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.

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.

Coût estimé

Tokens d'entrée par appel : ≈ 231

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 29 septembre 2026. Estimation : 1 token ≈ 3,6 caractères.

Identifiant

contextetech--nomic-embed-text-ollama

Type

Embeddings

Fichier

nomic-embed-text-ollama.embedding.json

Format

JSON (application/json)

Taille

623 octets

Encodage

UTF-8

Tokens estimés

≈ 173

Langue

Français

Licence

MIT

Usage commercial

Autorisé

Données personnelles

Aucune

Version

1.0

Publié le

1 octobre 2026 à 18:55

Mis à jour le

1 octobre 2026 à 18:55

Stockage

en base

Utilisations

0

J'aime

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": []
}

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