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.

Notes

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.

Coût estimé

Tokens d'entrée par appel : ≈ 236

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-en

Type

Embeddings

Fichier

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

Format

JSON (application/json)

Taille

619 octets

Encodage

UTF-8

Tokens estimés

≈ 172

Langue

Anglais

Licence

MIT

Usage commercial

Autorisé

Données personnelles

Aucune

Version

1.0

Publié le

2 octobre 2026 à 21:54

Mis à jour le

2 octobre 2026 à 21:54

Stockage

en base

Utilisations

0

J'aime

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": []
}

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