Llama Nemotron Embed VL 1B V2
Rede Neural
Llama Nemotron Embed VL 1B V2 é um modelo de embedding multimodal da NVIDIA para busca semântica e RAG de texto e imagens.
Especificações
- Entrada
- texto, imagens, documentos
- Saída
- texto, vetores (embeddings)
- Tamanho do contexto
- 131 072 tokens
- Dimensões do vetor
- 2 048
Como funciona Llama Nemotron Embed VL 1B V2?
Llama Nemotron Embed VL 1B V2 é um modelo de embedding multimodal da NVIDIA, projetado para buscar respostas em documentos heterogêneos: ele traduz texto, imagens ou combinações de imagem e texto para um espaço vetorial unificado, permitindo que um único índice cubra páginas e capturas de tela. Através do BotHub, o modelo está disponível sem VPN ou cartões estrangeiros, com pagamento em rublos conforme o uso e via API compatível com OpenAI, facilitando a conexão com Qdrant, pgvector ou seu próprio pipeline sem reescrever código. É utilizado para busca RAG em documentação técnica, agrupamento de cartões de produtos com fotos, desduplicação e classificação de bases de conhecimento internas.Perguntas frequentes sobre Llama Nemotron Embed VL 1B V2
Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.
É um modelo de embedding multimodal: ele transforma texto, documentos e imagens em vetores, não gera conteúdo. Adequado para busca semântica, RAG, agrupamento, desduplicação, classificação e busca por imagens. Armazene os vetores no Qdrant ou pgvector e pesquise por proximidade.
Nenhum: na saída, você não recebe texto, mas um vetor numérico. Nossos dados indicam um limite técnico de resposta de 43253 tokens, mas isso se refere ao formato da resposta da API. Para gerar artigos e e-mails, escolha qualquer modelo generativo no BotHub.
Um modo de raciocínio separado não está indicado em nossos dados, e para embeddings ele não é necessário: o modelo não constrói uma cadeia de pensamentos, mas codifica o significado do fragmento em um vetor. A lógica sobre os resultados geralmente é definida pelo seu pipeline — classificação, filtros e um modelo generativo na etapa final.
Chamada de função e esquemas JSON rigorosos não estão indicados em nossos dados — essas são ferramentas de modelos generativos. Mas a resposta em si chega como um JSON estruturado com um array de vetores através da API compatível com OpenAI do BotHub, então integrar o modelo ao pipeline existente não é difícil.
Imagens e documentos — sim, esse é exatamente o seu perfil: o modelo VL codifica imagens e fragmentos de texto no mesmo espaço vetorial, portanto, você pode pesquisar imagens por descrição e vice-versa. A entrada de áudio e vídeo não está indicada em nossos dados. Contexto — 131072 tokens.
Não temos dados sobre idiomas, então não prometemos nada — a qualidade dos embeddings no seu domínio só pode ser verificada por medição. Reúna um pequeno conjunto de consultas e respostas corretas, calcule o recall e compare com outro modelo no BotHub, sem alterar a integração.