NVIDIA ਨੇ Nemotron 3 Embed, ਪਾਵਰ ਉਤਪਾਦਨ-ਸਕੇਲ ਰੀਟ੍ਰੀਵਲ-ਐਗਮੈਂਟੇਡ ਜਨਰੇਸ਼ਨ (RAG), ਏਜੰਟਿਕ ਮੁੜ ਪ੍ਰਾਪਤੀ, ਕੋਡ ਪ੍ਰਾਪਤੀ, ਅਤੇ ਏਜੰਟ ਮੈਮੋਰੀ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਏਮਬੈਡਿੰਗ ਮਾਡਲਾਂ ਦਾ ਇੱਕ ਖੁੱਲਾ ਸੰਗ੍ਰਹਿ ਜਾਰੀ ਕੀਤਾ ਹੈ। 17 ਜੁਲਾਈ, 2026 ਨੂੰ MarkTechPost ਦੁਆਰਾ ਵਿਸਤ੍ਰਿਤ ਰੀਲੀਜ਼, ਇੱਕ ਪਰਤ ਦੇ ਤੌਰ 'ਤੇ ਪਹੁੰਚੀ ਹੈ ਜੋ ਇਹ ਫੈਸਲਾ ਕਰਦੀ ਹੈ ਕਿ ਇੱਕ AI ਏਜੰਟ ਕਦੇ ਵੀ ਕਿਹੜੇ ਪਾਸਿਆਂ ਨੂੰ ਵੇਖਦਾ ਹੈ ਇੱਕ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਦਾ ਮੈਦਾਨ ਬਣ ਜਾਂਦਾ ਹੈ, ਇੱਕ ਰੁਝਾਨ ਇਸ ਪ੍ਰਕਾਸ਼ਨ ਦੇ ਬ੍ਰੇਕਿੰਗ AI ਨਿਊਜ਼ ਡੈਸਕ ਦੇ ਰੂਪ ਵਿੱਚ ਹੈ ਕਿਉਂਕਿ ਉੱਦਮ ਚੈਟਬੌਟਸ ਨੂੰ ਸਿਸਟਮ ਤੋਂ ਕੰਮ ਕਰਨ ਵਾਲੇ ਗਿਆਨ ਨੂੰ ਮੁੜ ਚਾਲੂ ਕਰਦੇ ਹਨ।

ਏਮਬੈਡਿੰਗ ਮਾਡਲ ਇਹ ਫੈਸਲਾ ਕਰਦੇ ਹਨ ਕਿ ਇੱਕ ਏਜੰਟ ਕਦੇ ਵੀ ਕਿਹੜੇ ਪੈਸਿਆਂ ਨੂੰ ਵੇਖਦਾ ਹੈ, ਜੋ ਉਹਨਾਂ ਨੂੰ ਜਨਰੇਟਿਵ AI ਸਟੈਕ ਵਿੱਚ ਇੱਕ ਸ਼ਾਂਤ ਪਰ ਨਿਰਣਾਇਕ ਚੋਕਪੁਆਇੰਟ ਬਣਾਉਂਦਾ ਹੈ। NVIDIA ਨੇ ਉਸ ਪਰਤ ਨੂੰ ਮਜ਼ਬੂਤ ​​ਕਰਨ ਲਈ Nemotron 3 Embed ਬਣਾਇਆ ਹੈ। ਸੰਗ੍ਰਹਿ ਵਿੱਚ ਤਿੰਨ ਖੁੱਲੇ ਚੈਕਪੁਆਇੰਟ ਸ਼ਾਮਲ ਹਨ: ਨਿਮੋਟ੍ਰੋਨ-3-ਏਮਬੇਡ-8ਬੀ-ਬੀਐਫ16, ਇੱਕ ਸ਼ੁੱਧਤਾ-ਪਹਿਲਾ ਵਿਕਲਪ; Nemotron-3-Embed-1B-BF16, ਜੋ ਇੱਕੋ ਡਿਜ਼ਾਇਨ ਨੂੰ ਇੱਕ ਛੋਟੇ ਪੈਰਾਂ ਦੇ ਨਿਸ਼ਾਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ; ਅਤੇ Nemotron-3-Embed-1B-NVFP4, ਇੱਕ ਬਲੈਕਵੈਲ-ਅਨੁਕੂਲ 4-ਬਿੱਟ ਵੇਰੀਐਂਟ। ਇਹ ਤਿੰਨੋਂ ਟਰਾਂਸਫਾਰਮਰ ਏਨਕੋਡਰ ਹਨ ਜੋ ਟੋਕਨ-ਪੱਧਰ ਦੀਆਂ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ ਉੱਤੇ ਔਸਤ ਪੂਲਿੰਗ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਅੰਤਮ ਏਮਬੇਡਿੰਗ ਦੇ ਨਾਲ, ਦੋ-ਦਿਸ਼ਾਵੀ ਧਿਆਨ ਮਾਸਕਿੰਗ ਨਾਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੁੰਦੇ ਹਨ। ਹਰੇਕ 32,768 ਟੋਕਨਾਂ ਦੀ ਅਧਿਕਤਮ ਕ੍ਰਮ ਲੰਬਾਈ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ।

