NVIDIA: Nemotron 3.5 Embed 8B (free) mot Sentence Transformers: all-mpnet-base-v2
En jämförelse sida vid sida av NVIDIA: Nemotron 3.5 Embed 8B (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 8B (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 8B (free) läser 64.0× mer kontext (32 768 tokens).
Mer i detalj
NVIDIA: Nemotron 3.5 Embed 8B (free) är en inbäddningsmodell från NVIDIA, listad under modell-id nvidia/nemotron-3.5-embed-8b: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 embeddings, så ingen av dem genererar chattkompletteringar eller fritext. Var och en tar en indata och returnerar en vektor, som du sedan använder för sökning, klustring, deduplicering, klassificering eller liknande nedströmsarbete.
Den tydligaste skillnaden mellan dem är kontextlängden. Nemotron 3.5 Embed 8B accepterar upp till 32768 tokens, medan all-mpnet-base-v2 accepterar upp till 512 tokens. Det är en stor skillnad, och den förändrar vad du kan skicka till varje modell i ett enda anrop. Nemotron 3.5 Embed 8B accepterar även både text och bild som indata, medan all-mpnet-base-v2 endast accepterar text. Båda returnerar inbäddningar som sin enda utdatamodalitet, och ingen av dem listar några parametrar som stöds, så du kan inte justera alternativ för samplingsstil på någon av sidorna. Den kvalitativa jämförelsen markerar Nemotron 3.5 Embed 8B som den med den större kontexten, och den är den enda av de två som hanterar bilder överhuvudtaget.
För praktiskt arbete följer valet vanligtvis av din indata. Om du bäddar in långa dokument, hela sidor, transkript eller något som bekvämt överstiger några hundra tokens, låter Nemotron 3.5 Embed 8B dig skicka det innehållet i en enda del istället för att dela upp det i bitar och stämma av resultaten. Om du behöver bädda in bilder tillsammans med text, eller bygga ett blandat index, är det det enda alternativet här som accepterar bildindata. all-mpnet-base-v2 är en rimlig passning när dina indata är korta, som meningar, titlar, korta frågor eller enskilda stycken, och du vill ha en enkel textinbäddningsmodell. Den är också den äldre av de två enligt leverantörens utgivningsdatum, även om det ensamt inte avgör något.
Att anropa någon av modellerna via api14 fungerar på samma sätt eftersom API:et är OpenAI-kompatibelt. Du pekar din klient mot embeddings-slutpunkten, skickar din indata och ställer in modellfältet till det id du vill ha. För att växla mellan dem ändrar du bara det modell-id:t, från nvidia/nemotron-3.5-embed-8b:free till sentence-transformers/all-mpnet-base-v2 eller omvänt. Förfrågans form, autentisering och svarshantering förblir desamma, så du kan flytta en befintlig pipeline genom att redigera en enda sträng. Den aktuella pristabellen på denna sida visar vad varje anrop kostar, så kontrollera det där istället för att anta.
Det finns fortfarande fall där all-mpnet-base-v2 är det bättre valet. Om varje indata du bäddar in är kort text väl under 512 tokens är dess mindre kontext ingen begränsning, och du undviker att betala för kapacitet du inte kommer att använda. Det är också det enklare valet när du specifikt vill ha en textinbäddningsmodell och inte har något bildinnehåll i din pipeline. Nemotron 3.5 Embed 8B förblir valet när kontextlängd eller bildindata spelar roll, men för korta, vanliga textarbetsbelastningar är den mindre modellen helt tillräcklig.
Byt med en sträng
Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "nvidia/nemotron-3.5-embed-8b: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