Qu’est-ce que Nemotron 3.5 Embed (1B and 8B) ?
Nemotron 3.5 Embed est une paire de modèles d'embeddings ouverts de NVIDIA, publiés le 20 octobre 2026 sous la licence permissive OpenMDW-1.1 : un modèle 1B (1,55 milliard de paramètres) et un 8B (8,38 milliards). Un modèle d'embeddings transforme une requête ou un document en une liste de nombres pour qu'un moteur de recherche trouve les correspondances les plus proches. Ceux-ci traitent du texte, l'image d'une page de document ou les deux ensemble, pour chercher dans des PDF avec tableaux, graphiques et infographies ; les requêtes sont uniquement textuelles.
Tous deux reposent sur les modèles Ministral 3 de Mistral, avec un encodeur d'images Pixtral ajouté au Nemotron 3 Embed de NVIDIA, uniquement textuel, de juillet 2026. NVIDIA a figé la partie texte pendant l'entraînement : les vecteurs de texte correspondent donc à ceux de Nemotron 3 Embed et un index de texte existant n'a pas besoin d'être reconstruit. Le 1B produit des vecteurs de 2 048 dimensions que l'on peut réduire à 1 024 ou 512, lit jusqu'à 32 768 tokens et existe aussi en build NVFP4 sur 4 bits pour les GPU Blackwell.
Nemotron 3.5 Embed (1B and 8B) vaut-il le coup ?
Nemotron 3.5 Embed est désormais l'option ouverte la plus solide pour chercher dans des documents d'entreprise, où tableaux et graphiques portent autant de sens que le texte. Sur le leaderboard de recherche documentaire visuelle ViDoRe v3.1, au 20 octobre 2026, le 8B était premier avec 61,17 de nDCG@10 et le 1B obtenait 58,38, conservant 95,4 % du score du grand modèle. Dans le tableau de NVIDIA sur les images de pages de ViDoRe V3, le 1B obtient 58,02 contre 52,89 pour Qwen3-VL-Embedding-2B, et le 8B 60,39 contre 58,29 pour Qwen3-VL-Embedding-8B.
La partie texte est héritée et déjà éprouvée. NVIDIA indique que son Nemotron 3 Embed 8B textuel était premier du leaderboard multilingue RTEB en juillet 2026 avec 78,5, le 1B étant à 72,4 et à 71,0 en recherche MMTEB. Comme la 3.5 garde ces vecteurs de texte inchangés, une équipe sous Nemotron 3 Embed peut ajouter des images de pages au même index sans recalculer les embeddings de son texte. C'est une attention rare dans un domaine où chaque changement de version impose d'ordinaire une reconstruction complète.
Le coût d'entrée est quasi nul. Les deux tailles sont gratuites sur OpenRouter pour l'instant, la licence autorise l'usage commercial, et le 1B en NVFP4 tourne 27,1 % plus vite qu'en BF16 sur un GB200 avec 99,85 % de sa précision sur ViDoRe V3, selon le test de NVIDIA. Le conteneur NIM de NVIDIA a servi 6 031 requêtes par seconde sur une RTX PRO 6000 Blackwell, environ 2,9 fois vLLM.
Le hic : tous les chiffres ci-dessus viennent de NVIDIA, et le logiciel est restreint. Le matériel pris en charge est NVIDIA Ampere, Hopper et Blackwell sous Linux, l'entrée d'images exige Transformers 5.20.0 car les versions 5.17.0 à 5.19.0 peuvent renvoyer des résultats faux avec FlashAttention 2, et les images de pages comptent dans le même budget de 32 768 tokens que le texte. Le texte a été évalué dans 34 langues et les images dans 18, moins que les plus de 100 revendiquées par certains concurrents.
Notre avis : pour un système RAG sur des PDF, des présentations et des rapports numérisés, Nemotron 3.5 Embed 1B est aujourd'hui un choix par défaut raisonnable ; le 8B ne justifie son GPU supplémentaire que là où quelques points de rappel valent vraiment de l'argent.
Là où il fait la différence
Un ingénieur recherche d'une société d'analyse financière
Retrouver le bon graphique ou le bon tableau parmi des milliers de PDF d'analystes
Encodez chaque page en image plus texte extrait avec le 1B, stockez des vecteurs de 2 048 dimensions (ou 1 024 pour diviser le stockage par deux) et interrogez en texte libre. Le score image plus texte du 1B sur ViDoRe V3 selon NVIDIA est de 58,82.
Une équipe plateforme qui utilise déjà Nemotron 3 Embed pour la recherche textuelle
Ajouter des contrats numérisés et des présentations sans réindexer des millions de fragments de texte
Passez à Nemotron 3.5 Embed 1B et n'encodez que les nouvelles images de pages ; NVIDIA a figé les poids texte, les vecteurs de texte existants restent donc valides.
Une startup de deux personnes qui prototype un agent IA doté de mémoire
Tester un modèle d'embeddings solide avant de s'engager sur des GPU
Appelez nvidia/nemotron-3.5-embed-1b:free sur OpenRouter pendant le prototype, puis passez à vLLM ou au conteneur NIM sur un seul GPU NVIDIA quand le trafic le justifie.
