NVIDIA: Nemotron 3.5 Embed 8B (free) contre Sentence Transformers: all-mpnet-base-v2
Un comparatif côte à côte de NVIDIA: Nemotron 3.5 Embed 8B (free) (Gratuit) et Sentence Transformers: all-mpnet-base-v2 (0,02 $US / 1M jetons (≈ 0,02 €)) d’après les prix actuels en USD et les capacités du catalogue api14. Les deux passent par la même API compatible OpenAI.
Caractéristiques
| NVIDIA: Nemotron 3.5 Embed 8B (free) | Sentence Transformers: all-mpnet-base-v2 | |
|---|---|---|
| Fournisseur | NVIDIA | Sentence Transformers |
| Entrée | - | 0,02 $US / 1M jetons (≈ 0,02 €) |
| Fenêtre de contexte | 32 768 | 512 |
| Sortie max. | 29 491 | 460 |
| Entrée | text, image | text |
| Sortie | embeddings | embeddings |
| Appel d’outils | ||
| Sortie structurée | ||
| Contrôle du raisonnement | ||
| Ajouté le | 21 oct. 2026 | 17 nov. 2025 |
Principales différences
- NVIDIA: Nemotron 3.5 Embed 8B (free) lit 64.0× plus de contexte (32 768 tokens).
En détail
NVIDIA : Nemotron 3.5 Embed 8B (free) est un modèle d'embedding de NVIDIA, répertorié sous l'id de modèle nvidia/nemotron-3.5-embed-8b: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 un vecteur, que vous utilisez ensuite pour la recherche, le clustering, la déduplication, la classification ou un travail en aval similaire.
La différence la plus claire entre eux est la longueur de contexte. Nemotron 3.5 Embed 8B accepte jusqu'à 32768 tokens, tandis que all-mpnet-base-v2 accepte jusqu'à 512 tokens. C'est un écart important, et cela change ce que vous pouvez fournir à chaque modèle en un seul appel. Nemotron 3.5 Embed 8B accepte aussi bien du texte que des images en entrée, alors que all-mpnet-base-v2 n'accepte que du texte. Les deux renvoient des embeddings comme seule modalité de sortie, et aucun ne liste de paramètres pris en charge, donc vous ne pouvez régler d'options de style d'échantillonnage d'aucun côté. La comparaison qualitative désigne Nemotron 3.5 Embed 8B comme celui ayant le plus grand contexte, et c'est le seul des deux à gérer les images.
Pour le travail pratique, le choix découle généralement de votre entrée. Si vous générez des embeddings pour de longs documents, des pages entières, des transcriptions ou tout contenu dépassant confortablement quelques centaines de tokens, Nemotron 3.5 Embed 8B vous permet d'envoyer ce contenu en un seul bloc au lieu de le découper en segments et de réconcilier les résultats. Si vous devez générer des embeddings pour des images en plus du texte, ou construire un index mixte, c'est la seule option ici qui accepte des images en entrée. all-mpnet-base-v2 convient raisonnablement lorsque vos entrées sont courtes, comme des phrases, des titres, des requêtes courtes ou des passages individuels, et que vous voulez un modèle d'embedding textuel simple. C'est aussi le plus ancien des deux selon la date de publication du fournisseur, même si cela seul ne décide rien.
Appeler l'un ou l'autre modèle via api14 fonctionne de la même manière, car l'API est compatible OpenAI. Vous pointez votre client vers le point de terminaison des embeddings, envoyez votre entrée, et définissez le champ model sur l'id souhaité. Pour basculer entre eux, changez uniquement cet id de modèle, de nvidia/nemotron-3.5-embed-8b:free à sentence-transformers/all-mpnet-base-v2 ou l'inverse. La forme de la requête, l'authentification et le traitement des réponses restent identiques, donc vous pouvez migrer un pipeline existant en modifiant une seule chaîne. Le tableau des prix en direct sur cette page indique le coût de chaque appel, donc vérifiez-le là plutôt que de le supposer.
Il reste des cas où all-mpnet-base-v2 est le meilleur choix. Si chaque entrée que vous vectorisez est un texte court bien en dessous de 512 tokens, son contexte plus petit n'est pas une limitation, et vous évitez de payer pour une capacité que vous n'utiliserez pas. C'est aussi le choix le plus simple lorsque vous voulez spécifiquement un modèle d'embedding uniquement textuel et que votre pipeline ne contient aucun contenu image. Nemotron 3.5 Embed 8B reste le choix lorsque la longueur de contexte ou l'entrée d'images compte, mais pour des charges de travail en texte court et simple, le plus petit modèle est tout à fait adéquat.
Changer de modèle en une chaîne
Les deux modèles utilisent le même endpoint et la même structure de requête. Remplacez la valeur de model "nvidia/nemotron-3.5-embed-8b:free" par "sentence-transformers/all-mpnet-base-v2" : prompts, streaming et outils continuent de fonctionner.
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));
Plus de comparatifs
- Amazon: Titan Multimodal Embeddings G1 contre Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 contre Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 contre Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 contre Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text contre Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text contre Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text contre Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 contre Cohere: Embed 5 Fast