NVIDIA သည် RTEB ဦးဆောင်ဘုတ်တွင် 8B မော်ဒယ်ဖြင့် ပွင့်လင်းသော မြှုပ်နှံမှုစုစည်းမှုဖြစ်သော Nemotron 3 Embed ကို ဖြန့်ချိခဲ့သည်။

NVIDIA သည် ထုတ်လုပ်ရေးစကေးပြန်လည်ရယူခြင်း-တိုးမြှင့်ထားသောမျိုးဆက် (RAG)၊ အေးဂျင့်ပြန်လည်ရယူခြင်း၊ ကုဒ်ပြန်လည်ရယူခြင်းနှင့် အေးဂျင့်မှတ်ဉာဏ်အား စွမ်းအင်ထုတ်လုပ်ရန် ဒီဇိုင်းထုတ်ထားသော မြှုပ်သွင်းမော်ဒယ်များစုစည်းမှုတစ်ခုဖြစ်သည့် Nemotron 3 Embed ကို ထုတ်ပြန်ခဲ့သည်။ ဇူလိုင်လ 17 ရက်၊ 2026 ရက်နေ့တွင် MarkTechPost မှအသေးစိတ်ဖော်ပြသောထုတ်ဝေမှုသည် AI အေးဂျင့်တစ်ဦးကိုမြင်ဖူးသမျှလမ်းကြောင်းများကိုအပြိုင်အဆိုင်တိုက်ပွဲတစ်ခုဖြစ်လာရန်ဆုံးဖြတ်သည့်အလွှာအဖြစ်၊ ဤထုတ်ဝေမှု၏ breaking AI news desk သည် စီးပွားရေးလုပ်ငန်းများမှ chatbots မှပြန်လည်ရယူထားသောအသိပညာဆိုင်ရာစနစ်များဆီသို့ပြောင်းလဲသွားသည့်နောက်ဆက်တွဲဖြစ်လာသည်။

မော်ဒယ်များကို မြှုပ်သွင်းခြင်းသည် အေးဂျင့်တစ်ဦးမြင်ဖူးသည့် လမ်းကြောင်းများကို ဆုံးဖြတ်ပေးကာ ၎င်းတို့ကို မျိုးဆက်သစ် AI အစုအဝေးတွင် တိတ်ဆိတ်သော်လည်း ပြတ်သားသော chokepoint ဖြစ်စေသည်။ NVIDIA သည် ထိုအလွှာကို အားကောင်းစေရန် Nemotron 3 Embed ကို တည်ဆောက်ခဲ့သည်။ စုဆောင်းမှုတွင် ဖွင့်ထားသော စစ်ဆေးရေးဂိတ် သုံးခုပါဝင်သည်- Nemotron-3-Embed-8B-BF16၊ တိကျမှု-ပထမရွေးချယ်မှု; Nemotron-3-Embed-1B-BF16၊ တူညီသောဒီဇိုင်းကို သေးငယ်သောခြေရာအဖြစ်သယ်ဆောင်သည်။ နှင့် Nemotron-3-Embed-1B-NVFP4၊ Blackwell-optimized 4-bit မျိုးကွဲ။ သုံးခုစလုံးသည် တိုကင်အဆင့် ကိုယ်စားပြုမှုများအပေါ် ပျမ်းမျှပေါင်းထည့်ခြင်းဖြင့် ထုတ်လုပ်ထားသော နောက်ဆုံး မြှုပ်နှံမှုဖြင့် လေ့ကျင့်ထားသော ထရန်စဖော်မာ ကုဒ်ပြောင်းကိရိယာများဖြစ်သည်။ တစ်ခုစီသည် 32,768 တိုကင်အရှည်၏ အများဆုံး စီစဉ်အရှည်ကို ပံ့ပိုးပေးသည်။

