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.

Notas

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.

Coste estimado

Tokens de entrada por llamada : ≈ 236

Solo coste de entrada, sin la respuesta del modelo. Precios públicos estándar de los proveedores (Mistral AI, DeepSeek, OpenAI, Anthropic) convertidos de USD a euros al tipo del BCE del 29 de septiembre de 2026. Estimación: 1 token ≈ 3,6 caracteres.

Identificador

contextetech--nomic-embed-text-ollama-en

Tipo

Embeddings

Archivo

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

Formato

JSON (application/json)

Tamaño

619 bytes

Codificación

UTF-8

Tokens estimados

≈ 172

Idioma

Inglés

Licencia

MIT

Uso comercial

Permitido

Datos personales

Ninguno

Versión

1.0

Publicado el

2 de octubre de 2026 a las 21:54

Actualizado el

2 de octubre de 2026 a las 21:54

Almacenamiento

en base de datos

Usos

0

Me gusta

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": []
}

Vectorizar (Python)

from sentence_transformers import SentenceTransformer

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