NVIDIA: Nemotron 3.5 Embed 8B (free) tegen Sentence Transformers: all-mpnet-base-v2
Een vergelijking naast elkaar van NVIDIA: Nemotron 3.5 Embed 8B (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 8B (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 8B (free) leest 64.0× meer context (32.768 tokens).
In detail
NVIDIA: Nemotron 3.5 Embed 8B (free) is een embeddingmodel van NVIDIA, vermeld onder het model-id nvidia/nemotron-3.5-embed-8b:free. Sentence Transformers: all-mpnet-base-v2 is een embeddingmodel van Sentence Transformers, vermeld onder het model-id sentence-transformers/all-mpnet-base-v2. Beide behoren tot de categorie embeddings, dus geen van beide genereert chatvoltooiingen of vrije tekst. Elk neemt een invoer en retourneert een vector, die je vervolgens gebruikt voor zoeken, clusteren, dedupliceren, classificeren of vergelijkbaar downstream werk.
Het duidelijkste verschil tussen beide is de contextlengte. Nemotron 3.5 Embed 8B accepteert tot 32768 tokens, terwijl all-mpnet-base-v2 tot 512 tokens accepteert. Dat is een groot verschil, en het verandert wat je in één aanroep aan elk model kunt voeren. Nemotron 3.5 Embed 8B accepteert ook zowel tekst- als afbeeldingsinvoer, terwijl all-mpnet-base-v2 alleen tekst accepteert. Beide retourneren embeddings als hun enige uitvoermodaliteit, en geen van beide vermeldt ondersteunde parameters, dus je kunt bij geen van beide sampling-stijl opties aanpassen. De kwalitatieve vergelijking markeert Nemotron 3.5 Embed 8B als degene met de grotere context, en het is de enige van de twee die überhaupt afbeeldingen verwerkt.
Voor praktisch werk volgt de keuze meestal uit je invoer. Als je lange documenten, hele pagina's, transcripties of iets embedt dat comfortabel meer dan een paar honderd tokens overschrijdt, laat Nemotron 3.5 Embed 8B je die inhoud in één stuk verzenden in plaats van deze op te splitsen in chunks en de resultaten te verzoenen. Als je afbeeldingen naast tekst moet embedden, of een gemengde index wilt bouwen, is het hier de enige optie die afbeeldingsinvoer accepteert. all-mpnet-base-v2 is een redelijke keuze wanneer je invoer kort is, zoals zinnen, titels, korte queries of afzonderlijke passages, en je een rechttoe rechtaan tekstembeddingmodel wilt. Het is ook de oudere van de twee qua releasedatum van de provider, hoewel dat op zich niets beslist.
Het aanroepen van een van beide modellen via api14 werkt hetzelfde omdat de API OpenAI-compatibel is. Je richt je client op het embeddings-endpoint, verzendt je invoer en stelt het model-veld in op het id dat je wilt. Om tussen beide te wisselen, wijzig je alleen dat model-id, van nvidia/nemotron-3.5-embed-8b:free naar sentence-transformers/all-mpnet-base-v2 of omgekeerd. De vorm van het verzoek, authenticatie en het verwerken van de respons blijven hetzelfde, dus je kunt een bestaande pipeline overzetten door één string te bewerken. De live prijstabel op deze pagina toont wat elke aanroep kost, dus controleer het daar in plaats van aan te nemen.
Er zijn nog steeds gevallen waarin all-mpnet-base-v2 de betere keuze is. Als elke invoer die je embedt korte tekst is die ruim onder 512 tokens blijft, is de kleinere context geen beperking, en vermijd je te betalen voor capaciteit die je niet gebruikt. Het is ook de eenvoudigere keuze wanneer je specifiek een tekst-only embeddingmodel wilt en geen afbeeldingsinhoud in je pipeline hebt. Nemotron 3.5 Embed 8B blijft de keuze wanneer contextlengte of afbeeldingsinvoer belangrijk is, maar voor korte, platte tekstworkloads is het kleinere model volledig toereikend.
Wissel met één string
Beide modellen gebruiken hetzelfde endpoint en dezelfde verzoekstructuur. Verander de waarde van model van "nvidia/nemotron-3.5-embed-8b: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