NVIDIA: Nemotron 3.5 Embed 1B (free) mot Sentence Transformers: all-mpnet-base-v2
En jämförelse sida vid sida av NVIDIA: Nemotron 3.5 Embed 1B (free) (Gratis) och Sentence Transformers: all-mpnet-base-v2 (0,02 US$ / 1M textdelar (≈ 0,17 kr)) med aktuella USD-priser och funktioner från api14-katalogen. Båda körs via samma OpenAI-kompatibla API.
Specifikationer
| NVIDIA: Nemotron 3.5 Embed 1B (free) | Sentence Transformers: all-mpnet-base-v2 | |
|---|---|---|
| Leverantör | NVIDIA | Sentence Transformers |
| Indata | - | 0,02 US$ / 1M textdelar (≈ 0,17 kr) |
| Kontextfönster | 32 768 | 512 |
| Max utdata | 29 491 | 460 |
| Indata | text, image | text |
| Utdata | embeddings | embeddings |
| Verktygsanrop | ||
| Strukturerad utdata | ||
| Styrning av resonemang | ||
| Tillagd | 21 okt. 2026 | 17 nov. 2025 |
Viktiga skillnader
- NVIDIA: Nemotron 3.5 Embed 1B (free) läser 64.0× mer kontext (32 768 tokens).
Mer i detalj
NVIDIA: Nemotron 3.5 Embed 1B (free) är en inbäddningsmodell från NVIDIA, listad under modell-id nvidia/nemotron-3.5-embed-1b:free. Sentence Transformers: all-mpnet-base-v2 är en inbäddningsmodell från Sentence Transformers, listad under modell-id sentence-transformers/all-mpnet-base-v2. Båda tillhör kategorin inbäddningar, så ingen av dem genererar chattkompletteringar eller fritext. Var och en tar emot indata och returnerar en vektorrepresentation som du kan använda för sökning, klustring, avduplicering eller klassificering. Skillnaden i vem som tillverkar dem spelar främst roll för hur du förväntar dig att de ska bete sig på dina data, eftersom NVIDIA levererar en nyare modell medan all-mpnet-base-v2 är en sedan länge etablerad Sentence Transformers-checkpoint.
Det tydligaste tekniska gapet är kontextlängden. Nemotron 3.5 Embed 1B accepterar upp till 32768 tokens, medan all-mpnet-base-v2 accepterar 512 tokens. Det är en stor skillnad i hur mycket text du kan bädda in i ett enda anrop innan du behöver dela upp den. Nemotron 3.5 Embed 1B accepterar även text- och bildindata och returnerar inbäddningar, så den är multimodala på indatasidan. all-mpnet-base-v2 accepterar endast text och returnerar inbäddningar. Ingen av modellerna exponerar stödda parametrar i data som ges här, så du bör inte förvänta dig att justerbara inställningar som dimensioner eller pooling-alternativ dokumenteras för någon av dem. Den kvalitativa jämförelsen markerar Nemotron 3.5 Embed 1B som den med större kontext, och prisfälten är okända, så behandla dem som ungefär jämförbara tills du kontrollerar den aktuella tabellen.
För praktiskt val, använd Nemotron 3.5 Embed 1B när dina dokument är långa, när du vill bädda in en hel sida, transkription eller rapport utan att dela upp den först, eller när dina indata innehåller bilder tillsammans med text. Fönstret på 32768 tokens låter dig undvika aggressiv uppdelning, vilket ofta bevarar betydelsen bättre för hämtning. Använd all-mpnet-base-v2 när dina indata är korta, till exempel meningar, produkttitlar, korta frågor eller enskilda stycken, och när du vill ha en enkel textbaserad inbäddningspipeline utan bildhantering. Om ditt korpus redan är uppdelat i några hundra tokens är det mindre kontextfönstret ingen begränsning, och det enklare textbaserade gränssnittet kan vara lättare att resonera kring.
Att anropa endera modellen via api14 fungerar på samma sätt eftersom API:et är OpenAI-kompatibelt. Du skickar dina indata till inbäddningsslutpunkten med din api14-nyckel, och det enda du ändrar mellan de två är modell-id-strängen. Använd nvidia/nemotron-3.5-embed-1b:free för NVIDIA-modellen och sentence-transformers/all-mpnet-base-v2 för Sentence Transformers-modellen. Formen på begäran, formen på svaret och sättet du läser de returnerade vektorerna förblir detsamma, så du kan byta ut id:t i ett konfigurationsvärde eller en miljövariabel och jämföra resultat på dina egna data utan att skriva om klientkoden.
Byt med en sträng
Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "nvidia/nemotron-3.5-embed-1b:free" till "sentence-transformers/all-mpnet-base-v2", promptar, streaming och verktyg fortsätter att fungera.
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));
Fler jämförelser
- Amazon: Titan Multimodal Embeddings G1 mot Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 mot Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 mot Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 mot Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text mot Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text mot Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text mot Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 mot Cohere: Embed 5 Fast