O que é Nemotron 3.5 Embed (1B and 8B)?
Nemotron 3.5 Embed é um par de modelos de embeddings abertos da NVIDIA, lançados em 20 de outubro de 2026 sob a licença permissiva OpenMDW-1.1: um modelo 1B (1,55 bilhão de parâmetros) e um 8B (8,38 bilhões). Um modelo de embeddings transforma uma consulta ou um documento numa lista de números para que um sistema de busca encontre as correspondências mais próximas. Estes processam texto, a imagem de uma página de documento ou os dois juntos, para buscar em PDFs com tabelas, gráficos e infográficos; as consultas são só em texto.
Ambos se baseiam nos modelos Ministral 3 da Mistral, com um codificador de imagem Pixtral acrescentado ao Nemotron 3 Embed da NVIDIA, só de texto, de julho de 2026. A NVIDIA congelou a parte de texto no treino, então os vetores de texto coincidem com os do Nemotron 3 Embed e um índice de texto existente não precisa ser reconstruído. O 1B gera vetores de 2.048 dimensões que podem ser cortados para 1.024 ou 512, lê até 32.768 tokens e também sai num build NVFP4 de 4 bits para GPUs Blackwell.
Nemotron 3.5 Embed (1B and 8B) vale a pena?
Nemotron 3.5 Embed é agora a opção aberta mais forte para buscar em documentos empresariais, em que tabelas e gráficos carregam tanto sentido quanto o texto. No leaderboard de recuperação de documentos visuais ViDoRe v3.1, em 20 de outubro de 2026, o 8B ficou em primeiro com 61,17 de nDCG@10 e o 1B marcou 58,38, mantendo 95,4% da pontuação do modelo maior. Na tabela da NVIDIA sobre imagens de página do ViDoRe V3, o 1B marca 58,02 contra 52,89 do Qwen3-VL-Embedding-2B, e o 8B 60,39 contra 58,29 do Qwen3-VL-Embedding-8B.
O lado de texto é herdado e já comprovado. A NVIDIA informa que seu Nemotron 3 Embed 8B só de texto ficou em primeiro no leaderboard multilíngue RTEB em julho de 2026 com 78,5, com o 1B em 72,4 e em 71,0 na recuperação MMTEB. Como a 3.5 mantém esses vetores de texto inalterados, uma equipe no Nemotron 3 Embed pode acrescentar imagens de página ao mesmo índice sem refazer os embeddings do texto. É uma gentileza rara num campo em que cada troca de versão costuma significar reconstruir tudo.
O custo de entrada é quase zero. Os dois tamanhos estão de graça no OpenRouter por enquanto, a licença permite uso comercial e o 1B em NVFP4 roda 27,1% mais rápido que em BF16 numa GB200 com 99,85% da sua precisão no ViDoRe V3, no teste da NVIDIA. O contêiner NIM da NVIDIA atendeu 6.031 consultas por segundo numa RTX PRO 6000 Blackwell, cerca de 2,9 vezes o vLLM.
O porém: todos os números acima são da NVIDIA, e o software é restrito. O hardware suportado é NVIDIA Ampere, Hopper e Blackwell em Linux, a entrada de imagens exige Transformers 5.20.0 porque as versões 5.17.0 a 5.19.0 podem devolver resultados errados com FlashAttention 2, e as imagens de página contam no mesmo orçamento de 32.768 tokens que o texto. O texto foi avaliado em 34 idiomas e as imagens em 18, menos que os mais de 100 que alguns rivais dizem cobrir.
Nossa opinião: para um sistema RAG sobre PDFs, apresentações e relatórios digitalizados, o Nemotron 3.5 Embed 1B é hoje um padrão sensato; o 8B só justifica a GPU extra onde alguns pontos de recall valem dinheiro de verdade.
Onde ele se destaca
Um engenheiro de busca numa casa de análise de ações
Encontrar o gráfico ou a tabela certa entre milhares de PDFs de analistas
Converta cada página como imagem mais texto extraído com o 1B, guarde vetores de 2.048 dimensões (ou 1.024 para cortar o armazenamento pela metade) e consulte em texto comum. A pontuação de imagem mais texto do 1B no ViDoRe V3, segundo a NVIDIA, é 58,82.
Uma equipe de plataforma que já usa o Nemotron 3 Embed para busca de texto
Acrescentar contratos digitalizados e apresentações sem reindexar milhões de trechos de texto
Troque o modelo pelo Nemotron 3.5 Embed 1B e gere embeddings só das novas imagens de página; a NVIDIA manteve congelados os pesos de texto, então os vetores de texto existentes continuam válidos.
Uma startup de duas pessoas prototipando um agente de IA com memória
Testar um modelo de embeddings forte antes de se comprometer com GPUs
Chame nvidia/nemotron-3.5-embed-1b:free no OpenRouter durante o protótipo e passe para o vLLM ou o contêiner NIM numa única GPU NVIDIA quando o tráfego justificar.
