Nomic Embed v2
Free.ai (self-hosted)
·
embeddings
·
~100 సూచనలు call
Nomic Embed v2 is an Eemబెడింగ్ మోడల్ built by Nomic AI. Retrieval augmented generation with flexible vector sizes. వద్ద బలప్రకాశం. Free.ai GPUs పై స్వయం-హోస్ట్ చేయబడినది — మీ రోజువారీ టోకెన్ పూల్ (100 టోకెన్లు ప్రతి కాల్) పై ఉచితంగా నడుస్తుంది. Released under Apache 2.0 - commercial use permitted on Free.ai.
ప్రశ్నలు
Nomic Embed v2 (గాలిల జాబితా) ఒక పెద్ద పోర్టరుగా (గాలిల జాబితా) మార్చుతుంది. ఇది సెమినరీ శోధన, పుట్కాల్ వుద్వేషింగ్, రిట్రిజెంట్ రెఫ్యూషన్ రీతి (RAG), మరియు ఏ పని చేసినా "ఆ వచనం విషయాలు" వంటివేనని వుంది.
Typical dimensions are 384, 768, 1024, or 1536 depending on the model. BGE-M3 emits 1024-dim; OpenAI Ada emits 1536. The API response includes the dimension so your vector DB picks the right index.
Free.ai న సంబంధించిన అనేక ఐచ్ఛికాలు కూడా- విస్తరించిన ఆధునిక మెడ్బార్ (సాక్కెక్స్ 0క్విజ్ (సాటివ్ ముక్స్క్విజ్ న సంబంధించిన అనేక ఐచ్చికాలు) 100+ భాషలకు శిక్షణ పొందుతున్నాయి. క్రాస్- వర్క్ వ్రైట్- రిట్యువల్ ఇంగ్లీషులో పనిచేస్తుంది - స్పానిష్ లో పత్రాలు సరిపెట్టున, స్పానిష్ లో సరికొత్తమైన పత్రాలు.
512 నుండి 8,192 సూచనలు మాదిరిపై ఆధారపడి ఉన్నాయి.
Nomic Embed v2 runs on our own GPUs and is among the cheapest tools - about ~100 tokens per call drawn from your daily free pool. $5 = 200K tokens.
Yes - POST a list of strings to /v1/embeddings/ and Nomic Embed v2 returns a list of vectors in the same order. Batch size up to 2,048 per request.
L2- సాధారణ స్వాభావికం మాట్ వుడ్ ఉత్పత్తు. పాస్ తిరిగిచేసుకునే "అబద్ధ" అనునది మీరు ఒక విభిన్న దూరం మాటిక్స్ కోసం పచ్చ వెక్కేస్ డే అనుకుంటే.
Any - Pinecone, Weaviate, Qdrant, Chroma, pgvector, FAISS, LanceDB. Nomic Embed v2 returns plain JSON floats; the DB never sees the model.
Yes - POST to /v1/embeddings/ with model="Nomic Embed v2". OpenAI-compatible response shape, so existing client libraries work unchanged. /api/ has the full reference.
సొంత పేరుతో రూపొందించిన మాడ్రిడ్స్ సమ్మేళనం మా GPUS మీద మీ పాఠ్యాన్ని ఉంచుతుంది మరియు పిలుపు తిరిగిన తర్వాత దాన్ని పారేయండి. ప్రొపిమమ్ DPA ద్వారా సంక్రమిస్తుంది. మేము మీ ఇన్పుట్లను ట్రైన్ కాదు.
Sub-100ms చిన్న పాఠం కోసం ఆప్టిక్స్, అంధుల న 100-,500 మిల్లు. బాబ్ స్కేలు నిక్కటిని - 1,000 ముక్కలు నిగూఢమైన స్కేటిపులు 2-10 సెకన్లలో పూర్తి.
Yes - Free.ai grants commercial use of embeddings. Build production search, RAG pipelines, recommendation systems with no per-vector royalty.