ਲੀਡਰਬੋਰਡ ਨੂੰ ਸਿਖਰ 'ਤੇ ਰੱਖਣਾ

ਸਿਰਲੇਖ ਦਾ ਨਤੀਜਾ ਇਹ ਹੈ ਕਿ Nemotron-3-Embed-8B-BF16 ਆਪਣੇ 16 ਜਨਤਕ ਕਾਰਜਾਂ ਵਿੱਚ, 17 ਜੁਲਾਈ, 2026 ਤੱਕ, RTEB, ਰੀਟ੍ਰੀਵਲ ਏਮਬੈਡਿੰਗ ਬੈਂਚਮਾਰਕ 'ਤੇ ਸਮੁੱਚੇ ਤੌਰ 'ਤੇ ਪਹਿਲੇ ਨੰਬਰ 'ਤੇ ਹੈ। ਸਕੋਰਾਂ ਨੂੰ 4,096 ਦੇ ਮਾਡਲ ਕ੍ਰਮ ਦੀ ਲੰਬਾਈ 'ਤੇ ਔਸਤ NDCG@10 ਦੇ ਰੂਪ ਵਿੱਚ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ। NVIDIA ਨੇ 34 ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਹਰੇਕ ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ, ਅਤੇ ਤਿੰਨੋਂ ਚੈਕਪੁਆਇੰਟ OpenMDW ਲਾਈਸੈਂਸ ਐਗਰੀਮੈਂਟ ਸੰਸਕਰਣ 1.1 ਦੇ ਤਹਿਤ ਜਾਰੀ ਕੀਤੇ ਗਏ ਹਨ, ਜਿਸ ਨਾਲ ਇਹਨਾਂ ਨੂੰ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਡਾਊਨਲੋਡ ਕਰਨ, ਚਲਾਉਣ ਅਤੇ ਸੰਸ਼ੋਧਿਤ ਕਰਨ ਲਈ ਮੁਫ਼ਤ ਵਿੱਚ ਉਪਲਬਧ ਕਰਵਾਇਆ ਗਿਆ ਹੈ।

