NVIDIA: Nemotron 3.5 Embed 1B (free) 대 Sentence Transformers: all-mpnet-base-v2
api14 카탈로그의 최신 USD 가격과 기능을 바탕으로 NVIDIA: Nemotron 3.5 Embed 1B (free)(무료)와(과) Sentence Transformers: all-mpnet-base-v2(US$0.02 / 100만 토큰 (≈ ₩24))를 나란히 비교합니다. 두 모델 모두 같은 OpenAI 호환 API로 실행됩니다.
사양
| NVIDIA: Nemotron 3.5 Embed 1B (free) | Sentence Transformers: all-mpnet-base-v2 | |
|---|---|---|
| 제공업체 | NVIDIA | Sentence Transformers |
| 입력 | - | US$0.02 / 100만 토큰 (≈ ₩24) |
| 컨텍스트 윈도우 | 32,768 | 512 |
| 최대 출력 | 29,491 | 460 |
| 입력 | text, image | text |
| 출력 | embeddings | embeddings |
| 도구 호출 | ||
| 구조화된 출력 | ||
| 추론 조절 | ||
| 추가일 | 2026. 10. 21. | 2025. 11. 17. |
주요 차이점
- NVIDIA: Nemotron 3.5 Embed 1B (free)는(은) 64.0배 더 긴 컨텍스트(32,768 토큰)를 읽습니다.
자세히 보기
NVIDIA: Nemotron 3.5 Embed 1B (free)는 NVIDIA의 임베딩 모델로, 모델 id nvidia/nemotron-3.5-embed-1b:free로 등록되어 있습니다. Sentence Transformers: all-mpnet-base-v2는 Sentence Transformers의 임베딩 모델로, 모델 id sentence-transformers/all-mpnet-base-v2로 등록되어 있습니다. 둘 다 embeddings 카테고리에 속하므로, 어느 쪽도 채팅 완성이나 자유 텍스트를 생성하지 않습니다. 각각 입력을 받아 검색, 클러스터링, 중복 제거 또는 분류에 사용할 수 있는 벡터 표현을 반환합니다. 누가 만드는지의 차이는 주로 데이터에서 어떻게 동작할 것으로 기대하는지에 중요합니다. NVIDIA는 더 새로운 모델을 제공하는 반면 all-mpnet-base-v2는 오래 확립된 Sentence Transformers 체크포인트이기 때문입니다.
가장 명확한 기술적 차이는 컨텍스트 길이입니다. Nemotron 3.5 Embed 1B는 최대 32768 토큰을 허용하는 반면, all-mpnet-base-v2는 512 토큰을 허용합니다. 이는 청킹이 필요하기 전에 단일 호출로 임베딩할 수 있는 텍스트 양에서 큰 차이입니다. Nemotron 3.5 Embed 1B는 또한 텍스트와 이미지 입력을 받아 임베딩을 반환하므로 입력 측면에서 멀티모달입니다. all-mpnet-base-v2는 텍스트만 받아 임베딩을 반환합니다. 여기에 주어진 데이터에서 두 모델 모두 지원되는 파라미터를 노출하지 않으므로, 어느 쪽도 dimensions나 pooling 옵션 같은 조정 가능한 노브가 문서화되어 있다고 기대해서는 안 됩니다. 정성적 비교는 Nemotron 3.5 Embed 1B를 더 큰 컨텍스트를 가진 쪽으로 표시하며, 가격 필드는 알 수 없으므로 라이브 표를 확인할 때까지 대략 비슷한 것으로 취급하십시오.
실용적인 선택을 위해서는 문서가 길 때, 전체 페이지, 대본 또는 보고서를 먼저 나누지 않고 임베딩하고 싶을 때, 또는 입력에 텍스트와 함께 이미지가 포함될 때 Nemotron 3.5 Embed 1B를 선택하십시오. 32768 토큰 창은 공격적인 청킹을 피하게 해주며, 이는 종종 검색에서 의미를 더 잘 보존합니다. 입력이 문장, 제품 제목, 짧은 쿼리 또는 개별 단락처럼 짧을 때, 그리고 이미지 처리가 없는 순수 텍스트 전용 임베딩 파이프라인을 원할 때 all-mpnet-base-v2를 선택하십시오. 코퍼스가 이미 몇백 토큰으로 청킹되어 있다면 더 작은 컨텍스트 창은 제한이 아니며, 더 단순한 텍스트 전용 인터페이스가 추론하기 더 쉬울 수 있습니다.
API가 OpenAI 호환이므로 api14를 통해 어느 모델을 호출하든 방식은 동일합니다. api14 키로 입력을 embeddings 엔드포인트에 보내며, 둘 사이에서 바꾸는 유일한 것은 모델 id 문자열입니다. NVIDIA 모델에는 nvidia/nemotron-3.5-embed-1b:free를 사용하고 Sentence Transformers 모델에는 sentence-transformers/all-mpnet-base-v2를 사용하십시오. 요청 형태, 응답 형태, 반환된 벡터를 읽는 방식은 동일하게 유지되므로, 클라이언트 코드를 다시 작성하지 않고도 config 값이나 환경 변수에서 id를 교체하고 자체 데이터에서 결과를 비교할 수 있습니다.
all-mpnet-base-v2가 더 작은 창을 가지고 있음에도 불구하고 여전히 더 나은 선택인 경우가 있습니다. 모든 입력이 짧은 텍스트이고 이미지가 없다면, Nemotron 3.5 Embed 1B의 추가 컨텍스트와 멀티모달 입력은 아무 이점도 주지 않으며, 텍스트 전용 모델이 파이프라인과 평가를 더 단순하게 유지합니다. 또한 이미 512 토큰 동작에 맞춰 조정된 도구, 임계값 또는 인덱스 설정이 있고 코퍼스를 다시 청킹하고 싶지 않다면 자연스러운 선택입니다.
문자열 하나로 전환
두 모델은 같은 엔드포인트와 요청 형식을 사용합니다. model 값을 "nvidia/nemotron-3.5-embed-1b:free"에서 "sentence-transformers/all-mpnet-base-v2"로 바꾸기만 하면 프롬프트, 스트리밍, 도구가 그대로 작동합니다.
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));
더 많은 비교
- Amazon: Titan Multimodal Embeddings G1 대 Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 대 Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 대 Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 대 Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text 대 Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text 대 Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text 대 Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 대 Cohere: Embed 5 Fast