Embeddings nomic-embed-text en local avec Ollama

nomic-embed-text pour un RAG 100 % local avec Ollama : 768 dimensions, textes longs, préfixes search_query: / search_document:. Licence Apache 2.0.

Notizen

Disponible dans Ollama : ollama pull nomic-embed-text, puis appel à /api/embed.
Les préfixes search_query: et search_document: sont recommandés par l'auteur.
Entraîné surtout sur de l'anglais : pour du français, préférer un modèle multilingue.
Publié par Nomic AI sous licence Apache 2.0.

Geschätzte Kosten

Eingabe-Tokens pro Aufruf : ≈ 231

Nur Eingabekosten, ohne die Antwort des Modells. Öffentliche Standardpreise der Anbieter (Mistral AI, DeepSeek, OpenAI, Anthropic) von USD in Euro umgerechnet zum EZB-Kurs vom 29. September 2026. Schätzung: 1 Token ≈ 3,6 Zeichen.

Kennung

contextetech--nomic-embed-text-ollama

Typ

Embeddings

Datei

nomic-embed-text-ollama.embedding.json

Format

JSON (application/json)

Größe

623 Bytes

Kodierung

UTF-8

Geschätzte Tokens

≈ 173

Sprache

Französisch

Lizenz

MIT

Kommerzielle Nutzung

Erlaubt

Personenbezogene Daten

Keine

Version

1.0

Veröffentlicht am

1. Oktober 2026 um 18:55

Aktualisiert am

1. Oktober 2026 um 18:55

Speicherung

in der Datenbank

Nutzungen

0

Gefällt mir

0

nomic-embed-text-ollama.embedding.json

{
  "format": "contextetech/embedding/v1",
  "id": "contextetech/nomic-embed-text-ollama",
  "description": "nomic-embed-text pour un RAG 100 % local avec Ollama : 768 dimensions, textes longs, préfixes search_query: / search_document:. Licence Apache 2.0.",
  "tags": [
    "ollama",
    "rag",
    "local"
  ],
  "license": "MIT",
  "language": "fr",
  "model": "nomic-ai/nomic-embed-text-v1.5",
  "dimensions": 768,
  "maxTokens": 8192,
  "distance": "cosine",
  "languages": [
    "en"
  ],
  "prefixes": {
    "query": "search_query: ",
    "passage": "search_document: "
  },
  "chunkSize": 500,
  "benchmarks": []
}

Vektorisieren (Python)

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("nomic-ai/nomic-embed-text-v1.5")
q = model.encode(["search_query: deine Eingabe hier"], normalize_embeddings=True)
docs = model.encode(["search_document: …"], normalize_embeddings=True)
print(q.shape)  # (1, 768)
print(q @ docs.T)  # similarité