NVIDIA: Nemotron 3.5 Embed 8B (free) contra Sentence Transformers: all-mpnet-base-v2
Una comparativa lado a lado de NVIDIA: Nemotron 3.5 Embed 8B (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 8B (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 8B (free) lee 64.0× más contexto (32.768 tokens).
En detalle
NVIDIA: Nemotron 3.5 Embed 8B (free) es un modelo de embeddings de NVIDIA, listado bajo el id de modelo nvidia/nemotron-3.5-embed-8b: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 pertenecen a la categoría de embeddings, por lo que ninguno genera chat completions ni texto libre. Cada uno toma una entrada y devuelve un vector, que luego se usa para búsqueda, agrupamiento, deduplicación, clasificación o trabajo posterior similar.
La diferencia más clara entre ellos es la longitud de contexto. Nemotron 3.5 Embed 8B acepta hasta 32768 tokens, mientras que all-mpnet-base-v2 acepta hasta 512 tokens. Esa es una brecha grande, y cambia lo que puedes enviar a cada modelo en una sola llamada. Nemotron 3.5 Embed 8B también acepta entrada de texto e imagen, mientras que all-mpnet-base-v2 acepta solo texto. Ambos devuelven embeddings como su única modalidad de salida, y ninguno lista parámetros soportados, por lo que no puedes ajustar opciones de estilo de muestreo en ninguno de los dos lados. La comparación cualitativa marca a Nemotron 3.5 Embed 8B como el que tiene el contexto más grande, y es el único de los dos que maneja imágenes.
Para trabajo práctico, la elección normalmente se deriva de tu entrada. Si estás generando embeddings de documentos largos, páginas completas, transcripciones o cualquier cosa que supere cómodamente unos pocos cientos de tokens, Nemotron 3.5 Embed 8B te permite enviar ese contenido en una sola pieza en lugar de dividirlo en fragmentos y reconciliar los resultados. Si necesitas generar embeddings de imágenes junto con texto, o construir un índice mixto, es la única opción aquí que acepta entrada de imagen. all-mpnet-base-v2 es una opción razonable cuando tus entradas son cortas, como oraciones, títulos, consultas cortas o pasajes individuales, y quieres un modelo de embeddings de texto sencillo. También es el más antiguo de los dos según la fecha de lanzamiento del proveedor, aunque eso por sí solo no decide nada.
Llamar a cualquiera de los dos modelos a través de api14 funciona de la misma manera porque la API es compatible con OpenAI. Apuntas tu cliente al endpoint de embeddings, envías tu entrada y estableces el campo model al id que quieras. Para cambiar entre ellos, cambia solo ese id de modelo, de nvidia/nemotron-3.5-embed-8b:free a sentence-transformers/all-mpnet-base-v2 o al revés. La forma de la solicitud, la autenticación y el manejo de la respuesta siguen igual, por lo que puedes migrar un pipeline existente editando una sola cadena. La tabla de precios en vivo en esta página muestra cuánto cuesta cada llamada, así que revísala allí en lugar de asumirlo.
Todavía hay casos en los que all-mpnet-base-v2 es la mejor elección. Si cada entrada que generas como embedding es texto corto muy por debajo de 512 tokens, su contexto más pequeño no es una limitación, y evitas pagar por capacidad que no usarás. También es la opción más simple cuando específicamente quieres un modelo de embeddings solo de texto y no tienes contenido de imagen en tu pipeline. Nemotron 3.5 Embed 8B sigue siendo la elección cuando la longitud de contexto o la entrada de imagen importan, pero para cargas de trabajo de texto plano y corto el modelo más pequeño es completamente adecuado.
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-8b: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