NVIDIA: Nemotron 3.5 Embed 1B (free) lawan Sentence Transformers: all-mpnet-base-v2
Perbandingan berdampingan NVIDIA: Nemotron 3.5 Embed 1B (free) (Gratis) dan Sentence Transformers: all-mpnet-base-v2 (US$0,02 / 1 jt token (≈ Rp 316)) menggunakan harga USD dan kemampuan terkini dari katalog api14. Keduanya berjalan melalui API yang sama dan kompatibel dengan OpenAI.
Spesifikasi
| NVIDIA: Nemotron 3.5 Embed 1B (free) | Sentence Transformers: all-mpnet-base-v2 | |
|---|---|---|
| Penyedia | NVIDIA | Sentence Transformers |
| Masukan | - | US$0,02 / 1 jt token (≈ Rp 316) |
| Jendela konteks | 32.768 | 512 |
| Output maks. | 29.491 | 460 |
| Masukan | text, image | text |
| Keluaran | embeddings | embeddings |
| panggilan alat | ||
| Output terstruktur | ||
| Pengaturan penalaran | ||
| Ditambahkan | 21 Okt 2026 | 17 Nov 2025 |
Perbedaan utama
- NVIDIA: Nemotron 3.5 Embed 1B (free) membaca konteks 64.0× lebih banyak (32.768 token).
Lebih mendalam
NVIDIA: Nemotron 3.5 Embed 1B (free) adalah model embedding dari NVIDIA, terdaftar dengan model id nvidia/nemotron-3.5-embed-1b:free. Sentence Transformers: all-mpnet-base-v2 adalah model embedding dari Sentence Transformers, terdaftar dengan model id sentence-transformers/all-mpnet-base-v2. Keduanya berada dalam kategori embeddings, jadi tidak ada yang menghasilkan chat completions atau teks bebas; masing-masing menerima input dan mengembalikan representasi vektor yang dapat Anda gunakan untuk pencarian, pengelompokan, deduplikasi atau klasifikasi. Perbedaan mengenai siapa yang membuatnya terutama penting untuk bagaimana Anda mengharapkan perilakunya pada data Anda, karena NVIDIA merilis model yang lebih baru sementara all-mpnet-base-v2 adalah checkpoint Sentence Transformers yang sudah lama mapan.
Kesenjangan teknis yang paling jelas adalah panjang konteks. Nemotron 3.5 Embed 1B menerima hingga 32768 token, sedangkan all-mpnet-base-v2 menerima 512 token. Itu adalah perbedaan besar dalam berapa banyak teks yang dapat Anda embed dalam satu panggilan sebelum Anda perlu melakukan chunking. Nemotron 3.5 Embed 1B juga menerima input teks dan gambar serta mengembalikan embeddings, jadi ia bersifat multimodal pada sisi input. all-mpnet-base-v2 hanya menerima teks dan mengembalikan embeddings. Tidak ada model yang mengekspos parameter yang didukung dalam data yang diberikan di sini, jadi Anda tidak boleh mengharapkan knob yang dapat disetel seperti dimensi atau opsi pooling terdokumentasi untuk salah satunya. Perbandingan kualitatif menandai Nemotron 3.5 Embed 1B sebagai yang memiliki konteks lebih besar, dan field harga tidak diketahui, jadi anggap keduanya kira-kira sebanding sampai Anda memeriksa tabel langsung.
Untuk pemilihan praktis, gunakan Nemotron 3.5 Embed 1B ketika dokumen Anda panjang, ketika Anda ingin meng-embed seluruh halaman, transkrip atau laporan tanpa memisahkannya terlebih dahulu, atau ketika input Anda menyertakan gambar bersama teks. Jendela 32768 token memungkinkan Anda menghindari chunking agresif, yang sering kali lebih baik mempertahankan makna untuk retrieval. Gunakan all-mpnet-base-v2 ketika input Anda pendek, seperti kalimat, judul produk, kueri pendek atau paragraf individual, dan ketika Anda menginginkan pipeline embedding khusus teks biasa tanpa penanganan gambar. Jika korpus Anda sudah di-chunk menjadi beberapa ratus token, jendela konteks yang lebih kecil bukanlah batasan, dan antarmuka khusus teks yang lebih sederhana mungkin lebih mudah untuk dipahami.
Memanggil salah satu model melalui api14 bekerja dengan cara yang sama karena API-nya kompatibel dengan OpenAI. Anda mengirim input Anda ke endpoint embeddings dengan kunci api14 Anda, dan satu-satunya hal yang Anda ubah antara keduanya adalah string model id. Gunakan nvidia/nemotron-3.5-embed-1b:free untuk model NVIDIA dan sentence-transformers/all-mpnet-base-v2 untuk model Sentence Transformers. Bentuk request, bentuk response dan cara Anda membaca vektor yang dikembalikan tetap sama, jadi Anda dapat menukar id tersebut dalam nilai config atau environment variable dan membandingkan hasil pada data Anda sendiri tanpa menulis ulang kode klien.
Berganti cukup dengan satu string
Kedua model menggunakan endpoint dan bentuk permintaan yang sama. Ubah nilai model dari "nvidia/nemotron-3.5-embed-1b:free" ke "sentence-transformers/all-mpnet-base-v2", prompt, streaming, dan tools tetap berfungsi.
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));
Perbandingan lainnya
- Amazon: Titan Multimodal Embeddings G1 lawan Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 lawan Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 lawan Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 lawan Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text lawan Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text lawan Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text lawan Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 lawan Cohere: Embed 5 Fast