Antes de decidir
- Configuração
- pip install transformers 5.20.0 e sentence-transformers, carregue nvidia/Nemotron-3.5-Embed-1B-BF16 e chame encode_query e encode_document, que acrescentam os prefixos de consulta e trecho; ou vllm serve com vLLM 0.32.0.
- Integrações
- Transformers, Sentence Transformers, vLLM (incluindo um endpoint de recuperação /v2/embed), NVIDIA NIM; OpenRouter, Baseten, DeepInfra e FriendliAI; suporte da Elastic anunciado para breve.
- Dados e privacidade
- OpenMDW-1.1 permite uso comercial. Auto-hospedado, os documentos ficam no seu hardware. O treino usou conjuntos públicos com uso comercial permitido e dados sintéticos de modelos como Nemotron, Qwen, Gemma e gpt-oss.
- Custo em escala
- Os pesos são gratuitos e o OpenRouter não cobra nada por enquanto; auto-hospedado, a NVIDIA mediu o 1B em NVFP4 a 128,8 documentos por segundo numa GB200 e o NIM a 6.031 consultas por segundo numa RTX PRO 6000.
- Limites
- 32.768 tokens por entrada, divididos entre tokens de texto e de imagem; imagens por padrão com 1.120 pixels no lado maior, até 1.540; só consultas em texto; GPUs NVIDIA em Linux.
O que é bom
- 8B em primeiro no ViDoRe v3.1 com 61,17 de nDCG@10 (20 de outubro de 2026)
- Converte texto, imagens de página ou ambos num mesmo espaço vetorial
- Vetores de texto idênticos aos do Nemotron 3 Embed, então os índices de texto continuam valendo
- Licença permissiva OpenMDW-1.1; grátis no OpenRouter
- Build NVFP4 27,1% mais rápido em Blackwell
O que não é
- Todos os benchmarks são da NVIDIA
- Só Linux e GPUs NVIDIA
- Texto avaliado em 34 idiomas, imagens em 18
- As consultas precisam ser em texto; consultas por imagem não são suportadas
- Sensível a versões: a entrada de imagens quebra no Transformers 5.17.0 a 5.19.0 com FlashAttention 2
Ideal para
Equipes que constroem busca ou RAG sobre PDFs, apresentações e relatórios e querem um só modelo aberto para texto e imagens de página.
Alternativas ao Nemotron 3.5 Embed (1B and 8B)
Nemotron 3.5 Embed (1B and 8B): perguntas frequentes
- Nemotron 3.5 Embed (1B and 8B) vale a pena?
- Nemotron 3.5 Embed é o modelo de embeddings aberto por onde começar na busca em documentos, porque lê imagens de página além de texto e não custa nada testar. Damos nota 4.4 de 5.
- Quanto custa Nemotron 3.5 Embed (1B and 8B)?
- Gratuito sob OpenMDW-1.1. Os dois tamanhos podem ser chamados de graça no OpenRouter; Baseten, DeepInfra e FriendliAI também os hospedam, e a NVIDIA oferece um contêiner NIM.
- Quais são as desvantagens de Nemotron 3.5 Embed (1B and 8B)?
- Todos os benchmarks são da NVIDIA; só Linux e GPUs NVIDIA; texto avaliado em 34 idiomas, imagens em 18; as consultas precisam ser em texto; consultas por imagem não são suportadas; sensível a versões: a entrada de imagens quebra no Transformers 5.17.0 a 5.19.0 com FlashAttention 2.
- Para quem Nemotron 3.5 Embed (1B and 8B) é indicado?
- Equipes que constroem busca ou RAG sobre PDFs, apresentações e relatórios e querem um só modelo aberto para texto e imagens de página.
- Quanto custa Nemotron 3.5 Embed (1B and 8B) para uma equipe ou em produção?
- Os pesos são gratuitos e o OpenRouter não cobra nada por enquanto; auto-hospedado, a NVIDIA mediu o 1B em NVFP4 a 128,8 documentos por segundo numa GB200 e o NIM a 6.031 consultas por segundo numa RTX PRO 6000.
- Nemotron 3.5 Embed (1B and 8B) é seguro para dados da empresa?
- OpenMDW-1.1 permite uso comercial. Auto-hospedado, os documentos ficam no seu hardware. O treino usou conjuntos públicos com uso comercial permitido e dados sintéticos de modelos como Nemotron, Qwen, Gemma e gpt-oss.
- Quais são as melhores alternativas ao Nemotron 3.5 Embed (1B and 8B)?
- As alternativas mais próximas que analisamos são Qwen3-VL-Embedding, Nemotron ColEmbed V2, Cohere Embed 5, Harrier-OSS-v1 (270M, 0.6B, 27B) e Jina Embeddings v5.
Respostas verificadas em 7 de nov. de 2026.
Você faz o Nemotron 3.5 Embed (1B and 8B)? Mostre esta nota no seu site
