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.

Note

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.

Costo stimato

Token di input per chiamata : ≈ 236

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-en

Tipo

Embedding

File

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

Formato

JSON (application/json)

Dimensione

619 byte

Codifica

UTF-8

Token stimati

≈ 172

Lingua

Inglese

Licenza

MIT

Uso commerciale

Consentito

Dati personali

Nessuno

Versione

1.0

Pubblicato il

2 ottobre 2026 alle ore 21:54

Aggiornato il

2 ottobre 2026 alle ore 21:54

Archiviazione

nel database

Utilizzi

0

Mi piace

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": []
}

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