NVIDIA Nemotron 3 Embed ஐ வெளியிடுகிறது, RTEB லீடர்போர்டில் 8B மாடலுடன் ஒரு திறந்த உட்பொதித்தல் சேகரிப்பு

NVIDIA ஆனது Nemotron 3 Embed ஐ வெளியிட்டது, இது உற்பத்தி அளவிலான மீட்டெடுப்பு-ஆக்மென்ட் ஜெனரேஷன் (RAG), ஏஜென்டிக் மீட்டெடுப்பு, குறியீடு மீட்டெடுப்பு மற்றும் முகவர் நினைவகத்தை ஆற்றுவதற்காக வடிவமைக்கப்பட்ட எம்பெடிங் மாடல்களின் திறந்த தொகுப்பாகும். ஜூலை 17, 2026 அன்று MarkTechPost ஆல் விவரிக்கப்பட்ட வெளியீடு, AI முகவர் எந்தப் பகுதிகளைப் பார்க்க வேண்டும் என்பதைத் தீர்மானிக்கும் அடுக்கு ஒரு போட்டிப் போர்க்களமாக மாறுகிறது, இந்த வெளியீட்டின் breaking AI news டெஸ்க், சாட்பாட்களில் இருந்து அறிவை மாற்றியமைக்கும் நிறுவனங்களுக்குச் சென்றதால்.

உட்பொதித்தல் மாதிரிகள், முகவர் எப்பொழுதும் எந்தப் பகுதிகளைப் பார்க்கிறார் என்பதைத் தீர்மானிக்கிறது, இது AI ஸ்டேக்கில் ஒரு அமைதியான ஆனால் தீர்க்கமான சோக்பாயிண்ட் ஆகும். அந்த அடுக்கை வலுப்படுத்த NVIDIA Nemotron 3 Embed ஐ உருவாக்கியது. சேகரிப்பில் மூன்று திறந்த சோதனைச் சாவடிகள் உள்ளன: Nemotron-3-Embed-8B-BF16, ஒரு துல்லியம்-முதல் விருப்பம்; Nemotron-3-Embed-1B-BF16, அதே வடிவமைப்பை ஒரு சிறிய தடம் கொண்டு செல்கிறது; மற்றும் Nemotron-3-Embed-1B-NVFP4, பிளாக்வெல்-உகந்த 4-பிட் மாறுபாடு. இவை மூன்றும் மின்மாற்றி குறியாக்கிகள், இருதரப்பு கவனத்தை மறைத்தல் மூலம் பயிற்சியளிக்கப்பட்டவை, இறுதி உட்பொதித்தல் டோக்கன்-நிலை பிரதிநிதித்துவங்களின் சராசரி தொகுப்பின் மூலம் தயாரிக்கப்படுகிறது. ஒவ்வொன்றும் 32,768 டோக்கன்களின் அதிகபட்ச வரிசை நீளத்தை ஆதரிக்கிறது.

லீடர்போர்டில் முதலிடம்

ஜூலை 17, 2026 நிலவரப்படி, RTEB, மீட்டெடுப்பு உட்பொதிப்பு பெஞ்ச்மார்க், அதன் 16 பொதுப் பணிகளில், Nemotron-3-Embed-8B-BF16 ஒட்டுமொத்தமாக முதலிடத்தைப் பிடித்துள்ளது என்பதே தலைப்புச் செய்தியாகும். 4,096 மாதிரி வரிசை நீளத்தில் சராசரி NDCG@10 ஆக மதிப்பெண்கள் அளவிடப்படுகின்றன. NVIDIA ஒவ்வொரு மாதிரியையும் 34 மொழிகளில் மதிப்பீடு செய்தது, மேலும் மூன்று சோதனைச் சாவடிகளும் OpenMDW உரிம ஒப்பந்தத்தின் பதிப்பு 1.1 இன் கீழ் வெளியிடப்படுகின்றன, இதனால் டெவலப்பர்கள் பதிவிறக்கம் செய்யவும், இயக்கவும் மற்றும் மாற்றவும் அவற்றை இலவசமாகக் கிடைக்கும்.

குறிப்பிடத்தக்க வகையில், மாதிரி அடிப்படைகள் மிஸ்ட்ரலில் இருந்து எடுக்கப்பட்டது. MarkTechPost அறிக்கையின்படி, 8B சோதனைச் சாவடி Ministral-3-8B-Instruct-2512 இல் கட்டப்பட்டுள்ளது, அதே நேரத்தில் 1B வகைகளும் Ministral-3-3B-Instruct-2512 ஐப் பயன்படுத்துகின்றன. என்விடியாவின் முடிவு, மிஸ்ட்ரலின் அடித்தளத்தை முற்றிலும் உள்-கட்டமைப்பைக் காட்டிலும், திரவ மாதிரி மேம்பாடு எவ்வாறு மாறியிருக்கிறது என்பதைப் பிரதிபலிக்கிறது, திறந்த தளங்கள் வழக்கமாக மீண்டும் உருவாக்கப்பட்டு சிறப்புப் பணிகளுக்கு மீண்டும் பயிற்சி அளிக்கப்படுகின்றன.