ਖਾਸ ਤੌਰ 'ਤੇ, ਮਾਡਲ ਬੇਸ ਮਿਸਟਰਲ ਤੋਂ ਬਣਾਏ ਗਏ ਹਨ। MarkTechPost ਦੀ ਰਿਪੋਰਟ ਦੇ ਅਨੁਸਾਰ, 8B ਚੈੱਕਪੁਆਇੰਟ Ministral-3-8B-Instruct-2512 'ਤੇ ਬਣਾਇਆ ਗਿਆ ਹੈ, ਜਦੋਂ ਕਿ ਦੋਵੇਂ 1B ਰੂਪਾਂ ਵਿੱਚ Ministral-3-3B-Instruct-2512 ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। NVIDIA ਦਾ ਮਿਸਟਰਲ ਦੀ ਬੁਨਿਆਦ 'ਤੇ ਨਿਰਮਾਣ ਕਰਨ ਦਾ ਫੈਸਲਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅੰਦਰੂਨੀ ਆਰਕੀਟੈਕਚਰ ਦੀ ਬਜਾਏ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਤਰਲ ਮਾਡਲ ਵਿਕਾਸ ਬਣ ਗਿਆ ਹੈ, ਖੁੱਲੇ ਬੇਸਾਂ ਨੂੰ ਨਿਯਮਤ ਤੌਰ 'ਤੇ ਦੁਬਾਰਾ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਵਿਸ਼ੇਸ਼ ਕਾਰਜਾਂ ਲਈ ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ।

ਕੰਪਰੈਸ਼ਨ, ਇੱਕ ਛੋਟੀ ਸਿਖਲਾਈ ਰਨ ਨਹੀਂ

ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਦੋ ਅੰਤਰ ਹਨ। 1B ਮਾਡਲ ਨੇ ਪਿਛਲੀ ਪੀੜ੍ਹੀ ਦੇ llama-nemotron-embed-vl-1b-v2 ਬੇਸਲਾਈਨ ਨਾਲੋਂ 10.4 RTEB ਅੰਕ ਹਾਸਲ ਕੀਤੇ ਹਨ। ਵੱਖਰੇ ਤੌਰ 'ਤੇ, NVFP4 4-ਬਿੱਟ ਚੈਕਪੁਆਇੰਟ ਦੀ ਕੀਮਤ ਇਸਦੇ BF16 ਮਾਤਾ-ਪਿਤਾ ਦੇ ਮੁਕਾਬਲੇ ਸਿਰਫ 0.38 RTEB ਪੁਆਇੰਟ ਹੈ, ਇਸਦੀ ਪ੍ਰਾਪਤੀ ਸ਼ੁੱਧਤਾ ਦਾ ਲਗਭਗ 99.5% ਬਰਕਰਾਰ ਹੈ। ਇਹ ਨੇੜੇ-ਨੁਕਸਾਨ ਰਹਿਤ ਸੰਕੁਚਨ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਉਹਨਾਂ ਟੀਮਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਪੈਮਾਨੇ 'ਤੇ ਏਮਬੈਡਿੰਗ ਚਲਾਉਣ ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ, ਜਿੱਥੇ ਮੈਮੋਰੀ ਅਤੇ ਅਨੁਮਾਨ ਖਰਚੇ ਅਕਸਰ ਹਾਵੀ ਹੁੰਦੇ ਹਨ।

ਉਹ 1B ਸਕੋਰ ਇੱਕ ਛੋਟੀ ਸਿਖਲਾਈ ਰਨ ਦੀ ਬਜਾਏ ਇੱਕ ਕੰਪਰੈਸ਼ਨ ਪਾਈਪਲਾਈਨ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਨ। ਪੇਰੈਂਟ, ਨਿਮੋਟ੍ਰੋਨ-3-ਏਮਬੇਡ-3ਬੀ, ਨੂੰ ਦੋ ਦੁਹਰਾਏ ਦੌਰਾਂ ਵਿੱਚ ਕੱਟਿਆ ਅਤੇ ਡਿਸਟਿਲ ਕੀਤਾ ਗਿਆ ਸੀ। ਪਹਿਲਾਂ, 3B ਪੇਰੈਂਟ ਨੂੰ NVIDIA ModelOpt ਦੀ mcore_minitron ਨਿਊਰਲ ਆਰਕੀਟੈਕਚਰ ਖੋਜ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ 2B 'ਤੇ ਕੱਟਿਆ ਗਿਆ ਸੀ, ਜੋ ਲੁਕਵੀਂ ਚੌੜਾਈ, FFN ਆਕਾਰ, ਧਿਆਨ ਦੇ ਸਿਰ ਅਤੇ ਡੂੰਘਾਈ 'ਤੇ ਖੋਜ ਕਰਦਾ ਹੈ, ਫਿਰ ਚੋਟੀ ਦੇ -10 ਪੈਰੇਟੋ ਫਰੰਟ ਤੋਂ ਵਧੀਆ ਉਮੀਦਵਾਰ ਚੁਣਦਾ ਹੈ। ਇੱਕ 50,000-ਨਮੂਨਾ ਇਨ-ਡੋਮੇਨ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਕਾਰਪਸ ਨੇ ਉਹਨਾਂ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਸਕੋਰ ਕੀਤਾ।

