254 publication(s) · 346 utilisations
# Embeddings nomic-embed-text en local avec Ollama code: 3zfyfk | type: embedding | language: fr | licence: MIT | version: v1 description: nomic-embed-text pour un RAG 100 % local avec Ollama : 768 dimensions, textes longs, préfixes search_query: / search_document:. Licence Apache 2.0. page: https://contextetech.com/embeddings/nomic-embed-text-ollama-3zfyfk mcp: connect https://contextetech.com/mcp then call load_resource with code "3zfyfk" (or ask "load 3zfyfk") json: https://contextetech.com/api/resources/contextetech--nomic-embed-text-ollama python: pip install contexte && contexte get 3zfyfk source: https://huggingface.co/nomic-ai/nomic-embed-text-v1.5 citation (required by the licence): contextetech. (2026). Embeddings nomic-embed-text en local avec Ollama (Version 1) [Embeddings]. Contexte Tech. https://contextetech.com/embeddings/nomic-embed-text-ollama-3zfyfk. Source des données : https://huggingface.co/nomic-ai/nomic-embed-text-v1.5
nomic-embed-text pour un RAG 100 % local avec Ollama : 768 dimensions, textes longs, préfixes search_query: / search_document:. Licence Apache 2.0.
| Modèle | nomic-ai/nomic-embed-text-v1.5 |
|---|---|
| Dimensions | 768 |
| Tokens max | 8,2 k |
| Distance | cosine |
| Langues | en |
| Préfixes | search_query: / search_document: |
| Taille des morceaux | 500 |
Notes
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.
- Identifiant
- contextetech--nomic-embed-text-ollama
- Fichier
- nomic-embed-text-ollama.embedding.json
- Format
- JSON (application/json)
- Taille
- 569 octets
- Encodage
- UTF-8
- Tokens estimés
- ≈ 158
- Usage commercial
- Autorisé
- Données personnelles
- Aucune
- Version
- 1.0
- Publié le
- 1 octobre 2026 à 18:55
- Mis à jour le
- 16 octobre 2026 à 23:20
- Stockage
- en base
Statistiques
J'aime : 0 · Commentaires : 0
Cliquez sur un compteur pour l’afficher ou le masquer, survolez le graphique pour le détail. Une vue par visiteur et par jour, robots exclus ; décompte commencé le 30 septembre 2026.
Coût estimé
- Tokens d'entrée par appel
- ≈ 231
| Modèle | Par appel | Par mois |
|---|---|---|
| GPT-6 Luna · OpenAImeilleur prix | 0,00002 € | 0,02 € |
| DeepSeek Flash · DeepSeek | 0,00006 € | 0,06 € |
| Mistral Large · Mistral AI | 0,00010 € | 0,10 € |
| DeepSeek V4 Pro · DeepSeek | 0,00027 € | 0,27 € |
| GPT-6 Sol · OpenAI | 0,00041 € | 0,41 € |
| Claude Sonnet 5.5 · Anthropic | 0,00041 € | 0,41 € |
| Claude Opus 5.5 · Anthropic | 0,00081 € | 0,81 € |
| Modèle open source hébergé chez soi (Ollama, vLLM) | 0 € d'API (coût du serveur seulement) | |
Coût d'entrée seulement, sans la réponse du modèle. Prix publics des fournisseurs (Mistral AI, DeepSeek, OpenAI, Anthropic), tarif standard en dollars converti en euros au taux BCE du 13 octobre 2026. Estimation : 1 token ≈ 3,6 caractères.
Commun aux 3 régions
Sources sous licence compatible.
Sources : Modèle nomic-ai/nomic-embed-text-v1.5, licence Apache 2.0 (fiche Hugging Face)
Usage commercial autorisé · citer l'auteur · modifications permises.
Texte ou données seuls : aucun accès aux fichiers, au réseau ni aux commandes.
Hébergé en France (Scaleway, Paris). Aucun transfert hors UE.
Union européenne · 5/5
Aucune donnée personnelle.
Pas de données d'entraînement : pas de résumé à fournir.
États-Unis · 5/5
Aucune donnée personnelle.
Pas de données d'entraînement : pas de documentation à publier.
Chine · 5/5
Aucune donnée personnelle.
Pas de données d'entraînement ; les contenus générés par IA diffusés en Chine doivent être marqués (2025).
Synthèse indicative au 30/09/2026, sans valeur de certification juridique. Méthode et sources →
Qualité du contenu
Le détail des critères est réservé aux membres.
Chaque critère, les points retirés et un conseil pour corriger.
MCP contexte
https://contextetech.com/mcp
charge 3zfyfk
Ajoutez l'adresse comme connecteur dans les pages des applications d'IA, puis envoyez la demande ci-dessus.
API
import json, urllib.request url = "https://contextetech.com/api/resources/contextetech--nomic-embed-text-ollama" fiche = json.load(urllib.request.urlopen(url)) print(fiche["title"] or fiche["name"])
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.",
"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": []
}Vectoriser (Python)
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("nomic-ai/nomic-embed-text-v1.5")
q = model.encode(["search_query: votre entrée ici"], normalize_embeddings=True)
docs = model.encode(["search_document: …"], normalize_embeddings=True)
print(q.shape) # (1, 768)
print(q @ docs.T) # similarité
Communauté
Pas encore de commentaire. Partagez votre retour, il aidera les suivants.