nomic-embed-text embeddings locally with Ollama

nomic-embed-text for a 100% local English RAG with Ollama: 768 dimensions, long texts, search_query: / search_document: prefixes. Apache 2.0.

Notizen

Available in Ollama: ollama pull nomic-embed-text, then call /api/embed.
The search_query: and search_document: prefixes are recommended by the authors.
Trained mostly on English, which makes it a good default for English documents.
Published by Nomic AI under the Apache 2.0 license.

Geschätzte Kosten

Eingabe-Tokens pro Aufruf : ≈ 236

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-en

Typ

Embeddings

Datei

nomic-embed-text-ollama-en.embedding.json

Format

JSON (application/json)

Größe

619 Bytes

Kodierung

UTF-8

Geschätzte Tokens

≈ 172

Sprache

Englisch

Lizenz

MIT

Kommerzielle Nutzung

Erlaubt

Personenbezogene Daten

Keine

Version

1.0

Veröffentlicht am

2. Oktober 2026 um 21:54

Aktualisiert am

2. Oktober 2026 um 21:54

Speicherung

in der Datenbank

Nutzungen

0

Gefällt mir

0

nomic-embed-text-ollama-en.embedding.json

{
  "format": "contextetech/embedding/v1",
  "id": "contextetech/nomic-embed-text-ollama-en",
  "description": "nomic-embed-text for a 100% local English RAG with Ollama: 768 dimensions, long texts, search_query: / search_document: prefixes. Apache 2.0.",
  "tags": [
    "ollama",
    "rag",
    "local"
  ],
  "license": "MIT",
  "language": "en",
  "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