ਅੱਗੇ, 2B ਮਾਡਲ ਨੂੰ ਇੱਕ ਬਹੁ-ਭਾਸ਼ਾਈ, ਇਨ-ਡੋਮੇਨ ਡੇਟਾ ਮਿਸ਼ਰਣ ਉੱਤੇ ਕੋਸਾਈਨ ਦੂਰੀ ਦੇ ਨੁਕਸਾਨ ਅਤੇ ਮਤਲਬ ਵਰਗ ਗਲਤੀ ਦੇ ਨੁਕਸਾਨ ਨੂੰ ਜੋੜਦੇ ਹੋਏ, ਵਧੀਆ-ਟਿਊਨਡ 8B ਏਮਬੈਡਿੰਗ ਅਧਿਆਪਕ ਤੋਂ ਡਿਸਟਿਲ ਕੀਤਾ ਗਿਆ ਸੀ। 1.14B ਚੈਕਪੁਆਇੰਟ ਬਣਾਉਣ ਲਈ ਇਹੀ ਪ੍ਰਕਿਰਿਆ ਦੁਹਰਾਈ ਗਈ ਸੀ, ਇਹ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਛੋਟੇ ਰੂਪਾਂ ਨੂੰ ਸੁਤੰਤਰ ਸਿਖਲਾਈ ਦੀ ਬਜਾਏ ਸਟ੍ਰਕਚਰਡ ਕੰਪਰੈਸ਼ਨ ਦੁਆਰਾ ਵੱਡੇ ਮਾਡਲ ਦੀ ਸਮਰੱਥਾ ਦਾ ਬਹੁਤ ਹਿੱਸਾ ਪ੍ਰਾਪਤ ਹੁੰਦਾ ਹੈ।

ਬਲੈਕਵੈਲ ਕੁਸ਼ਲਤਾ ਲਈ ਬਣਾਇਆ ਗਿਆ

ਕੰਪਰੈਸ਼ਨ ਸਰਵਿੰਗ ਫਾਰਮੈਟ ਵਿੱਚ ਜਾਰੀ ਰਹਿੰਦਾ ਹੈ। NVFP4 ਡਾਟਾ ਕਿਸਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, nvidia-modelopt v0.45.0 'ਤੇ ਨਿਰਭਰ ਖੋਜ ਟੀਮ ਦੇ ਨਾਲ, ਕੁਆਂਟਾਇਜ਼ੇਸ਼ਨ ਨਿਸ਼ਾਨਾ ਵਜ਼ਨ ਅਤੇ ਲੀਨੀਅਰ ਲੇਅਰਾਂ ਦੀ ਕਿਰਿਆਸ਼ੀਲਤਾ। ਕੁਆਂਟਾਇਜ਼ੇਸ਼ਨ-ਅਵੇਅਰ ਡਿਸਟਿਲੇਸ਼ਨ ਦਾ ਅਨੁਸਰਣ ਕੀਤਾ ਗਿਆ, ਮੁੱਖ ਤੌਰ 'ਤੇ ਲੰਬੇ ਇਨਪੁਟਸ 'ਤੇ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ। ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਨੇ 512 ਨਮੂਨਿਆਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ, cnn_dailymail ਡੇਟਾਸੈਟ ਤੋਂ 256 ਸਵਾਲਾਂ ਅਤੇ 256 ਅੰਸ਼ਾਂ ਵਿਚਕਾਰ ਵੰਡਿਆ ਗਿਆ, ਜਦੋਂ ਕਿ QAD ਸਿਖਲਾਈ ਨੇ 20,000 ਨਮੂਨੇ ਲਏ।

