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.

Estimated cost

Input tokens per call : ≈ 231

Input cost only, excluding the model's answer. Providers' public standard prices (Mistral AI, DeepSeek, OpenAI, Anthropic) converted from USD to euros at the ECB rate of September 29, 2026. Estimate: 1 token ≈ 3.6 characters.

Identifier

contextetech--nomic-embed-text-ollama

Type

Embeddings

File

nomic-embed-text-ollama.embedding.json

Format

JSON (application/json)

Size

623 bytes

Encoding

UTF-8

Estimated tokens

≈ 173

Language

French

License

MIT

Commercial use

Allowed

Personal data

None

Version

1.0

Published on

October 1, 2026 at 6:55 PM

Updated on

October 1, 2026 at 6:55 PM

Storage

in database

Uses

0

Likes

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": []
}

Embed (Python)

from sentence_transformers import SentenceTransformer

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