NVIDIA: Nemotron 3.5 Embed 1B (free) contro Sentence Transformers: all-mpnet-base-v2
Un confronto fianco a fianco tra NVIDIA: Nemotron 3.5 Embed 1B (free) (Gratis) e Sentence Transformers: all-mpnet-base-v2 (0,02 USD / 1M token (≈ 0,02 €)) con i prezzi in USD e le funzionalità aggiornati dal catalogo di api14. Entrambi funzionano con la stessa API compatibile OpenAI.
Specifiche
| NVIDIA: Nemotron 3.5 Embed 1B (free) | Sentence Transformers: all-mpnet-base-v2 | |
|---|---|---|
| Fornitore | NVIDIA | Sentence Transformers |
| Ingresso | - | 0,02 USD / 1M token (≈ 0,02 €) |
| Finestra di contesto | 32.768 | 512 |
| Output massimo | 29.491 | 460 |
| Ingresso | text, image | text |
| Uscita | embeddings | embeddings |
| chiamata di strumenti | ||
| Output strutturato | ||
| Controllo del ragionamento | ||
| Aggiunto | 21 ott 2026 | 17 nov 2025 |
Differenze principali
- NVIDIA: Nemotron 3.5 Embed 1B (free) legge 64.0× più contesto (32.768 token).
Nel dettaglio
NVIDIA: Nemotron 3.5 Embed 1B (free) è un modello di embedding di NVIDIA, elencato con l'id modello nvidia/nemotron-3.5-embed-1b:free. Sentence Transformers: all-mpnet-base-v2 è un modello di embedding di Sentence Transformers, elencato con l'id modello sentence-transformers/all-mpnet-base-v2. Entrambi rientrano nella categoria embeddings, quindi nessuno dei due genera completamenti di chat o testo libero; ciascuno prende un input e restituisce una rappresentazione vettoriale che puoi usare per ricerca, clustering, deduplicazione o classificazione. La differenza su chi li produce conta soprattutto per come ti aspetti che si comportino sui tuoi dati, dato che NVIDIA distribuisce un modello più recente mentre all-mpnet-base-v2 è un checkpoint Sentence Transformers consolidato da tempo.
Il divario tecnico più evidente è la lunghezza del contesto. Nemotron 3.5 Embed 1B accetta fino a 32768 token, mentre all-mpnet-base-v2 accetta 512 token. È una differenza enorme in quanto testo puoi includere in una singola chiamata prima di dover fare chunking. Nemotron 3.5 Embed 1B accetta anche input di testo e immagini e restituisce embedding, quindi è multimodale sul lato input. all-mpnet-base-v2 accetta solo testo e restituisce embedding. Nessuno dei due modelli espone parametri supportati nei dati qui forniti, quindi non aspettarti che opzioni regolabili come dimensioni o pooling siano documentate per l'uno o per l'altro. Il confronto qualitativo indica Nemotron 3.5 Embed 1B come quello con il contesto maggiore, e i campi di prezzo sono sconosciuti, quindi trattali come grossomodo comparabili finché non controlli la tabella aggiornata.
Per la scelta pratica, affidati a Nemotron 3.5 Embed 1B quando i tuoi documenti sono lunghi, quando vuoi includere un'intera pagina, trascrizione o report senza dividerlo prima, o quando il tuo input comprende immagini insieme al testo. La finestra di 32768 token ti permette di evitare chunking aggressivo, che spesso preserva meglio il significato per il retrieval. Affidati a all-mpnet-base-v2 quando i tuoi input sono brevi, come frasi, titoli di prodotti, query brevi o singoli paragrafi, e quando vuoi una pipeline di embedding solo testo senza gestione delle immagini. Se il tuo corpus è già suddiviso in chunk di poche centinaia di token, la finestra di contesto più piccola non è un limite, e l'interfaccia più semplice solo testo può essere più facile da ragionare.
Chiamare l'uno o l'altro modello tramite api14 funziona allo stesso modo perché l'API è compatibile con OpenAI. Invii il tuo input all'endpoint embeddings con la tua chiave api14, e l'unica cosa che cambi tra i due è la stringa dell'id modello. Usa nvidia/nemotron-3.5-embed-1b:free per il modello NVIDIA e sentence-transformers/all-mpnet-base-v2 per il modello Sentence Transformers. La forma della richiesta, la forma della risposta e il modo in cui leggi i vettori restituiti restano gli stessi, quindi puoi scambiare l'id in un valore di configurazione o in una variabile d'ambiente e confrontare i risultati sui tuoi dati senza riscrivere il codice client.
Cambia modello con una stringa
Entrambi i modelli usano lo stesso endpoint e la stessa struttura di richiesta. Cambia il valore di model da "nvidia/nemotron-3.5-embed-1b:free" a "sentence-transformers/all-mpnet-base-v2", prompt, streaming e tool continuano a funzionare.
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));
Altri confronti
- Amazon: Titan Multimodal Embeddings G1 contro Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 contro Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 contro Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 contro Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text contro Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text contro Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text contro Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 contro Cohere: Embed 5 Fast