ਵਿਹਾਰਕ ਅਦਾਇਗੀ NVIDIA ਦੇ ਨਵੀਨਤਮ ਹਾਰਡਵੇਅਰ 'ਤੇ ਕੁਸ਼ਲਤਾ ਹੈ। ਖੋਜ ਟੀਮ ਰਿਪੋਰਟ ਕਰਦੀ ਹੈ ਕਿ ਬਲੈਕਵੈਲ 'ਤੇ NVFP4 BF16 ਦੇ ਮੁਕਾਬਲੇ 2x ਵੱਧ ਥ੍ਰਰੂਪੁਟ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਦੋਂ ਕਿ BF16 ਮੁੜ ਪ੍ਰਾਪਤੀ ਦੀ 99% ਤੋਂ ਵੱਧ ਸ਼ੁੱਧਤਾ ਬਰਕਰਾਰ ਰੱਖਦਾ ਹੈ। NVFP4 ਮਾਡਲ ਕਾਰਡ ਗਤੀਸ਼ੀਲ ਏਮਬੈਡਿੰਗ ਆਕਾਰਾਂ ਨੂੰ ਵੀ ਦਸਤਾਵੇਜ਼ੀ ਬਣਾਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਡਿਵੈਲਪਰਾਂ ਨੂੰ 2,048-ਅਯਾਮੀ ਵੈਕਟਰ ਨੂੰ 1,024 ਜਾਂ 512 ਅਯਾਮਾਂ ਤੱਕ ਕੱਟਣ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਮੁੜ-ਸਧਾਰਨ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਘੱਟ ਸਟੋਰੇਜ ਲਾਗਤ ਲਈ ਥੋੜੀ ਸ਼ੁੱਧਤਾ ਦਾ ਵਪਾਰ ਕਰਦਾ ਹੈ। ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਲਈ ਇਹ ਲਚਕਤਾ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਜਿੱਥੇ ਅਰਬਾਂ ਉੱਚ-ਆਯਾਮੀ ਵੈਕਟਰਾਂ ਨੂੰ ਸਟੋਰ ਕਰਨਾ ਮਹਿੰਗਾ ਹੈ।

ਏਮਬੈਡਿੰਗ ਹੁਣ ਕਿਉਂ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ

ਏਮਬੈਡਿੰਗ ਮਾਡਲ ਜਨਰੇਟਿਵ AI ਸਟੈਕ ਵਿੱਚ ਇੱਕ ਸ਼ਾਂਤ ਚੋਕਪੁਆਇੰਟ ਬਣ ਗਏ ਹਨ। ਹਰੇਕ ਪ੍ਰਾਪਤੀ-ਆਧਾਰਿਤ ਏਜੰਟ, ਐਂਟਰਪ੍ਰਾਈਜ਼ ਖੋਜ ਟੂਲ, ਅਤੇ ਕੋਡ ਅਸਿਸਟੈਂਟ ਉਹਨਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਉਹ ਇੱਕ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ ਦੁਆਰਾ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਸਹੀ ਸੰਦਰਭ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ। ਇੱਕ ਮਜ਼ਬੂਤ, ਸਸਤਾ ਏਮਬੈਡਿੰਗ ਮਾਡਲ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਜਵਾਬ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਓਪਰੇਟਿੰਗ ਲਾਗਤਾਂ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ, ਇਸੇ ਕਰਕੇ ਓਪਨਏਆਈ ਤੋਂ ਕੋਹੇਰੇ ਤੱਕ ਓਪਨ-ਸੋਰਸ ਸਮੂਹਾਂ ਤੱਕ ਵਿਕਰੇਤਾ ਨਵੇਂ ਪਰਿਵਾਰਾਂ ਨੂੰ ਛੱਡਣ ਲਈ ਕਾਹਲੇ ਹੋਏ ਹਨ।

