Nomic Embed Text v2 (MoE)
Nomic AI · nomic-ai/nomic-embed-text-v2-moe
Licença dos pesos: Apache 2.0 · código e componentes podem ter outros termos
Qualidade
MTEB (Multilingual, v2)
Média por tarefa · 0 a 100 · maior é melhor · este modelo em destaque
- Cor = publicador
Fonte: dataset de resultados do MTEB (execuções independentes, CC0) · informado pelo publicador quando o model card é a única fonte · outros benchmarks e versões não entram
| MTEB (Multilingual, v2) | mean(task) · 768d | 57,64 | execução independente |
|---|---|---|---|
| MTEB (eng, v2) | mean(task) · 768d | 63,64 | execução independente |
Informado pelo publicador
Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: Model Overview); coluna “Nomic Embed v2”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo
Qualidade × memória
Sem par qualidade × memória comparável
As estimativas de memória de embeddings ficam em poucos GB, então um gráfico qualidade × memória não separaria estes modelos; o MTEB aparece acima.
Considere Nomic Embed Text v2 (MoE) para busca semântica e recuperação: gera vetores de 768 dimensões a partir de texto.
O publicador não informa memória; a lista de hardware usa a estimativa de ~3 GB, um teto e não uma medição. Veja o formato de prompts em Como rodar. PT-BR confirmado por uma fonte.
Roda em
Cabe na memória rápida 119
A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.
Mostrar todos os 119
Perfis de hardware agrupados pela estimativa de planejamento de embeddings (pesos de 8 bits, 20% de margem, 2 GB de reserva). Não é compatibilidade medida.
Velocidade medida
Nenhuma medição publicada para este checkpoint
A vazão (textos por segundo) só aparece quando uma fonte a publica com hardware, build e configuração. Nunca é estimada.
Como rodar
A estimativa de planejamento usa pesos de 8 bits, 20% de margem e 2 GB de reserva; é um teto, não uma medição.
- Roda em
- Ollama, Sentence Transformersfonte
- Prompts de consulta/documento
- Obrigatório: “search_query: ” antes das consultas e “search_document: ” antes dos documentos (model card).
- Idiomas · PT-BR
- Cerca de 100 idiomas (model card); o português está na lista de idiomas do cardPT-BR confirmado por uma fonte
Formas documentadas de rodar
Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.
pip install torch transformers einops git+https://github.com/nomic-ai/megablocks.gitfrom sentence_transformers import SentenceTransformer
model = SentenceTransformer("nomic-ai/nomic-embed-text-v2-moe", trust_remote_code=True)
sentences = ["Hello!", "¡Hola!"]
embeddings = model.encode(sentences, prompt_name="passage")
print(embeddings.shape)
# (2, 768)
similarity = model.similarity(embeddings[0], embeddings[1])
print(similarity)
# tensor([[0.9118]])pip install torch transformers einops git+https://github.com/nomic-ai/megablocks.gitimport torch
import torch.nn.functional as F
from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("nomic-ai/nomic-embed-text-v2-moe")
model = AutoModel.from_pretrained("nomic-ai/nomic-embed-text-v2-moe", trust_remote_code=True)
sentences = ['search_document: Hello!', 'search_document: ¡Hola!']
def mean_pooling(model_output, attention_mask):
token_embeddings = model_output[0]
input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
model.eval()
with torch.no_grad():
model_output = model(**encoded_input)
embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
embeddings = F.normalize(embeddings, p=2, dim=1)
print(embeddings.shape)
# torch.Size([2, 768])
similarity = F.cosine_similarity(embeddings[0], embeddings[1], dim=0)
print(similarity)
# tensor(0.9118)Detalhes técnicos
O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.
- Checkpoint / fonte
- nomic-ai/nomic-embed-text-v2-moe
- Tarefa
- embeddings para busca (extração de características)
- Biblioteca na fonte
- Ollama, Sentence Transformers
- Licença dos pesos
- Apache 2.0
- Uso comercial
- Permitido Apache License 2.0 text (SPDX) · consultado em 2026-10-18texto da licença
- Base dos parâmetros
- 475M no total; o card informa 305M ativos na inferência (mixture of experts). Total de safetensors no Hub: 475.292.928, lido em 2026-10-07.
- Lançamento
- Não informado pelo publicador. O card e o README do GitHub contrastors (https://raw.githubusercontent.com/nomic-ai/contrastors/main/README.md) não informam data de lançamento; a data do artigo não é a data de lançamento do modelo.Verificado em 2026-10-13.fonte consultada
A página “nomic-embed-text” do Ollama é a v1.5, outro modelo, e não é usada aqui. O card diz que as dimensões Matryoshka vão “de 768 a 256”; só os dois extremos foram guardados.
Fontes
Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.
- Ficha do publicador
- Hugging Face model page / card · 2026-10-07
- Hugging Face API (parameters, licence, library) · 2026-10-07
- Ollama library (availability only) · 2026-10-07
- MTEB results dataset (CC0), scores computed by scripts/ingest-mteb-results.mjs · 2026-10-25
Fatos curados verificados: 2026-10-07. Cada valor cita sua fonte (a ficha do publicador ou o dataset de resultados do MTEB); estimativas vêm rotuladas como estimativas, e um valor que nenhuma fonte informa fica vazio. Um commit do repositório não é a data de lançamento do modelo.






























































