NVIDIA: Nemotron 3.5 Embed 1B (free)

Nemotron 3.5 Embed 1B to model embeddingowy od NVIDIA, udostepniony przez dostawce 21 pazdziernika 2026. Nalezy do kategorii embeddings, a nie chat czy generation, wiec jego zadaniem jest zamiana danych wejsciowych na wektory, a nie tworzenie odpowiedzi tekstowych. Nazwa odzwierciedla rodzine, do ktorej nalezy (Nemotron 3.5), jego role embeddingowa oraz skale okolo 1B parametrow. Jesli budujesz wyszukiwanie, retrieval lub klasteryzacje na bazie API, to wlasnie taki model warto oceniac obok innych endpointow embeddingowych, a nie zamiast modelu czatowego.

Model jest multimodalny po stronie wejscia. Przyjmuje tekst i obrazy, a jako jedyny modalnosc wyjsciowa zwraca embeddingi. To wlasnie ta kombinacja pozwala mu osadzic zarowno zapytanie tekstowe, jak i obraz strony dokumentu w tej samej przestrzeni wektorowej. Okno kontekstu wynosi 32768 tokenow, a maksymalne wyjscie jest podane jako 29491. NVIDIA opisuje go jako multimodalny model embeddingowy do wielojezycznego retrievalu na tekście i obrazach stron dokumentow, w tym tabelach, wykresach i infografikach. W praktyce oznacza to, ze model jest ukierunkowany na dokumenty, w ktorych uzyteczna informacja nie zawsze znajduje sie w czystym, mozliwym do wyodrebnienia tekscie.

Zastosowania wynikaja bezposrednio z tych mozliwosci. Wielojezyczny retrieval jest tym glownym: mozesz zaindeksowac korpus w wiecej niz jednym jezyku i dopasowywac do niego zapytania bez wczesniejszego tlumaczenia wszystkiego. Poniewaz obrazy stron sa przyjmowane jako dokumenty, mozesz osadzac zeskanowane strony, pliki PDF wyrenderowane jako obrazy oraz strony, ktorych znaczenie tkwi w tabelach, wykresach lub infografikach, a nastepnie wyszukiwac je za pomoca zapytania tekstowego. Typowe zastosowania obejmuja wyszukiwanie dokumentow w mieszanych zbiorach tekstu i obrazow, systemy odpowiadania na pytania, ktore najpierw wyszukuja strony, a dopiero potem uruchamiaja osobny etap generowania, deduplikacje lub klasteryzacje dokumentow oraz funkcje rekomendacji lub podobienstwa zbudowane na tych wektorach.

Wywołujesz go przez API zgodne z OpenAI w api14, uzywajac identyfikatora modelu "nvidia/nemotron-3.5-embed-1b:free". Poniewaz interfejs jest zgodny z OpenAI, kierujesz istniejacego klienta embeddings na bazowy URL api14 i przekazujesz ten identyfikator modelu, wiec kod napisany dla innych dostawcow embeddingow zwykle wymaga zmiany tylko bazowego URL i nazwy modelu. Lista obslugiwanych parametrow modelu jest pusta, co oznacza, ze nie ma udokumentowanych dodatkowych parametrow strojenia poza tym, co przyjmuje sam endpoint embeddings. Traktuj go jako prosty endpoint typu osadz i zwroc wektory, a nie taki, ktory konfigurujesz przy kazdym zadaniu.

Jedna rzecz do rozwazenia: to model embeddingowy, wiec nie bedzie generowac tekstu, prowadzic rozmowy ani samodzielnie odpowiadac na pytania. Jesli twoim zadaniem jest generowanie, rozumowanie lub czat, wlasciwym wyborem jest model czatowy, a ten nie jest jego zamiennikiem. Jest takze oferowany pod darmowym identyfikatorem modelu, co jest przydatne do oceny i pracy o malym wolumenie, ale przed poleganiem na nim w produkcji powinienes potwierdzic aktualna dostepnosc i wszelkie warunki uzycia na stronie modelu. Jesli potrzebujesz modelu, ktory zarowno wyszukuje, jak i odpowiada, zaplanuj uklad dwuetapowy: osadz i wyszukaj za pomoca tego modelu, a nastepnie przekaz wyszukana tresc do osobnego modelu generowania.