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.

Note

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.

Costo stimato

Token di input per chiamata : ≈ 231

Solo costo di input, esclusa la risposta del modello. Prezzi pubblici standard dei fornitori (Mistral AI, DeepSeek, OpenAI, Anthropic) convertiti da USD in euro al cambio BCE del 29 settembre 2026. Stima: 1 token ≈ 3,6 caratteri.

Identificativo

contextetech--nomic-embed-text-ollama

Tipo

Embedding

File

nomic-embed-text-ollama.embedding.json

Formato

JSON (application/json)

Dimensione

623 byte

Codifica

UTF-8

Token stimati

≈ 173

Lingua

Francese

Licenza

MIT

Uso commerciale

Consentito

Dati personali

Nessuno

Versione

1.0

Pubblicato il

1 ottobre 2026 alle ore 18:55

Aggiornato il

1 ottobre 2026 alle ore 18:55

Archiviazione

nel database

Utilizzi

0

Mi piace

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": []
}

Vettorizzare (Python)

from sentence_transformers import SentenceTransformer

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