NVIDIA presentó Nemotron 3 Embed, una familia de modelos de embedding abierta y pensada para producción que incluye un 8B que ocupa el primer lugar en RTEB y variantes de 1B optimizadas para eficiencia y NVFP4. Son relevantes para RAG, recuperación de código y memoria de agentes.
Comparar dos clips de video parece sencillo, pero en la práctica implica medir significado, color, movimiento y encuadre. Probé seis técnicas bajo las mismas reglas para ver cuáles funcionan cuando las diferencias son sutiles.
Vector RAG y GraphRAG resuelven necesidades distintas: el primero es rápido y directo para respuestas locales; el segundo aporta estructura y mejores capacidades de razonamiento multi-hop. En muchas implementaciones la combinación híbrida trae lo mejor de ambos mundos.
Hugging Face presenta Granite Embedding Multilingual R2: dos modelos Apache 2.0 que amplían la cobertura lingüística y la longitud de contexto hasta 32K tokens. Uno es un modelo compacto de 97M parámetros con desempeño líder en su clase, y el otro es un modelo full‑size de 311M con Matryoshka embeddings.
BERTopic combina embeddings de transformers, reducción de dimensionalidad, clustering y c-TF-IDF para generar temas más coherentes que los métodos tradicionales. Aquí explicamos su pipeline, cómo implementarlo paso a paso y qué considerar para proyectos en Latinoamérica.
Sentence Transformers v5.4 añade soporte multimodal: texto, imágenes, audio y video comparten un mismo espacio de embeddings. En este artículo explico cómo instalar, cargar modelos, calcular similitudes cruzadas y usar rerankers multimodales con ejemplos y consideraciones prácticas para equipos en Latinoamérica.
Los embeddings son el motor invisible de la busqueda semantica y el RAG. Explicamos como funcionan y por que entenderlos es fundamental para construir apps de IA.