NVIDIA បានចេញផ្សាយ Nemotron 3 Embed ដែលជាបណ្តុំបើកចំហនៃម៉ូដែលបង្កប់ដែលត្រូវបានរចនាឡើងដើម្បីផ្តល់ថាមពលដល់ការផលិត - ពង្រីក - ជំនាន់ retrieval-augmented (RAG) ការទាញយកភ្នាក់ងារ ការទាញយកកូដ និងអង្គចងចាំភ្នាក់ងារ។ ការចេញផ្សាយដែលរៀបរាប់លម្អិតដោយ MarkTechPost នៅថ្ងៃទី 17 ខែកក្កដា ឆ្នាំ 2026 មកដល់នៅពេលដែលស្រទាប់ដែលសម្រេចថាតើការបញ្ជូនភ្នាក់ងារ AI ណាដែលធ្លាប់ឃើញក្លាយជាសមរភូមិប្រកួតប្រជែង ដែលជានិន្នាការនៃតុ [ព័ត៌មាន AI] (https://aibuzzwire.news) នៃការបោះពុម្ភផ្សាយនេះបានធ្វើតាមនៅពេលដែលសហគ្រាសផ្លាស់ប្តូរពី chatbots ទៅប្រព័ន្ធដែលធ្វើសកម្មភាពលើចំណេះដឹងដែលបានទាញយកមកវិញ។

ម៉ូដែលបង្កប់ សម្រេចថាតើភ្នាក់ងារណាមួយដែលធ្លាប់ឃើញ ដែលធ្វើឱ្យពួកគេក្លាយជាចំណុចទាញស្ងាត់ ប៉ុន្តែសម្រេចចិត្តនៅក្នុងជង់ AI ជំនាន់។ NVIDIA បានបង្កើត Nemotron 3 Embed ដើម្បីពង្រឹងស្រទាប់នោះ។ ការប្រមូលផ្តុំរួមមានប៉ុស្តិ៍ត្រួតពិនិត្យចំនួនបីដែលបើកចំហ: Nemotron-3-Embed-8B-BF16 ដែលជាជម្រើសដំបូងភាពត្រឹមត្រូវ; Nemotron-3-Embed-1B-BF16 ដែលអនុវត្តការរចនាដូចគ្នាទៅជាស្នាមជើងតូចជាង។ និង Nemotron-3-Embed-1B-NVFP4 ដែលជាប្រភេទ Blackwell-optimized 4-bit variant។ ទាំងបីគឺជាឧបករណ៍បំលែងកូដបំប្លែងដែលត្រូវបានបណ្តុះបណ្តាលជាមួយនឹងការបិទបាំងការយកចិត្តទុកដាក់ទ្វេទិស ជាមួយនឹងការបង្កប់ចុងក្រោយដែលផលិតដោយការរួមបញ្ចូលជាមធ្យមលើតំណាងកម្រិតសញ្ញាសម្ងាត់។ នីមួយៗគាំទ្រដល់ប្រវែងលំដាប់អតិបរមានៃ 32,768 សញ្ញាសម្ងាត់។

កំពូលតារាងពិន្ទុ

លទ្ធផលចំណងជើងគឺថា Nemotron-3-Embed-8B-BF16 ជាប់ចំណាត់ថ្នាក់លេខ 1 ជារួមនៅលើ RTEB ដែលជាការទាញយកការបង្កប់ Benchmark គិតត្រឹមថ្ងៃទី 17 ខែកក្កដា ឆ្នាំ 2026 លើកិច្ចការសាធារណៈចំនួន 16 របស់ខ្លួន។ ពិន្ទុត្រូវបានវាស់ជាមធ្យម NDCG@10 នៅប្រវែងលំដាប់គំរូនៃ 4,096។ NVIDIA បានវាយតម្លៃម៉ូដែលនីមួយៗឆ្លងកាត់ 34 ភាសា ហើយច្រកត្រួតពិនិត្យទាំងបីត្រូវបានចេញផ្សាយក្រោមកិច្ចព្រមព្រៀងអាជ្ញាប័ណ្ណ OpenMDW កំណែ 1.1 ដែលធ្វើឱ្យពួកវាអាចប្រើបានដោយសេរីសម្រាប់អ្នកអភិវឌ្ឍន៍ដើម្បីទាញយក ដំណើរការ និងកែប្រែ។

គួរកត់សម្គាល់ថាមូលដ្ឋានគំរូត្រូវបានដកចេញពី Mistral ។ ប៉ុស្តិ៍ត្រួតពិនិត្យ 8B ត្រូវបានសាងសង់នៅលើ Ministral-3-8B-Instruct-2512 ខណៈដែលវ៉ារ្យ៉ង់ 1B ទាំងពីរប្រើ Ministral-3-3B-Instruct-2512 នេះបើយោងតាមរបាយការណ៍ MarkTechPost ។ ការសម្រេចចិត្តរបស់ NVIDIA ក្នុងការសាងសង់គ្រឹះរបស់ Mistral ជាជាងស្ថាបត្យកម្មខាងក្នុងសុទ្ធសាធ ឆ្លុះបញ្ចាំងពីរបៀបដែលការអភិវឌ្ឍន៍គំរូរាវបានក្លាយទៅជា ដោយមានមូលដ្ឋានបើកចំហត្រូវបានរៀបចំឡើងវិញ និងបណ្តុះបណ្តាលឡើងវិញសម្រាប់កិច្ចការឯកទេស។