ਇੱਕ ਅਨੁਮਤੀ ਲਾਇਸੰਸ ਦੇ ਤਹਿਤ ਇੱਕ ਉੱਚ ਦਰਜੇ ਦੇ ਸੰਗ੍ਰਹਿ ਨੂੰ ਓਪਨ-ਸੋਰਸਿੰਗ ਕਰਕੇ ਅਤੇ ਇਸਨੂੰ ਬਲੈਕਵੈਲ-ਟਿਊਨਡ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਨਾਲ ਜੋੜ ਕੇ, NVIDIA ਆਪਣੇ ਖੁਦ ਦੇ ਸਿਲੀਕਾਨ 'ਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਚੱਲਣ ਵਾਲੇ ਸਾਧਨਾਂ ਨਾਲ ਵਿਆਪਕ AI ਈਕੋਸਿਸਟਮ ਨੂੰ ਬੀਜਣ ਦੀ ਆਪਣੀ ਰਣਨੀਤੀ ਨੂੰ ਮਜ਼ਬੂਤ ​​ਕਰ ਰਿਹਾ ਹੈ। RAG ਪਾਈਪਲਾਈਨਾਂ ਜਾਂ ਏਜੰਟ ਮੈਮੋਰੀ ਸਿਸਟਮ ਬਣਾਉਣ ਵਾਲੇ ਡਿਵੈਲਪਰਾਂ ਲਈ, Nemotron 3 Embed ਇੱਕ ਤਾਜ਼ਾ, ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਵਿਕਲਪ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਕਲਾ ਦੀ ਸਥਿਤੀ ਨੂੰ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਦੇਖੇ ਗਏ ਬੈਂਚਮਾਰਕ 'ਤੇ ਧੱਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ NVFP4 ਵੇਰੀਐਂਟ ਟੀਮਾਂ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤੀ ਗੁਣਵੱਤਾ ਦੀ ਕੁਰਬਾਨੀ ਦਿੱਤੇ ਬਿਨਾਂ ਅਨੁਮਾਨ ਲਾਗਤ ਨੂੰ ਘਟਾਉਣ ਲਈ ਇੱਕ ਭਰੋਸੇਯੋਗ ਰਸਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

AI ਤੋਂ ਅੱਗੇ ਰਹੋ

ਓਪਨ ਏਮਬੈਡਿੰਗ ਮਾਡਲ ਜਿਵੇਂ ਕਿ Nemotron 3 Embed ਚੁੱਪ-ਚਾਪ ਮੁੜ ਆਕਾਰ ਦੇ ਰਹੇ ਹਨ ਕਿ ਕਿਵੇਂ AI ਏਜੰਟ ਜਾਣਕਾਰੀ ਲੱਭਦੇ ਅਤੇ ਵਰਤਦੇ ਹਨ। ਫੀਲਡ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣ ਵਾਲੇ ਮਾਡਲਾਂ, ਰੀਲੀਜ਼ਾਂ ਅਤੇ ਖੋਜ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ, ਸਾਡੇ ਨਵੀਨਤਮ AI ਵਿਕਾਸ ਦੀ ਪਾਲਣਾ ਕਰੋ ਜਿਵੇਂ ਹੀ ਉਹ ਟੁੱਟਦੇ ਹਨ।

ਹੋਰ AI ਖਬਰਾਂ ਪੜ੍ਹੋ ->