சுருக்க, சிறிய பயிற்சி ஓட்டம் அல்ல

இரண்டு செயல்திறன் இடைவெளிகள் தனித்து நிற்கின்றன. 1B மாதிரியானது முந்தைய தலைமுறை llama-nemotron-embed-vl-1b-v2 அடிப்படையை விட 10.4 RTEB புள்ளிகளைப் பெறுகிறது. தனித்தனியாக, NVFP4 4-பிட் சோதனைச் சாவடியானது அதன் BF16 பெற்றோருக்கு எதிராக 0.38 RTEB புள்ளிகள் மட்டுமே செலவாகும், அதன் மீட்டெடுப்புத் துல்லியத்தில் தோராயமாக 99.5% தக்கவைத்துக் கொள்கிறது. நினைவகம் மற்றும் அனுமானச் செலவுகள் பெரும்பாலும் ஆதிக்கம் செலுத்தும் அளவில் உட்பொதிவுகளை இயக்க வேண்டிய அணிகளுக்கு இழப்பற்ற சுருக்கமானது குறிப்பாக முக்கியமானது.

அந்த 1B மதிப்பெண்கள் ஒரு சிறிய பயிற்சி ஓட்டத்தை விட சுருக்க குழாய் மூலம் அடையப்பட்டது. பெற்றோர், nemotron-3-embed-3b, கத்தரிக்கப்பட்டது மற்றும் இரண்டு மறுசுழற்சி சுற்றுகளில் வடிகட்டப்பட்டது. முதலில், 3B பெற்றோர் NVIDIA ModelOpt இன் mcore_minitron நியூரல் ஆர்கிடெக்சர் தேடலைப் பயன்படுத்தி 2B க்கு கத்தரிக்கப்பட்டது, இது மறைக்கப்பட்ட அகலம், FFN அளவு, கவனம் தலைகள் மற்றும் ஆழம் ஆகியவற்றில் தேடுகிறது, பின்னர் டாப்-10 பரேட்டோ முன்பக்கத்திலிருந்து சிறந்த வேட்பாளரைத் தேர்ந்தெடுக்கிறது. ஒரு 50,000-மாதிரி இன்-டொமைன் அளவுத்திருத்த கார்பஸ் அந்த வேட்பாளர்களுக்கு மதிப்பெண்கள் அளித்தது.

அடுத்து, 2B மாதிரியானது ஃபைன்-டியூன் செய்யப்பட்ட 8B உட்பொதிப்பு ஆசிரியரிடமிருந்து வடிகட்டப்பட்டது, இது ஒரு பன்மொழி, டொமைன் தரவுக் கலவையில் கொசைன் தொலைவு இழப்பு மற்றும் சராசரி ஸ்கொயர் பிழை இழப்பு ஆகியவற்றை இணைக்கிறது. 1.14B சோதனைச் சாவடியை உருவாக்க அதே செயல்முறை மீண்டும் மீண்டும் செய்யப்பட்டது, சிறிய மாறுபாடுகள் சுயாதீனமான பயிற்சிக்கு பதிலாக கட்டமைக்கப்பட்ட சுருக்கத்தின் மூலம் பெரிய மாதிரியின் திறனைப் பெறுகின்றன என்பதை நிரூபிக்கிறது.

பிளாக்வெல் செயல்திறனுக்காக கட்டப்பட்டது

சுருக்கமானது பரிமாறும் வடிவத்தில் தொடர்கிறது. NVFP4 தரவு வகையைப் பயன்படுத்தி, nvidia-modelopt v0.45.0 ஐ நம்பி, NVFP4 தரவு வகையைப் பயன்படுத்தி, அளவீடு இலக்கு எடைகள் மற்றும் நேரியல் அடுக்குகளின் செயல்பாடுகள் மட்டுமே. அளவீடு-விழிப்புணர்வு வடித்தல், முதன்மையாக நீண்ட உள்ளீடுகளில் துல்லியத்தை மீட்டெடுக்கப்பட்டது. Cnn_dailymail தரவுத்தொகுப்பிலிருந்து 256 வினவல்கள் மற்றும் 256 பத்திகளுக்கு இடையில் பிரிக்கப்பட்ட அளவுத்திருத்தம் 512 மாதிரிகளைப் பயன்படுத்தியது, அதே நேரத்தில் QAD பயிற்சி 20,000 மாதிரிகளைப் பெற்றது.

