NVIDIA: Nemotron 3.5 Embed 1B (free) kontra Sentence Transformers: all-mpnet-base-v2
Porównanie NVIDIA: Nemotron 3.5 Embed 1B (free) (Za darmo) i Sentence Transformers: all-mpnet-base-v2 (0,02 USD / 1M tokenów (≈ 0,07 zł)) obok siebie na podstawie aktualnych cen w USD i możliwości z katalogu api14. Oba działają przez to samo API zgodne z OpenAI.
Specyfikacja
| NVIDIA: Nemotron 3.5 Embed 1B (free) | Sentence Transformers: all-mpnet-base-v2 | |
|---|---|---|
| Dostawca | NVIDIA | Sentence Transformers |
| Wejście | - | 0,02 USD / 1M tokenów (≈ 0,07 zł) |
| Okno kontekstu | 32 768 | 512 |
| Maks. wyjście | 29 491 | 460 |
| Wejście | text, image | text |
| Wyjście | embeddings | embeddings |
| Wywołania narzędzi | ||
| Ustrukturyzowane wyjście | ||
| Sterowanie rozumowaniem | ||
| Dodano | 21 paź 2026 | 17 lis 2025 |
Najważniejsze różnice
- NVIDIA: Nemotron 3.5 Embed 1B (free) przyjmuje 64.0× więcej kontekstu (32 768 tokenów).
Szczegółowo
NVIDIA: Nemotron 3.5 Embed 1B (free) to model embedding model od NVIDIA, pod model id nvidia/nemotron-3.5-embed-1b:free. Sentence Transformers: all-mpnet-base-v2 to model embedding model od Sentence Transformers, pod model id sentence-transformers/all-mpnet-base-v2. Oba znajdują się w kategorii embeddings, więc żaden z nich nie generuje kompletów czatu ani wolnego tekstu; każdy przyjmuje dane wejściowe i zwraca reprezentację wektorową, której można użyć do wyszukiwania, klastrowania, usuwania duplikatów lub klasyfikacji. Różnica w tym, kto je tworzy, ma znaczenie głównie dla tego, jak oczekujesz, że będą się zachowywać na Twoich danych, ponieważ NVIDIA dostarcza nowszy model, podczas gdy all-mpnet-base-v2 jest długo ugruntowanym punktem kontrolnym Sentence Transformers.
Najjaśniejszą techniczną luką jest długość kontekstu. Nemotron 3.5 Embed 1B akceptuje do 32768 tokenów, podczas gdy all-mpnet-base-v2 akceptuje 512 tokenów. Jest to duża różnica w ilości tekstu, który możesz zamodelować w jednym wywołaniu, zanim będziesz musiał podzielić dane na fragmenty. Nemotron 3.5 Embed 1B akceptuje również dane wejściowe tekstowe i obrazowe i zwraca embeddingi, więc jest multimodalny pod względem wejścia. all-mpnet-base-v2 akceptuje tylko tekst i zwraca embeddingi. Żaden z modeli nie ujawnia obsługiwanych parametrów w podanych danych, więc nie należy oczekiwać udokumentowanych regulowanych elementów, takich jak wymiary czy opcje grupowania, dla żadnego z nich. Porównanie jakościowe wskazuje Nemotron 3.5 Embed 1B jako model o większym kontekście, a pola cenowe są nieznane, więc traktuj je jako w przybliżeniu porównywalne, dopóki nie sprawdzisz aktualnej tabeli.
Dla praktycznego wyboru, sięgnij po Nemotron 3.5 Embed 1B, gdy Twoje dokumenty są długie, gdy chcesz zamodelować całą stronę, transkrypt lub raport bez wcześniejszego dzielenia, lub gdy Twoje dane wejściowe zawierają obrazy obok tekstu. Okno 32768 tokenów pozwala uniknąć agresywnego dzielenia, co często lepiej zachowuje znaczenie dla odzyskiwania informacji. Sięgnij po all-mpnet-base-v2, gdy Twoje dane wejściowe są krótkie, takie jak zdania, tytuły produktów, krótkie zapytania lub pojedyncze akapity, i gdy chcesz prosty potok embeddingów tylko tekstowych bez obsługi obrazów. Jeśli Twój korpus jest już podzielony na kilka setek tokenów, mniejszy kontekst nie jest ograniczeniem, a prostszy interfejs tylko tekstowy może być łatwiejszy do zrozumienia.
Wywołanie któregokolwiek z modeli poprzez api14 działa tak samo, ponieważ API jest kompatybilne z OpenAI. Wysyłasz swoje dane wejściowe do punktu końcowego embeddingów z kluczem api14, a jedyną rzeczą, którą zmieniasz między dwoma modelami, jest ciąg identyfikatorów modelu. Użyj nvidia/nemotron-3.5-embed-1b:free dla modelu NVIDIA i sentence-transformers/all-mpnet-base-v2 dla modelu Sentence Transformers. Kształt żądania, kształt odpowiedzi i sposób odczytywania zwróconych wektorów pozostają takie same, więc możesz zamienić id w wartości konfiguracji lub zmiennej środowiskowej i porównać wyniki na własnych danych bez przepisania kodu klienta.
Zmień jednym ciągiem znaków
Oba modele używają tego samego endpointu i tej samej struktury żądania. Zmień wartość model z "nvidia/nemotron-3.5-embed-1b:free" na "sentence-transformers/all-mpnet-base-v2", prompty, streaming i narzędzia działają dalej.
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));
Więcej porównań
- Amazon: Titan Multimodal Embeddings G1 kontra Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 kontra Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 kontra Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 kontra Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text kontra Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text kontra Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text kontra Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 kontra Cohere: Embed 5 Fast