NVIDIA: Nemotron 3.5 Embed 8B (free) lawan Sentence Transformers: all-mpnet-base-v2
Perbandingan berdampingan NVIDIA: Nemotron 3.5 Embed 8B (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 8B (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 8B (free) membaca konteks 64.0× lebih banyak (32.768 token).
Lebih mendalam
NVIDIA: Nemotron 3.5 Embed 8B (free) adalah model embedding dari NVIDIA, terdaftar dengan model id nvidia/nemotron-3.5-embed-8b:free. Sentence Transformers: all-mpnet-base-v2 adalah model embedding dari Sentence Transformers, terdaftar dengan model id sentence-transformers/all-mpnet-base-v2. Keduanya termasuk dalam kategori embeddings, jadi tidak ada yang menghasilkan chat completions atau teks bebas. Masing-masing menerima input dan mengembalikan vektor, yang kemudian Anda gunakan untuk pencarian, pengelompokan, deduplikasi, klasifikasi atau pekerjaan hilir serupa.
Perbedaan paling jelas di antara keduanya adalah panjang konteks. Nemotron 3.5 Embed 8B menerima hingga 32768 token, sedangkan all-mpnet-base-v2 menerima hingga 512 token. Itu adalah selisih yang besar, dan itu mengubah apa yang dapat Anda masukkan ke masing-masing model dalam satu panggilan. Nemotron 3.5 Embed 8B juga menerima input teks dan gambar, sedangkan all-mpnet-base-v2 hanya menerima teks. Keduanya mengembalikan embeddings sebagai satu-satunya modalitas output, dan tidak ada yang mencantumkan parameter yang didukung, jadi Anda tidak dapat menyetel opsi gaya sampling di kedua sisi. Perbandingan kualitatif menandai Nemotron 3.5 Embed 8B sebagai model dengan konteks yang lebih besar, dan itu satu-satunya dari keduanya yang menangani gambar sama sekali.
Untuk pekerjaan praktis, pilihan biasanya mengikuti input Anda. Jika Anda melakukan embedding dokumen panjang, seluruh halaman, transkrip atau apa pun yang dengan nyaman melebihi beberapa ratus token, Nemotron 3.5 Embed 8B memungkinkan Anda mengirim konten itu dalam satu bagian alih-alih memecahnya menjadi potongan-potongan dan merekonsiliasi hasilnya. Jika Anda perlu melakukan embedding gambar bersama teks, atau membangun indeks campuran, itu satu-satunya opsi di sini yang menerima input gambar. all-mpnet-base-v2 adalah pilihan yang wajar ketika input Anda pendek, seperti kalimat, judul, kueri pendek atau bagian individual, dan Anda menginginkan model embedding teks yang sederhana. Itu juga yang lebih lama dari keduanya berdasarkan tanggal rilis penyedia, meskipun itu saja tidak menentukan apa pun.
Memanggil salah satu model melalui api14 bekerja dengan cara yang sama karena API-nya kompatibel dengan OpenAI. Anda mengarahkan klien Anda ke endpoint embeddings, mengirim input Anda, dan mengatur bidang model ke id yang Anda inginkan. Untuk beralih di antara keduanya, ubah hanya model id itu, dari nvidia/nemotron-3.5-embed-8b:free ke sentence-transformers/all-mpnet-base-v2 atau sebaliknya. Bentuk permintaan, autentikasi dan penanganan respons tetap sama, sehingga Anda dapat memindahkan pipeline yang ada dengan mengedit satu string. Tabel harga langsung di halaman ini menunjukkan berapa biaya setiap panggilan, jadi periksa di sana daripada berasumsi.
Masih ada kasus di mana all-mpnet-base-v2 adalah pilihan yang lebih baik. Jika setiap input yang Anda embed adalah teks pendek yang jauh di bawah 512 token, konteksnya yang lebih kecil bukanlah keterbatasan, dan Anda menghindari membayar untuk kapasitas yang tidak akan Anda gunakan. Itu juga pilihan yang lebih sederhana ketika Anda secara khusus menginginkan model embedding khusus teks dan tidak memiliki konten gambar dalam pipeline Anda. Nemotron 3.5 Embed 8B tetap menjadi pilihan ketika panjang konteks atau input gambar penting, tetapi untuk beban kerja teks pendek dan biasa, model yang lebih kecil sepenuhnya memadai.
Berganti cukup dengan satu string
Kedua model menggunakan endpoint dan bentuk permintaan yang sama. Ubah nilai model dari "nvidia/nemotron-3.5-embed-8b: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