para la recuperación. Recurre a all-mpnet-base-v2 cuando tus entradas sean cortas, como oraciones, títulos de productos, consultas breves o párrafos individuales, y cuando quieras un pipeline de embeddings simple solo de texto sin manejo de imágenes. Si tu corpus ya está dividido en fragmentos de unos pocos cientos de tokens, la ventana de contexto más pequeña no es una limitación, y la interfaz más simple solo de texto puede ser más fácil de razonar.
Llamar a cualquiera de los dos modelos a través de api14 funciona de la misma manera porque la API es compatible con OpenAI. Envías tu entrada al endpoint de embeddings con tu clave de api14, y lo único que cambias entre los dos es la cadena del id de modelo. Usa nvidia/nemotron-3.5-embed-1b:free para el modelo de NVIDIA y sentence-transformers/all-mpnet-base-v2 para el modelo de Sentence Transformers. La forma de la solicitud, la forma de la respuesta y la manera en que lees los vectores devueltos permanecen iguales, así que puedes intercambiar el id en un valor de configuración o variable de entorno y comparar resultados con tus propios datos sin reescribir el código del cliente.
Cambia con una sola cadena
Ambos modelos usan el mismo endpoint y la misma estructura de solicitud. Cambia el valor de model de "nvidia/nemotron-3.5-embed-1b:free" a "sentence-transformers/all-mpnet-base-v2": los prompts, el streaming y las herramientas siguen funcionando.
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));
Más comparativas
- Amazon: Titan Multimodal Embeddings G1 contra Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 contra Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 contra Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 contra Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text contra Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text contra Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text contra Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 contra Cohere: Embed 5 Fast