نماذج التضمين الجديدة من Nvidia تتصدر القائمة، لكن القصة الحقيقية هي توفير تكاليف العامل الذكي

أصدرت Nvidia اليوم مجموعة Nemotron 3 Embed، وهي عائلة من ثلاثة نماذج تضمين مفتوحة الوزن تدّعي أنها تحتل المركز الأول في لوحة متصدرين معيار مهام الاسترجاع والتقييم (RTEB). يسجل النموذج الرائد 8B نسبة 78.5% على RTEB و 75.5% على MMTEB Retrieval. لكن بيانات المعايير الخاصة بالشركة تروي قصة أكثر تشويقًا: الاسترجاع الأفضل يترجم مباشرة إلى استدلال أقل تكلفة للعامل الذكي.

تتضمن المجموعة النموذج الرائد 8B BF16، ونموذج الكفاءة 1.14B BF16، ونموذج 1.14B NVFP4 المحسن لمعمارية Blackwell. جميع النماذج الثلاثة متاحة على Hugging Face بأوزان مفتوحة وتأتي مع وصفات تدريب Nvidia NeMo للضبط الدقيق والتقطير. تدعم النماذج نافذة سياقية بحجم 32k رمزًا، وتجميع المتوسط، والاتفاقية القياسية للبادئة query: / document:.

قيمت Nvidia النماذج عبر ثلاثة معايير للعامل الذكي، وهي ViDoRe V3 و BRIGHT و BrowseComp-Plus، باستخدام عامل بحث مدعوم من Nemotron 3 Ultra. تُظهر النتائج علاقة عكسية بين دقة الاسترجاع وإنفاق الرموز المميزة في المراحل النهائية. سجل النموذج 8B أعلى متوسط دقة استرجاع وأقل تكلفة تقديرية للرموز المميزة في المراحل النهائية، مما يشير إلى أن الاستثمار في أداة تضمين أقوى يمكن أن يعوض تكلفته عن طريق توفير وقت تشغيل العامل الذكي.

صُممت المتغيرات 1B لالتقاط معظم مكاسب الجودة هذه مع زمن انتقال أقل. يسجل Nemotron-3-Embed-1B-BF16 نسبة 72.4% على RTEB، مما يقلل معدل الخطأ بنسبة 27% مقارنة بسابقه (llama-nemotron-embed-vl-1b-v2). يحافظ المتغير NVFP4، المستهدف لمعمارية Blackwell من Nvidia، على أكثر من 99% من دقة BF16 مع توفير إنتاجية أعلى تصل إلى الضعفين وحجم ذاكرة أصغر باستخدام تسريع 4-بت الأصلي.

نشرت Nvidia أيضًا خدمة مصغرة NIM للنموذج 1B، مبنية بلغة Rust، والتي تضاهي أو تتفوق على تنفيذ vLLM على معالجات GB200 و RTX PRO 6000 عبر أطوال تسلسل إدخال تبلغ 256 و 1024 رمزًا.

يشمل المقيّمون الأوائل كلاً من Automation Anywhere و Boomi و IBM و Mem0 و Palantir و ServiceNow و turbopuffer و You.com و Zep و Zoom. أبلغ مدير منتج Mem0 أن النموذج 1B سجل 80.38% مقابل 78.71% لنموذج Qwen-3-0.6B على LongMemEval لمؤشر Retrieval@10، بينما قال مهندس الذكاء الاصطناعي الأول في You.com إن استبدال نموذج Nemotron 3 Embed داخل مجموعة إعادة الترتيب الخاصة بهم "حقق قفزة كبيرة في الأداء".

تم بناء النموذج 8B عن طريق تكييف العمود الفقري Ministral-3-8B-Instruct-2512 من مفكك ترميز سببي إلى مشفر ثنائي الاتجاه، ثم التدريب باستخدام التدريب المسبق التبايني على أزواج الويب والبيانات الاصطناعية متبوعًا بالضبط الدقيق على مجموعات بيانات متعددة اللغات منسقة. تم إنتاج النماذج 1B من خلال جولتين من التقليم الهيكلي، من النموذج الأصلي 3B إلى نموذج وسيط 2B، ثم إلى الحجم النهائي 1.14B، باستخدام محرك بحث العمارة العصبية من Nvidia ModelOpt، مع التقطير من نقطة تفتيش للمعلم 8B في كل مرحلة.

شاركت Nvidia أيضًا مثالاً للضبط الدقيق للمجال: تحسين Nemotron-3-Embed-1B-BF16 لتقييم NV Docs أدى إلى تحسين NDCG@10 من 56.7% إلى 63.3% و Recall@5 من 56.1% إلى 62.8%.