NVIDIA: Nemotron 3.5 Embed 1B (free) 対 Sentence Transformers: all-mpnet-base-v2
api14カタログの最新のUSD料金と機能をもとに、NVIDIA: Nemotron 3.5 Embed 1B (free)（無料）とSentence Transformers: all-mpnet-base-v2（$0.02 / 100万トークン (≈ ￥3)）を並べて比較します。どちらも同じOpenAI互換APIで動作します。
仕様
| NVIDIA: Nemotron 3.5 Embed 1B (free) | Sentence Transformers: all-mpnet-base-v2 | |
|---|---|---|
| プロバイダー | NVIDIA | Sentence Transformers |
| 入力 | - | $0.02 / 100万トークン (≈ ￥3) |
| コンテキストウィンドウ | 32,768 | 512 |
| 最大出力 | 29,491 | 460 |
| 入力 | text, image | text |
| 出力 | embeddings | embeddings |
| ツール呼び出し | ||
| 構造化出力 | ||
| 推論の調整 | ||
| 追加日 | 2026/10/21 | 2025/11/17 |
主な違い
- NVIDIA: Nemotron 3.5 Embed 1B (free)は64.0倍長いコンテキスト（32,768トークン）を読み取れます。
詳しく見る
NVIDIA: Nemotron 3.5 Embed 1B (free) は NVIDIA の埋め込みモデルで、モデル id nvidia/nemotron-3.5-embed-1b:free として登録されています。Sentence Transformers: all-mpnet-base-v2 は Sentence Transformers の埋め込みモデルで、モデル id sentence-transformers/all-mpnet-base-v2 として登録されています。どちらも embeddings カテゴリに属するため、チャット補完や自由テキストを生成するものではありません。それぞれ入力を受け取り、検索、クラスタリング、重複排除、分類に使用できるベクトル表現を返します。どちらが作ったかという違いは、主にあなたのデータ上でどのように振る舞うと期待するかに影響します。NVIDIA はより新しいモデルを提供している一方、all-mpnet-base-v2 は長く確立された Sentence Transformers のチェックポイントです。
最も明確な技術的差はコンテキスト長です。Nemotron 3.5 Embed 1B は最大 32768 トークンを受け付け、all-mpnet-base-v2 は 512 トークンを受け付けます。これは、チャンク分割が必要になる前に 1 回の呼び出しで埋め込めるテキスト量に大きな差があることを意味します。Nemotron 3.5 Embed 1B はテキストと画像の入力も受け付け、埋め込みを返すため、入力側ではマルチモーダルです。all-mpnet-base-v2 はテキストのみを受け付け、埋め込みを返します。ここに示されたデータでは、どちらのモデルも対応パラメータを公開していないため、次元数やプーリングオプションなどの調整可能なつまみがどちらについても文書化されているとは期待すべきではありません。定性的比較では Nemotron 3.5 Embed 1B がより大きなコンテキストを持つものとされており、価格フィールドは不明なので、ライブの表を確認するまではほぼ同等として扱ってください。
実用的な選択としては、ドキュメントが長い場合、ページ、文字起こし、レポート全体を分割せずに埋め込みたい場合、または入力にテキストと一緒に画像が含まれる場合は Nemotron 3.5 Embed 1B を選んでください。32768 トークンのウィンドウにより、攻撃的なチャンク分割を避けられ、検索において意味がよりよく保たれることがよくあります。入力が短い場合、たとえば文、商品タイトル、短いクエリ、個々の段落などの場合、また画像処理のないプレーンなテキスト専用の埋め込みパイプラインを望む場合は all-mpnet-base-v2 を選んでください。コーパスがすでに数百トークンにチャンク分割されているなら、より小さなコンテキストウィンドウは制限にはならず、より単純なテキスト専用インターフェースの方が理解しやすいかもしれません。
どちらのモデルを api14 経由で呼び出す場合も、API が OpenAI 互換であるため同じように動作します。入力は api14 キーとともに embeddings エンドポイントへ送信し、2 つの間で変更するのはモデル id 文字列だけです。NVIDIA モデルには nvidia/nemotron-3.5-embed-1b:free を使用し、Sentence Transformers モデルには sentence-transformers/all-mpnet-base-v2 を使用します。リクエストの形、レスポンスの形、返されたベクトルを読む方法は同じままなので、クライアントコードを書き換えることなく、設定値または環境変数内の id を入れ替えて自分のデータで結果を比較できます。
all-mpnet-base-v2 の方が、より小さなウィンドウにもかかわらず、より良い選択であり続けるケースがあります。すべての入力が短いテキストで画像がない場合、Nemotron 3.5 Embed 1B の追加コンテキストとマルチモーダル入力は何の利点ももたらさず、テキスト専用モデルの方がパイプラインと評価を単純に保てます。また、その 512 トークンの挙動に合わせてツール、しきい値、インデックス設定をすでに調整しており、コーパスを再チャンク分割したくない場合にも自然な選択です。
文字列1つで切り替え
どちらのモデルも同じエンドポイントとリクエスト形式を使います。modelの値を"nvidia/nemotron-3.5-embed-1b:free"から"sentence-transformers/all-mpnet-base-v2"に変えるだけで、プロンプト、ストリーミング、ツールはそのまま動きます。
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));
その他の比較
- Amazon: Titan Multimodal Embeddings G1 対 Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 対 Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 対 Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 対 Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text 対 Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text 対 Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text 対 Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 対 Cohere: Embed 5 Fast