ការបង្ហាប់មិនមែនជាការរត់ការហ្វឹកហាត់តូចជាងនោះទេ។

គម្លាតនៃការអនុវត្តពីរលេចធ្លោ។ ម៉ូដែល 1B ទទួលបាន 10.4 ពិន្ទុ RTEB លើបន្ទាត់មូលដ្ឋាន llama-nemotron-embed-vl-1b-v2 ជំនាន់មុន។ ដោយឡែកពីគ្នា ប៉ុស្តិ៍ត្រួតពិនិត្យ 4 ប៊ីត NVFP4 មានតម្លៃត្រឹមតែ 0.38 ពិន្ទុ RTEB ធៀបនឹងមេ BF16 របស់វា ដោយរក្សាបានប្រហែល 99.5% នៃភាពត្រឹមត្រូវនៃការទាញយករបស់វា។ ការបង្ហាប់ដែលមិនមានការបាត់បង់គឺមានសារៈសំខាន់ជាពិសេសសម្រាប់ក្រុមដែលត្រូវការដំណើរការការបង្កប់តាមមាត្រដ្ឋាន ដែលតម្លៃនៃការចងចាំ និងការសន្និដ្ឋានជាញឹកញាប់គ្របដណ្តប់។

ពិន្ទុ 1B ទាំងនោះត្រូវបានសម្រេចតាមរយៈបំពង់បង្ហាប់ ជាជាងការរត់ហ្វឹកហាត់តូចជាង។ មេ, nemotron-3-embed-3b, ត្រូវបានកាត់ចេញ និងចំហុយពេញពីរជុំ។ ដំបូង មេ 3B ត្រូវបានកាត់ចេញទៅជា 2B ដោយប្រើការស្វែងរក mcore_minitron Neural Architecture របស់ NVIDIA ModelOpt ដែលស្វែងរកលើទទឹងលាក់ ទំហំ FFN ក្បាលយកចិត្តទុកដាក់ និងជម្រៅ បន្ទាប់មកជ្រើសរើសបេក្ខជនល្អបំផុតពីកំពូល 10 Pareto front ។ សាកសពការក្រិតតាមខ្នាតគំរូក្នុងដែនចំនួន 50,000 បានពិន្ទុបេក្ខជនទាំងនោះ។

បន្ទាប់មក គំរូ 2B ត្រូវបានចម្រាញ់ចេញពីគ្រូបង្កប់ 8B ដែលបានកែសម្រួលយ៉ាងល្អ ដោយរួមបញ្ចូលគ្នានូវការបាត់បង់ចម្ងាយកូស៊ីនុស និងការបាត់បង់កំហុសការ៉េមធ្យម លើការលាយបញ្ចូលទិន្នន័យក្នុងដែនពហុភាសា។ នីតិវិធីដូចគ្នានេះត្រូវបានធ្វើម្តងទៀតដើម្បីបង្កើតចំណុចត្រួតពិនិត្យ 1.14B ដោយបង្ហាញថាវ៉ារ្យ៉ង់តូចជាងបានទទួលនូវសមត្ថភាពរបស់ម៉ូដែលធំជាងតាមរយៈការបង្ហាប់រចនាសម្ព័ន្ធជាជាងការបណ្តុះបណ្តាលឯករាជ្យ។

បង្កើតឡើងសម្រាប់ប្រសិទ្ធភាព Blackwell

ការបង្ហាប់បន្តចូលទៅក្នុងទម្រង់បម្រើ។ Quantization បានកំណត់គោលដៅទម្ងន់ និងការធ្វើឱ្យសកម្មនៃស្រទាប់លីនេអ៊ែរតែប៉ុណ្ណោះ ដោយប្រើប្រភេទទិន្នន័យ NVFP4 ជាមួយនឹងក្រុមស្រាវជ្រាវពឹងផ្អែកលើ nvidia-modelopt v0.45.0 ។ Quantization-Aware Distillation បានធ្វើតាម ជាចម្បងដើម្បីស្ដារភាពត្រឹមត្រូវលើការបញ្ចូលរយៈពេលវែង។ ការក្រិតតាមខ្នាតបានប្រើ 512 គំរូ ដោយបំបែករវាង 256 សំណួរ និង 256 វគ្គពីសំណុំទិន្នន័យ cnn_dailymail ខណៈពេលដែលការបណ្តុះបណ្តាល QAD ទាញបាន 20,000 គំរូ។