Avant de vous engager
- Mise en route
- pip install transformers 5.20.0 et sentence-transformers, chargez nvidia/Nemotron-3.5-Embed-1B-BF16 et appelez encode_query et encode_document, qui ajoutent les préfixes de requête et de passage ; ou vllm serve avec vLLM 0.32.0.
- Intégrations
- Transformers, Sentence Transformers, vLLM (dont un endpoint de recherche /v2/embed), NVIDIA NIM ; OpenRouter, Baseten, DeepInfra et FriendliAI ; la prise en charge par Elastic est annoncée pour bientôt.
- Données et confidentialité
- OpenMDW-1.1 autorise l'usage commercial. En auto-hébergement, les documents restent sur votre matériel. L'entraînement a utilisé des jeux publics autorisés pour un usage commercial et des données synthétiques de modèles comme Nemotron, Qwen, Gemma et gpt-oss.
- Coût à grande échelle
- Les poids sont gratuits et OpenRouter ne facture rien pour l'instant ; en auto-hébergement, NVIDIA a mesuré le 1B NVFP4 à 128,8 documents par seconde sur un GB200 et NIM à 6 031 requêtes par seconde sur une RTX PRO 6000.
- Limites
- 32 768 tokens par entrée, partagés entre tokens de texte et d'image ; images par défaut à 1 120 pixels sur le plus grand côté, jusqu'à 1 540 ; requêtes textuelles uniquement ; GPU NVIDIA sous Linux.
Les points forts
- Le 8B premier sur ViDoRe v3.1 avec 61,17 de nDCG@10 (20 octobre 2026)
- Encode texte, images de pages ou les deux dans un même espace vectoriel
- Vecteurs de texte identiques à Nemotron 3 Embed, les index de texte restent valables
- Licence permissive OpenMDW-1.1 ; gratuit sur OpenRouter
- Build NVFP4 27,1 % plus rapide sur Blackwell
Les points faibles
- Tous les benchmarks viennent de NVIDIA
- Linux et GPU NVIDIA uniquement
- Texte évalué dans 34 langues, images dans 18
- Les requêtes doivent être textuelles ; pas de requêtes par image
- Sensible aux versions : l'entrée d'images casse avec Transformers 5.17.0 à 5.19.0 et FlashAttention 2
Idéal pour
Les équipes qui construisent de la recherche ou du RAG sur des PDF, des présentations et des rapports et veulent un seul modèle ouvert pour le texte et les images de pages.
Alternatives à Nemotron 3.5 Embed (1B and 8B)
Nemotron 3.5 Embed (1B and 8B) : questions fréquentes
- Nemotron 3.5 Embed (1B and 8B) vaut-il le coup ?
- Nemotron 3.5 Embed est le modèle d'embeddings ouvert par lequel commencer pour la recherche documentaire, car il lit les images de pages autant que le texte et ne coûte rien à essayer. Nous lui donnons 4.4 sur 5.
- Combien coûte Nemotron 3.5 Embed (1B and 8B) ?
- Gratuit sous OpenMDW-1.1. Les deux tailles sont appelables gratuitement sur OpenRouter ; Baseten, DeepInfra et FriendliAI les hébergent aussi, et NVIDIA propose un conteneur NIM.
- Quels sont les inconvénients de Nemotron 3.5 Embed (1B and 8B) ?
- Tous les benchmarks viennent de NVIDIA; linux et GPU NVIDIA uniquement; texte évalué dans 34 langues, images dans 18; les requêtes doivent être textuelles ; pas de requêtes par image; sensible aux versions : l'entrée d'images casse avec Transformers 5.17.0 à 5.19.0 et FlashAttention 2.
- À qui s’adresse Nemotron 3.5 Embed (1B and 8B) ?
- Les équipes qui construisent de la recherche ou du RAG sur des PDF, des présentations et des rapports et veulent un seul modèle ouvert pour le texte et les images de pages.
- Combien coûte Nemotron 3.5 Embed (1B and 8B) pour une équipe ou en production ?
- Les poids sont gratuits et OpenRouter ne facture rien pour l'instant ; en auto-hébergement, NVIDIA a mesuré le 1B NVFP4 à 128,8 documents par seconde sur un GB200 et NIM à 6 031 requêtes par seconde sur une RTX PRO 6000.
- Nemotron 3.5 Embed (1B and 8B) est-il sûr pour les données de l’entreprise ?
- OpenMDW-1.1 autorise l'usage commercial. En auto-hébergement, les documents restent sur votre matériel. L'entraînement a utilisé des jeux publics autorisés pour un usage commercial et des données synthétiques de modèles comme Nemotron, Qwen, Gemma et gpt-oss.
- Quelles sont les meilleures alternatives à Nemotron 3.5 Embed (1B and 8B) ?
- Les alternatives les plus proches que nous avons testées sont Qwen3-VL-Embedding, Nemotron ColEmbed V2, Cohere Embed 5, Harrier-OSS-v1 (270M, 0.6B, 27B) et Jina Embeddings v5.
Réponses vérifiées le 7 nov. 2026.
Vous éditez Nemotron 3.5 Embed (1B and 8B) ? Affichez cette note sur votre site