Leaderboard တွင် ထိပ်ဆုံးမှ

ခေါင်းစီးရလဒ်မှာ Nemotron-3-Embed-8B-BF16 သည် RTEB တွင် အလုံးစုံ နံပါတ်တစ်၊ Retrieval Embedding Benchmark၊ ဇူလိုင်လ 17 ရက်၊ 2026 ရက်နေ့အထိ ၎င်း၏ အများသူငှာ လုပ်ဆောင်စရာ 16 ခုတွင် နံပါတ်တစ်ဖြစ်သည်။ ရမှတ်များကို ပျမ်းမျှ NDCG@10 အဖြစ် မော်ဒယ် အလျား 4,096 ဖြင့် တိုင်းတာသည်။ NVIDIA သည် ဘာသာစကား ၃၄ မျိုးဖြင့် မော်ဒယ်တစ်ခုစီကို အကဲဖြတ်ခဲ့ပြီး စစ်ဆေးရေးဂိတ်သုံးခုစလုံးကို OpenMDW လိုင်စင်သဘောတူညီချက်ဗားရှင်း 1.1 အောက်တွင် ထုတ်ပြန်ထားပြီး developer များအတွက် ၎င်းတို့ကို ဒေါင်းလုဒ်လုပ်ရန်၊ ဖွင့်ရန်နှင့် ပြင်ဆင်ရန်တို့ကို လွတ်လပ်စွာ အသုံးပြုနိုင်မည်ဖြစ်သည်။

ထင်ရှားသည်မှာ မော်ဒယ်အခြေစိုက်စခန်းများကို Mistral မှ ရေးဆွဲထားသည်။ 8B စစ်ဆေးရေးဂိတ်ကို Ministral-3-8B-Instruct-2512 တွင်တည်ဆောက်ထားပြီး 1B မျိုးကွဲနှစ်ခုစလုံးသည် Ministral-3-3B-Instruct-2512 ကိုအသုံးပြုထားကြောင်း MarkTechPost ၏အစီရင်ခံစာအရသိရသည်။ Mistral ၏အခြေခံအုတ်မြစ်ပေါ်တွင်တည်ဆောက်ရန် NVIDIA ၏ဆုံးဖြတ်ချက်သည် အိမ်တွင်းဗိသုကာလက်ရာသက်သက်မဟုတ်ဘဲ အရည်သွေးမော်ဒယ်ဖွံ့ဖြိုးတိုးတက်မှုဖြစ်လာပုံကို ထင်ဟပ်စေကာ ပွင့်လင်းသောအခြေခံများကို ပုံမှန်ပြန်လည်ပြင်ဆင်ပြီး အထူးပြုလုပ်ဆောင်မှုများအတွက် ပြန်လည်လေ့ကျင့်ပေးထားသည့် NVIDIA ၏ဆုံးဖြတ်ချက်ဖြစ်သည်။

Compression၊ သေးငယ်သော လေ့ကျင့်မှု မဟုတ်ပါ။

စွမ်းဆောင်ရည် ကွာဟချက်နှစ်ခု ထင်ရှားသည်။ 1B မော်ဒယ်သည် ယခင်မျိုးဆက် llama-nemotron-embed-vl-1b-v2 အခြေခံလိုင်းထက် 10.4 RTEB အမှတ်များ ရရှိသည်။ သီးခြားအားဖြင့်၊ NVFP4 4-bit စစ်ဆေးရေးဂိတ်သည် ၎င်း၏ BF16 မိဘနှင့် နှိုင်းယှဉ်ပါက 0.38 RTEB အမှတ်သာ ကုန်ကျပြီး ၎င်း၏ပြန်လည်ရယူသည့် တိကျမှု၏ အကြမ်းဖျင်း 99.5% ကို ထိန်းသိမ်းထားသည်။ Memory နှင့် Inference ကုန်ကျစရိတ်များ မကြာခဏလွှမ်းမိုးလေ့ရှိသော စကေးဖြင့် မြှုပ်နှံမှုများကို လုပ်ဆောင်ရန် လိုအပ်သော အဖွဲ့များအတွက် ထိုအနီးနား-ဆုံးရှုံးမှုမရှိ ဖိသိပ်မှုသည် အထူးအရေးကြီးပါသည်။

အဆိုပါ 1B ရမှတ်များကို သေးငယ်သော လေ့ကျင့်ရေးအပြေးထက် ဖိသိပ်မှုပိုက်လိုင်းမှတစ်ဆင့် ရရှိခဲ့သည်။ ပင်မ၊ nemotron-3-embed-3b ကို ဖြတ်တောက်ပြီး ထပ်ခါထပ်ခါ နှစ်ပတ်လုံး ပေါင်းခံထားသည်။ ပထမဦးစွာ 3B မိဘအား NVIDIA ModelOpt ၏ mcore_minitron Neural Architecture Search ကို အသုံးပြု၍ 2B တွင် လျှို့ဝှက်ထားသော အကျယ်၊ FFN အရွယ်အစား၊ အာရုံစူးစိုက်မှု ခေါင်းများနှင့် အတိမ်အနက်တို့ကို ရှာဖွေပေးကာ ထိပ်တန်း 10 Pareto အရှေ့ဘက်မှ အကောင်းဆုံး ကိုယ်စားလှယ်ကို ရွေးချယ်သည်။ ဒိုမိန်းအတွင်းနမူနာ 50,000-စံကိုက်ညှိခြင်း ကော်ပိုရိတ်သည် ထိုကိုယ်စားလှယ်လောင်းများကို အမှတ်ပေးသည်။

