nomic-ai/nomic-embed-text-v1.5

nomic-ai/nomic-embed-text-v1.5 est un modèle d’embedding dense publié par Nomic AI le 10 février 2024 sous licence Apache 2.0. Il transforme le texte en vecteurs de 768 dimensions, avec 137 millions de paramètres actifs et une fenêtre de contexte de 8 192 tokens, un format pensé pour indexer des passages relativement longs.

Son usage relève de la recherche sémantique, du RAG, de la similarité de documents et du clustering, sans génération de texte. Son ancienneté, près de deux ans, le situe parmi les modèles de sa période plutôt que parmi les références actuelles, avec un risque d’obsolescence ou de retrait des catalogues récents.

Caractéristiques

Performances (benchmarks)

Scores issus de MTEB (Massive Text Embedding Benchmark), suite d'évaluation indépendante. Le rang situe le modèle parmi les modèles d'embedding évalués sur le même track.

Comment se situe-t-il ?

Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.

Notre analyse

Forces. Les meilleurs signaux MTEB de nomic-ai/nomic-embed-text-v1.5 apparaissent sur le track Chemical, où le modèle se place dans le haut du classement relatif, ce qui indique une qualité notable pour des textes spécialisés de chimie, incluant classification, clustering et alignement de textes. La fenêtre de 8 192 tokens constitue un atout pratique pour représenter des documents ou passages longs avant découpage fin. La licence Apache 2.0 facilite l’auto-hébergement, l’audit et l’intégration dans des chaînes RAG ou des index internes. La dimension de 768 reste raisonnable pour des index vectoriels denses, avec un compromis lisible entre expressivité et taille de stockage.

Limites et points d’attention. Les résultats BEIR le placent plutôt en milieu ou bas de tableau pour la recherche zero-shot généraliste, ce qui limite son intérêt comme choix par défaut en retrieval hétérogène. Les tracks Spanish, European et French sont faibles relativement aux classements indiqués, signe d’un usage multilingue à manier avec prudence, notamment en français. Le track Medical reste également en retrait malgré une couverture biomédicale évaluée. Son âge est un facteur important, car les embeddings de 2024 ont souvent été dépassés par des modèles plus récents. Usages pertinents : indexation auto-hébergée sous licence ouverte, RAG sur documents longs et prototypes de recherche sémantique, surtout si les performances sont validées sur un corpus métier proche.

Sources des données : MTEB — Massive Text Embedding Benchmark.