NVIDIA: Nemotron 3.5 Embed 1B (free) tegen Sentence Transformers: all-mpnet-base-v2
Een vergelijking naast elkaar van NVIDIA: Nemotron 3.5 Embed 1B (free) (Gratis) en Sentence Transformers: all-mpnet-base-v2 (US$ 0,02 / 1M tekstdelen (≈ € 0,02)) met actuele USD-prijzen en mogelijkheden uit de catalogus van api14. Beide werken via dezelfde OpenAI-compatibele API.
Specificaties
| NVIDIA: Nemotron 3.5 Embed 1B (free) | Sentence Transformers: all-mpnet-base-v2 | |
|---|---|---|
| Aanbieder | NVIDIA | Sentence Transformers |
| Invoer | - | US$ 0,02 / 1M tekstdelen (≈ € 0,02) |
| Contextvenster | 32.768 | 512 |
| Maximale output | 29.491 | 460 |
| Invoer | text, image | text |
| Uitvoer | embeddings | embeddings |
| tool-aanroepen | ||
| Gestructureerde output | ||
| Instelbaar redeneren | ||
| Toegevoegd | 21 okt 2026 | 17 nov 2025 |
Belangrijkste verschillen
- NVIDIA: Nemotron 3.5 Embed 1B (free) leest 64.0× meer context (32.768 tokens).
In detail
NVIDIA: Nemotron 3.5 Embed 1B (free) is een embedding-model van NVIDIA, vermeld onder het model-id nvidia/nemotron-3.5-embed-1b:free. Sentence Transformers: all-mpnet-base-v2 is een embedding-model van Sentence Transformers, vermeld onder het model-id sentence-transformers/all-mpnet-base-v2. Beide vallen in de categorie embeddings, dus geen van beide genereert chat-completions of vrije tekst; elk neemt invoer en retourneert een vectorrepresentatie die je kunt gebruiken voor zoeken, clusteren, dedupliceren of classificeren. Het verschil in wie ze maakt is vooral belangrijk voor hoe je verwacht dat ze zich gedragen op jouw data, aangezien NVIDIA een nieuwer model levert, terwijl all-mpnet-base-v2 een al lang bestaand Sentence Transformers-checkpoint is.
Het duidelijkste technische verschil is contextlengte. Nemotron 3.5 Embed 1B accepteert tot 32768 tokens, terwijl all-mpnet-base-v2 512 tokens accepteert. Dat is een groot verschil in hoeveel tekst je in een enkele aanroep kunt embedden voordat je moet chunkeren. Nemotron 3.5 Embed 1B accepteert ook tekst- en afbeeldingsinvoer en retourneert embeddings, dus het is multimodaal aan de invoerkant. all-mpnet-base-v2 accepteert alleen tekst en retourneert embeddings. Geen van beide modellen toont ondersteunde parameters in de hier gegeven data, dus je moet niet verwachten dat instelbare knoppen zoals dimensies of pooling-opties voor een van beide gedocumenteerd zijn. De kwalitatieve vergelijking markeert Nemotron 3.5 Embed 1B als degene met de grotere context, en de prijsvelden zijn onbekend, dus behandel ze als ongeveer vergelijkbaar totdat je de live tabel controleert.
Voor praktische selectie kies je Nemotron 3.5 Embed 1B wanneer je documenten lang zijn, wanneer je een hele pagina, transcript of rapport wilt embedden zonder deze eerst op te splitsen, of wanneer je invoer afbeeldingen naast tekst bevat. Het venster van 32768 tokens laat je agressief chunkeren vermijden, wat vaak de betekenis beter behoudt voor retrieval. Kies all-mpnet-base-v2 wanneer je invoer kort is, zoals zinnen, producttitels, korte queries of afzonderlijke alinea's, en wanneer je een gewone tekst-only embedding-pipeline wilt zonder beeldverwerking. Als je corpus al is opgedeeld in enkele honderden tokens, is het kleinere contextvenster geen beperking, en de eenvoudigere tekst-only interface is mogelijk gemakkelijker te beredeneren.
Het aanroepen van een van beide modellen via api14 werkt hetzelfde omdat de API OpenAI-compatibel is. Je stuurt je invoer naar het embeddings-endpoint met je api14-sleutel, en het enige dat je tussen de twee verandert is de model-id-string. Gebruik nvidia/nemotron-3.5-embed-1b:free voor het NVIDIA-model en sentence-transformers/all-mpnet-base-v2 voor het Sentence Transformers-model. De vorm van het request, de vorm van de response en de manier waarop je de geretourneerde vectoren leest blijven hetzelfde, dus je kunt de id in een configuratiewaarde of omgevingsvariabele verwisselen en resultaten op je eigen data vergelijken zonder clientcode te herschrijven.
Wissel met één string
Beide modellen gebruiken hetzelfde endpoint en dezelfde verzoekstructuur. Verander de waarde van model van "nvidia/nemotron-3.5-embed-1b:free" naar "sentence-transformers/all-mpnet-base-v2", prompts, streaming en tools blijven werken.
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));
Meer vergelijkingen
- Amazon: Titan Multimodal Embeddings G1 tegen Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 tegen Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 tegen Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 tegen Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text tegen Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text tegen Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text tegen Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 tegen Cohere: Embed 5 Fast