ထို့နောက်၊ 2B မော်ဒယ်ကို ကောင်းစွာချိန်ညှိထားသည့် 8B မြှပ်နှံထားသည့် ဆရာမှ ပေါင်းခံပြီး ကိုစင်အကွာအဝေးဆုံးရှုံးမှုနှင့် ဘာသာစကားပေါင်းစုံ၊ ဒိုမိန်းဒေတာပေါင်းစပ်မှုတွင် နှစ်ထပ်ကိန်းအမှားဆုံးရှုံးမှုကို ပေါင်းစပ်ထားသည်။ 1.14B စစ်ဆေးရေးဂိတ်ကို ထုတ်လုပ်ရန် အလားတူလုပ်ထုံးလုပ်နည်းကို ထပ်ခါတလဲလဲ ပြုလုပ်ခဲ့ပြီး သေးငယ်သော မူကွဲများသည် လွတ်လပ်သော လေ့ကျင့်မှုထက် ဖွဲ့စည်းပုံချုံ့ခြင်းဖြင့် ပိုကြီးသော မော်ဒယ်၏ စွမ်းဆောင်ရည်များစွာကို အမွေဆက်ခံကြောင်း သရုပ်ပြခဲ့သည်။

Blackwell စွမ်းဆောင်ရည်အတွက် တည်ဆောက်ထားသည်။

Compression သည် ဝန်ဆောင်မှုဖော်မတ်သို့ ဆက်လက်ရှိနေပါသည်။ NVFP4 ဒေတာအမျိုးအစားကို အသုံးပြု၍ သုတေသနအဖွဲ့သည် nvidia-modelopt v0.45.0 ကို အားကိုးကာ မျဉ်းသားအလွှာများ၏ အလေးချိန်နှင့် လှုပ်ရှားမှုများကိုသာ ပစ်မှတ်ထားပြီး Quantization ပြုလုပ်ထားသည်။ Quantization-Aware Distillation သည် ရှည်လျားသော သွင်းအားစုများပေါ်တွင် တိကျမှုကို ပြန်လည်ရယူရန် အဓိကအားဖြင့် လိုက်နာဆောင်ရွက်ပါသည်။ ချိန်ညှိခြင်းနမူနာ 512 ခုကိုအသုံးပြုပြီး cnn_dailymail dataset မှ စာပိုဒ်ပေါင်း 256 ခုကို ခွဲထုတ်ပြီး QAD လေ့ကျင့်မှုတွင် နမူနာပေါင်း 20,000 ကို ထုတ်ယူခဲ့သည်။

လက်တွေ့ကျသောပေးချေမှုသည် NVIDIA ၏နောက်ဆုံးပေါ် hardware တွင်ထိရောက်မှုဖြစ်သည်။ သုတေသနအဖွဲ့သည် Blackwell ရှိ NVFP4 သည် BF16 ထက် 2 ဆပိုမိုမြင့်မားသောဖြတ်သန်းနိုင်မှုအား BF16 ပြန်လည်ရယူခြင်း၏ 99% ထက်ပိုသော တိကျမှုကို ထိန်းသိမ်းထားစဉ် အစီရင်ခံထားသည်။ NVFP4 မော်ဒယ်ကတ်သည် ဒိုင်းနမစ်ထည့်သွင်းထားသော အရွယ်အစားများကို မှတ်တမ်းတင်ထားပြီး developer များအား 2,048-dimensional vector ကို 1,024 သို့မဟုတ် 512 dimensions အထိ ပိုင်းဖြတ်ကာ နောက်ပိုင်းတွင် ပုံမှန်ဖြစ်အောင် ပြန်လည်ပြုလုပ်ကာ သိုလှောင်မှုကုန်ကျစရိတ်နည်းပါးသည့်အတွက် တိကျမှုအနည်းငယ်ကို အရောင်းအဝယ်ပြုလုပ်နိုင်စေပါသည်။ ဘီလီယံနှင့်ချီသော ဘက်မြင် ဗက်တာများကို သိမ်းဆည်းခြင်းသည် စျေးကြီးသည့် vector databases များအတွက် ထိုပြောင်းလွယ်ပြင်လွယ်သည် အရေးကြီးပါသည်။

