На 21 октомври NVIDIA представи разширение на Nemotron Retriever: модели Embed за векторно представяне, Rerank за подреждане по релевантност и Parse за извличане от документи. Семейството включва Embed варианти 8B и 1B, Rerank 8B и Parse с 631 милиона параметъра. Целта е агентите да работят с по-подходящи доказателства от текст и визуални документи. Това са специализирани компоненти за търсене, а не нов универсален разговорен модел. Продуктовото съобщение е от 21 октомври.

Какво влиза и какво излиза

Картата на Nemotron-3.5-Embed-8B-BF16 посочва текстова заявка и документ като текст, изображение или комбинация. Изходът е вектор за търсене. Българският присъства сред езиците за оценка на текстово извличане, но отсъства от отделния списък за изображения. Условията са OpenMDW-1.1, а не автоматично Apache 2.0 за целия продукт. Картата отбелязва наличност в Hugging Face на 20 октомври — различна дата от публикацията на представянето. Техническа карта и лиценз.

Разликата между векторно търсене и последващо подреждане е практична. Първото намира кандидати в голям корпус. Второто може да прецени по-малък набор спрямо въпроса. Извличането на съдържанието е още една отделна стъпка. Грешка при прочита на документ може да остане незабелязана, дори когато следващият компонент правилно подрежда предоставения му текст.

Отделно измерване в OpenSearch

Екипът на OpenSearch публикува собствено сравнение на Embed 1B с bge-m3 върху шест набора от BRIGHT. При агентно преформулиране на заявките средният nDCG@10 за хибридно търсене е 0,329 срещу 0,250. Това е качество на подредбата, не процент верни отговори. Измерената крайна латентност е сходна, въпреки по-бавната единична заявка с Nemotron. Резултатите не са универсални: в хибридния тест за Stack Overflow базовият модел е леко напред. Методология и таблици на OpenSearch.

Как бихме проверили полезността за български документи

Нашето редакционно предложение е оценката да започне с реални въпроси и предварително избрани верни документи. Условен пример е технически архив, в който отговорът може да се намира в таблица, чертеж или обикновен абзац. Отделни групи за тези случаи биха показали дали подобрението идва от визуалното съдържание, от езика или от общото качество на търсенето.

Необходимо е да се отчита и цената на цялата верига. По-добре подбраните документи могат да намалят ненужното четене от агента, но по-големият модел има собствен разход. Бихме измерили време за индексиране, ресурс за заявка, брой последващи търсения и качество на крайния отговор. Това са критерии за бъдещ пилот, а не изпитване, проведено от SIExpo.

При документи с ограничен достъп бихме изисквали проверката на правата да предхожда предаването на съдържанието към агента. Релевантността не е разрешение за достъп. Също така полезният цитат трябва да води до точната страница или част от документа, за да може човек да провери извода.

Новото семейство разширява избора на компоненти за такава система. Самото наличие на модел и добър чужд тест обаче не решават кой вариант е подходящ за конкретен архив. Най-смисленото внедряване би било онова, което показва измерима полза при собствените въпроси, език, достъп и бюджет.

Корица: AI илюстрация на обработка и подреждане на документи.

Проверено по посочените източници: 2026-10-22T06:12:07.455721+00:00.