Nomic Embed Text v1.5

Offenes englisches Embedding-Modell von Nomic AI (137M, Apache-2.0) mit Matryoshka-Dimensionen von 64 bis 768 – Trainingscode und -daten sind ebenfalls offen.

Überblick

Nomic Embed Text v1.5 ist ein offenes englisches Text-Embedding-Modell von Nomic AI, vorgestellt am 14. Februar 2024. Es ist die Version, die Ollama unter nomic-embed-text ausliefert, und gehört zu den meistgeladenen Modellen der Ollama-Bibliothek. Gegenüber v1 bringt es Matryoshka-Dimensionen: Die Vektoren lassen sich von 768 auf bis zu 64 Dimensionen kürzen. Ungewöhnlich ist die Offenheit: Neben den Gewichten sind auch Trainingscode und Trainingsdaten veröffentlicht.

Technische Eckdaten

137 Mio. Parameter, Encoder-Architektur nomic-bert: 12 Layer, Hidden Size 768, Rotary Position Embeddings, SwiGLU
Ausgabe: 768 Dimensionen, per Matryoshka auf jede Größe zwischen 64 und 768 kürzbar, zusätzlich binäre Embeddings
Eingabe: nativ 2.048 Token; mit dynamischer RoPE-Skalierung bis 8.192 Token
Nur Englisch
Im selben Vektorraum wie Nomic Embed Vision v1.5, dadurch auch für Text-zu-Bild-Suche nutzbar

Use Cases

Englischsprachige Suche und RAG mit längeren Abschnitten als bei 512-Token-Modellen
Große Indizes, bei denen gekürzte Vektoren (256 oder 512 Dimensionen) Speicher sparen
Lokale RAG-Stacks auf Basis von Ollama, in denen es als Embedding-Modell weit verbreitet ist
Projekte mit Transparenzanforderungen, weil Trainingscode und -daten offenliegen

Stärken & Grenzen

Stärken

Längerer Kontext als die meisten gleich großen Embedding-Modelle
Flexible Vektorgröße: Laut Nomic schlägt es bei 512 Dimensionen OpenAIs text-embedding-ada-002 bei einem Drittel des Speicherbedarfs
Vollständig offene Trainingskette unter Apache-2.0 (Trainingscode contrastors auf GitHub)
Klein: 274 MB in Ollama (FP16)

Grenzen

Nur Englisch. Für mehrsprachige Bestände ist Nomic Embed Text v2 MoE der Nachfolger, allerdings mit nur 512 Token Kontext.
Aufgabenpräfixe sind Pflicht: Ohne search_query: oder search_document: sinkt die Qualität. Viele RAG-Werkzeuge setzen sie nicht automatisch.
Ollama begrenzt auf 2.048 Token. Die 8.192 Token aus der Model Card erfordern eine RoPE-Skalierung, die in der Ollama-Konfiguration nicht gesetzt ist.
Kürzere Vektoren kosten Qualität: MTEB 62,28 bei 768 Dimensionen gegenüber 56,10 bei 64
Beim Long-Context-Benchmark von Jina lag schon v1 laut Nomic hinter text-embedding-ada-002 und text-embedding-3-small

Benchmarks: Quellenlage

Herstellerangaben aus der Hugging-Face-Model-Card, MTEB-Durchschnitt bei 8.192 Token Sequenzlänge. Nomic nennt keine MTEB-Version; gemeint ist die klassische englische MTEB-Suite, nicht MTEB v2.

Dimensionen	MTEB
768	62,28
512	61,96
256	61,04
128	59,34
64	56,10

Zum Vergleich gibt Nomic für v1 (768 Dimensionen) 62,39 an. Für v1.5 gibt es keine eigenen Werte auf den Long-Context-Benchmarks LoCo und Jina Long Context.

Hinweis: Artificial Analysis und BenchLM vermessen keine Embedding-Modelle und führen Nomic Embed nicht (Stand 10.10.2026). Ergebnisse liegen im offiziellen MTEB-Ergebnis-Repository; eine Leaderboard-Platzierung ließ sich nicht auslesen.

Gut zu wissen

Präfixe: search_document: für Dokumente, search_query: für Anfragen, clustering: und classification: für die jeweiligen Aufgaben
Ollama: nomic-embed-text = v1.5 (274 MB, FP16, 2K Kontext), ab Ollama 0.1.26
Hugging Face: Ab Transformers 5.5.0 und Sentence Transformers 5.3.0 ist trust_remote_code nicht mehr nötig
Verwandte Modelle: Nomic Embed Text v2 MoE (mehrsprachig), Nomic Embed Vision v1.5 (Bilder im selben Vektorraum)