ဘာကြောင့် တသားတည်းဖြစ်နေရတာလဲ

ထည့်သွင်းထားသော မော်ဒယ်များသည် မျိုးဆက်သစ် AI အစုအဝေးတွင် တိတ်ဆိတ်သော chokepoint တစ်ခု ဖြစ်လာသည်။ ပြန်လည်ရယူမှုအခြေခံသည့် အေးဂျင့်တိုင်း၊ လုပ်ငန်းရှာဖွေရေးကိရိယာနှင့် ကုဒ်လက်ထောက်များသည် ကြီးမားသောဘာသာစကားပုံစံတစ်ခုမှ တုံ့ပြန်မှုမထုတ်ပေးမီ မှန်ကန်သောအကြောင်းအရာကို ရယူရန် ၎င်းတို့အပေါ် မူတည်ပါသည်။ ပိုမိုအားကောင်းပြီး စျေးသက်သာသော မြှုပ်သွင်းမော်ဒယ်သည် အဖြေအရည်အသွေးကို တိုက်ရိုက်မြှင့်တင်နိုင်ပြီး လည်ပတ်မှုကုန်ကျစရိတ်များကို လျှော့ချနိုင်သောကြောင့် OpenAI မှ Cohere မှ ရောင်းချသူများသည် open-source စုပေါင်းများအထိ မိသားစုအသစ်များကို ထုတ်ပေးရန် အလျင်စလိုလာကြသည်။

ခွင့်ပြုချက်လိုင်စင်အောက်တွင် ထိပ်တန်းအဆင့်စုဆောင်းမှုတစ်ခုကို အခမဲ့ရှာဖွေပြီး Blackwell-tuned quantization နှင့် တွဲချိတ်ခြင်းဖြင့်၊ NVIDIA သည် ၎င်း၏ကိုယ်ပိုင်ဆီလီကွန်ပေါ်တွင် အကောင်းဆုံးလုပ်ဆောင်သည့်ကိရိယာများဖြင့် ပိုမိုကျယ်ပြန့်သော AI ဂေဟစနစ်ကို မျိုးစေ့ချနည်းဗျူဟာကို အားဖြည့်ပေးပါသည်။ RAG ပိုက်လိုင်းများ သို့မဟုတ် အေးဂျင့်မှတ်ဉာဏ်စနစ်များကို တည်ဆောက်သည့် developer များအတွက်၊ Nemotron 3 Embed သည် ကျယ်ကျယ်ပြန့်ပြန့်ကြည့်ရှုထားသည့် စံနှုန်းတစ်ခုပေါ်တွင် အနုပညာ၏အခြေအနေကို တွန်းအားပေးသည့် လတ်ဆတ်သော၊ လွတ်လွတ်လပ်လပ်ရရှိနိုင်သည့် ရွေးချယ်မှုကို ပေးစွမ်းနိုင်ပြီး NVFP4 ဗားရှင်းသည် အသင်းများအား ၎င်းတို့၏အသုံးချပလီကေးရှင်းပေါ် မူတည်၍ ပြန်လည်ထုတ်ယူသည့်အရည်အသွေးကို မထိခိုက်စေဘဲ ကုန်ကျစရိတ်ဖြတ်တောက်ရန် ယုံကြည်စိတ်ချရသောလမ်းကြောင်းကိုပေးပါသည်။

AI ၏ရှေ့တွင်နေပါ။

Nemotron 3 Embed ကဲ့သို့သော Open embed မော်ဒယ်များသည် AI အေးဂျင့်များ အချက်အလက်ရှာဖွေပြီး အသုံးပြုပုံကို တိတ်တဆိတ် ပြန်လည်ပုံဖော်နေသည်။ မော်ဒယ်များ၊ ထုတ်ဝေမှုများနှင့် သုတေသနနယ်ပယ်ကို ရှေ့သို့ရွေ့လျားစေမည့် နောက်ထပ်အကြောင်းအရာများအတွက်၊ ကျွန်ုပ်တို့၏ [နောက်ဆုံးပေါ် AI တိုးတက်မှုများ] (https://aibuzzwire.news) ကို ဖောက်ထွင်းဝင်ရောက်ပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် -->