NVIDIA : Nemotron 3.5 Embed 1B (free) est un modèle d'embedding de NVIDIA, répertorié sous l'id de modèle nvidia/nemotron-3.5-embed-1b:free. Sentence Transformers : all-mpnet-base-v2 est un modèle d'embedding de Sentence Transformers, répertorié sous l'id de modèle sentence-transformers/all-mpnet-base-v2. Les deux appartiennent à la catégorie des embeddings, donc aucun des deux ne génère de complétions de chat ni de texte libre ; chacun prend une entrée et renvoie une représentation vectorielle que vous pouvez utiliser pour la recherche, le clustering, la déduplication ou la classification. La différence quant à leur fabricant compte principalement pour la façon dont vous vous attendez à ce qu'ils se comportent sur vos données, puisque NVIDIA propose un modèle plus récent tandis que all-mpnet-base-v2 est un checkpoint Sentence Transformers bien établi de longue date.
L'écart technique le plus net est la longueur de contexte. Nemotron 3.5 Embed 1B accepte jusqu'à 32768 tokens, tandis que all-mpnet-base-v2 accepte 512 tokens. C'est une différence importante dans la quantité de texte que vous pouvez embedder en un seul appel avant de devoir découper. Nemotron 3.5 Embed 1B accepte aussi du texte et des images en entrée et renvoie des embeddings, il est donc multimodal côté entrée. all-mpnet-base-v2 accepte uniquement du texte et renvoie des embeddings. Aucun des deux modèles n'expose de paramètres pris en charge dans les données fournies ici, vous ne devez donc pas vous attendre à ce que des réglages tels que les dimensions ou les options de pooling soient documentés pour l'un ou l'autre. La comparaison qualitative désigne Nemotron 3.5 Embed 1B comme celui ayant le plus grand contexte, et les champs de prix sont inconnus, donc considérez-les comme à peu près comparables jusqu'à ce que vous consultiez le tableau en direct.
Pour la sélection pratique, tournez-vous vers Nemotron 3.5 Embed 1B lorsque vos documents sont longs, lorsque vous voulez embedder une page entière, une transcription ou un rapport sans le découper au préalable, ou lorsque votre entrée contient des images en plus du texte. La fenêtre de 32768 tokens vous permet d'éviter un découpage agressif, ce qui préserve souvent mieux le sens pour la recherche. Tournez-vous vers all-mpnet-base-v2 lorsque vos entrées sont courtes, comme des phrases, des titres de produits, des requêtes courtes ou des paragraphes individuels, et lorsque vous voulez un pipeline d'embedding en texte seul, sans traitement d'images. Si votre corpus est déjà découpé en quelques centaines de tokens, la fenêtre de contexte plus petite n'est pas une limitation, et l'interface plus simple en texte seul peut être plus facile à appréhender.
Appeler l'un ou l'autre modèle via api14 fonctionne de la même manière, car l'API est compatible OpenAI. Vous envoyez votre entrée au point de terminaison des embeddings avec votre clé api14, et la seule chose que vous changez entre les deux est la chaîne d'id de modèle. Utilisez nvidia/nemotron-3.5-embed-1b:free pour le modèle NVIDIA et sentence-transformers/all-mpnet-base-v2 pour le modèle Sentence Transformers. La forme de la requête, la forme de la réponse et la façon dont vous lisez les vecteurs renvoyés restent identiques, vous pouvez donc échanger l'id dans une valeur de configuration ou une variable d'environnement et comparer les résultats sur vos propres données sans réécrire le code client.
Il existe un cas où all-mpnet-base-v2 reste le meilleur choix même s'il a la fenêtre plus petite. Si toutes vos entrées sont du texte court et que vous n'avez pas d'images, le contexte supplémentaire et l'entrée multimodale de Nemotron 3.5 Embed 1B ne vous apportent rien, et un modèle en texte seul garde votre pipeline et votre évaluation plus simples. C'est aussi le choix naturel si vous avez déjà des outils, des seuils ou des réglages d'index ajustés autour de son comportement à 512 tokens et que vous ne voulez pas redécouper votre corpus.