ការទូទាត់ជាក់ស្តែងគឺប្រសិទ្ធភាពលើផ្នែករឹងចុងក្រោយរបស់ NVIDIA ។ ក្រុមស្រាវជ្រាវបានរាយការណ៍ថា NVFP4 នៅលើ Blackwell ផ្តល់នូវទិន្នផលខ្ពស់ជាង BF16 ដល់ទៅ 2 ដង ខណៈពេលដែលរក្សាបានច្រើនជាង 99% នៃភាពត្រឹមត្រូវនៃការទាញយក BF16 ។ កាតគំរូ NVFP4 ក៏កត់ត្រាទំហំបង្កប់ថាមវន្តផងដែរ ដែលអនុញ្ញាតឱ្យអ្នកអភិវឌ្ឍន៍កាត់វ៉ិចទ័រវិមាត្រ 2,048 ចុះមកត្រឹមទំហំ 1,024 ឬ 512 ហើយធ្វើឱ្យមានលក្ខណៈធម្មតាឡើងវិញនៅពេលក្រោយ ដោយធ្វើការជួញដូរនូវភាពត្រឹមត្រូវតិចតួចសម្រាប់តម្លៃផ្ទុកទាប។ ភាពបត់បែននោះមានសារៈសំខាន់សម្រាប់មូលដ្ឋានទិន្នន័យវ៉ិចទ័រ ដែលការរក្សាទុកវ៉ិចទ័រដែលមានវិមាត្រខ្ពស់រាប់ពាន់លានមានតម្លៃថ្លៃ។

ហេតុអ្វីការបង្កប់បញ្ហាពេលនេះ

ម៉ូដែលបង្កប់បានក្លាយជាចំណុចទាញស្ងាត់នៅក្នុងជង់ AI ជំនាន់។ រាល់ភ្នាក់ងារដែលមានមូលដ្ឋានលើការទាញយក ឧបករណ៍ស្វែងរកសហគ្រាស និងជំនួយការកូដអាស្រ័យទៅលើពួកវាដើម្បីទាញយកបរិបទត្រឹមត្រូវ មុនពេលគំរូភាសាធំមួយបង្កើតការឆ្លើយតប។ គំរូបង្កប់ដែលរឹងមាំ និងថោកជាងអាចកែលម្អគុណភាពចម្លើយដោយផ្ទាល់ និងកាត់បន្ថយការចំណាយប្រតិបត្តិការ ដែលជាមូលហេតុដែលអ្នកលក់ពី OpenAI ទៅ Cohere ដល់សមូហភាពប្រភពបើកចំហបានប្រញាប់ប្រញាល់បញ្ចេញគ្រួសារថ្មី។

តាមរយៈការផ្តល់ប្រភពបើកចំហរការប្រមូលផ្តុំលំដាប់កំពូលក្រោមអាជ្ញាប័ណ្ណអនុញ្ញាត និងផ្គូផ្គងវាជាមួយ Blackwell-tuned quantization NVIDIA កំពុងពង្រឹងយុទ្ធសាស្រ្តរបស់ខ្លួនក្នុងការបណ្តុះប្រព័ន្ធអេកូឡូស៊ី AI ដ៏ទូលំទូលាយជាមួយនឹងឧបករណ៍ដែលដំណើរការល្អបំផុតនៅលើស៊ីលីកូនរបស់វា។ សម្រាប់អ្នកអភិវឌ្ឍន៍ដែលបង្កើត RAG pipelines ឬប្រព័ន្ធអង្គចងចាំភ្នាក់ងារ Nemotron 3 Embed ផ្តល់នូវជម្រើសថ្មីដែលអាចប្រើបានដោយសេរីដែលជំរុញឱ្យស្ថានភាពសិល្បៈនៅលើស្តង់ដារដែលត្រូវបានមើលយ៉ាងទូលំទូលាយ ខណៈពេលដែលវ៉ារ្យ៉ង់ NVFP4 ផ្តល់ឱ្យក្រុមនូវផ្លូវដែលអាចទុកចិត្តបានក្នុងការកាត់បន្ថយការចំណាយលើការសន្និដ្ឋានដោយមិនលះបង់គុណភាពនៃការទាញយកកម្មវិធីរបស់ពួកគេអាស្រ័យលើ។

នាំមុខ AI

ម៉ូដែលបង្កប់ដោយបើកចំហដូចជា Nemotron 3 Embed កំពុងរៀបចំឡើងវិញយ៉ាងស្ងៀមស្ងាត់ពីរបៀបដែលភ្នាក់ងារ AI ស្វែងរក និងប្រើប្រាស់ព័ត៌មាន។ សម្រាប់​ព័ត៌មាន​បន្ថែម​អំពី​ម៉ូដែល ការ​ចេញ​ផ្សាយ និង​ការ​ស្រាវ​ជ្រាវ​ដែល​ធ្វើ​ដំណើរ​ទៅ​មុខ សូម​ធ្វើ​តាម [ការ​អភិវឌ្ឍ AI ថ្មី​បំផុត] (https://aibuzzwire.news) របស់​យើង​នៅ​ពេល​ដែល​វា​បែក​ធ្លាយ។

អានព័ត៌មាន AI បន្ថែម ->