NVIDIA: Nemotron 3 Embed 1B (free)

NVIDIA Nemotron 3 Embed 1B to otwarty model embeddingowy tekstu od NVIDIA. Należy do rodziny Nemotron 3 i jest udostępniany jako darmowy model na api14 pod identyfikatorem nvidia/nemotron-3-embed-1b:free. NVIDIA pozycjonuje go jako model embeddingowy, a nie generatywny model czatowy, więc jego zadaniem jest zamiana tekstu na wektory, które można przechowywać, porównywać i przeszukiwać. Został wydany przez dostawcę 2026-07-16.

Model przyjmuje tekst jako jedyny modalność wejściową i produkuje embeddingi jako jedyną modalność wyjściową. Ma długość kontekstu 32768 tokenów, czyli ilość tekstu, którą można przekazać w pojedynczym żądaniu, oraz maksymalne wyjście 29491. Ponieważ wyjściem jest reprezentacja wektorowa, a nie wygenerowana proza, nie ma tu zachowania uzupełniania czatu: wysyłasz tekst i otrzymujesz z powrotem numeryczny embedding. Model jest opisywany jako zoptymalizowany pod kątem wyszukiwania o wysokiej przepustowości i niskich opóźnieniach, co określa, gdzie sprawdza się najlepiej.

Te cechy wskazują na dość konkretny zestaw zastosowań. Wyszukiwanie w przedsiębiorstwie jest oczywistym przypadkiem: raz osadź swój korpus dokumentów, osadź zapytanie użytkownika w momencie żądania i uszereguj według podobieństwa wektorowego. Ten sam mechanizm stanowi podstawę generowania wspomaganego wyszukiwaniem, gdzie embeddingi wybierają fragmenty, które później odczyta osobny model językowy. Wyszukiwanie kodu to kolejne zastosowanie, ponieważ pliki źródłowe i zapytania w języku naturalnym można osadzić w tej samej przestrzeni. Zastosowanie ma również wyszukiwanie agentowe, gdzie agent musi szybko i wielokrotnie wyszukiwać informacje podczas wykonywania zadania. We wszystkich tych przypadkach model jest komponentem większego potoku, a nie tym, co pisze ostateczną odpowiedź.

Wywołujesz go przez API zgodne z OpenAI na api14, używając identyfikatora modelu nvidia/nemotron-3-embed-1b:free. Ponieważ punkt końcowy ma kształt embeddingów OpenAI, wysyłasz tekst w polu input i otrzymujesz wektor w odpowiedzi, więc istniejące biblioteki klienckie OpenAI i kod embeddingowy generalnie działają po zmianie tylko adresu bazowego i nazwy modelu. Model nie wymienia żadnych dodatkowych obsługiwanych parametrów, więc nie należy oczekiwać opcji dostrajania poza tym, co zapewnia standardowe żądanie embeddingów. Utrzymuj każde żądanie w limicie kontekstu 32768 tokenów.

Jedna praktyczna uwaga: to model embeddingowy, więc nie będzie generować tekstu, prowadzić rozmowy ani odpowiadać bezpośrednio na pytania. Jeśli potrzebujesz streszczania, rozumowania lub dialogu, chcesz zamiast tego modelu generatywnego, a ten najlepiej używać obok niego. Darmowy plan sprawia również, że jest to rozsądny wybór do prototypowania potoku wyszukiwania, zanim zdecydujesz się na większy wysiłek indeksowania.