NVIDIA இன் சமீபத்திய வன்பொருளின் செயல்திறன்தான் நடைமுறைப் பலன். பிளாக்வெல்லிலுள்ள NVFP4 ஆனது BF16 ஐ விட 2x அதிக செயல்திறனை வழங்குகிறது என்று ஆராய்ச்சி குழு தெரிவிக்கிறது, அதே நேரத்தில் BF16 மீட்டெடுப்பு துல்லியத்தில் 99% க்கும் அதிகமாக உள்ளது. NVFP4 மாடல் கார்டு டைனமிக் எம்பெடிங் அளவுகளையும் ஆவணப்படுத்துகிறது, டெவலப்பர்கள் 2,048-பரிமாண வெக்டரை 1,024 அல்லது 512 பரிமாணங்களுக்குக் குறைத்து, பின்னர் மறு-சாதாரணமாக்க அனுமதிக்கிறது. திசையன் தரவுத்தளங்களுக்கு அந்த நெகிழ்வுத்தன்மை முக்கியமானது, அங்கு பில்லியன் கணக்கான உயர் பரிமாண திசையன்களை சேமிப்பது விலை உயர்ந்தது.

ஏன் உட்பொதிப்புகள் இப்போது முக்கியம்

உட்பொதித்தல் மாதிரிகள் உருவாக்கப்படும் AI அடுக்கில் ஒரு அமைதியான சோக்பாயிண்ட் ஆகிவிட்டது. ஒவ்வொரு மீட்டெடுப்பு அடிப்படையிலான முகவர், நிறுவன தேடல் கருவி மற்றும் குறியீட்டு உதவியாளர் ஒரு பெரிய மொழி மாதிரி ஒரு பதிலை உருவாக்கும் முன் சரியான சூழலைப் பெறுவதற்கு அவற்றைச் சார்ந்துள்ளது. வலுவான, மலிவான உட்பொதித்தல் மாதிரியானது பதில் தரத்தை நேரடியாக மேம்படுத்தலாம் மற்றும் இயக்கச் செலவுகளைக் குறைக்கலாம், அதனால்தான் OpenAI முதல் Cohere முதல் திறந்த மூல கூட்டு வரையிலான விற்பனையாளர்கள் புதிய குடும்பங்களை வெளியிட விரைந்துள்ளனர்.

அனுமதியளிக்கும் உரிமத்தின் கீழ் ஒரு சிறந்த தரவரிசை சேகரிப்பை ஓப்பன் சோர்சிங் செய்வதன் மூலம் மற்றும் அதை பிளாக்வெல்-டியூன் செய்யப்பட்ட அளவீடுகளுடன் இணைப்பதன் மூலம், NVIDIA அதன் சொந்த சிலிக்கானில் சிறப்பாக இயங்கும் கருவிகளைக் கொண்டு பரந்த AI சுற்றுச்சூழல் அமைப்பை விதைக்கும் உத்தியை வலுப்படுத்துகிறது. RAG பைப்லைன்கள் அல்லது முகவர் நினைவக அமைப்புகளை உருவாக்கும் டெவலப்பர்களுக்கு, Nemotron 3 Embed ஒரு புதிய, இலவசமாகக் கிடைக்கக்கூடிய விருப்பத்தை வழங்குகிறது, இது கலையின் நிலையை பரவலாகப் பார்க்கப்படும் அளவுகோலில் தள்ளுகிறது, அதே நேரத்தில் NVFP4 மாறுபாடு அணிகளுக்கு அவர்களின் பயன்பாடுகள் சார்ந்திருக்கும் மீட்டெடுப்புத் தரத்தை இழக்காமல் அனுமானச் செலவைக் குறைக்க நம்பகமான பாதையை வழங்குகிறது.

AIக்கு முன்னால் இருங்கள்

Nemotron 3 Embed போன்ற திறந்த உட்பொதித்தல் மாதிரிகள், AI முகவர்கள் எவ்வாறு தகவலைக் கண்டுபிடித்துப் பயன்படுத்துகிறார்கள் என்பதை அமைதியாக மாற்றியமைக்கிறது. களத்தை முன்னோக்கி நகர்த்தும் மாதிரிகள், வெளியீடுகள் மற்றும் ஆராய்ச்சிகள் பற்றி மேலும் அறிய, எங்கள் சமீபத்திய AI மேம்பாடுகளைப் அவை உடைக்கும்போது பின்பற்றவும்.

மேலும் AI செய்திகளைப் படிக்க ->