nomic-embed-text

Der Ollama-Standard: gute Qualität, langer Kontext, offen trainiert. Solide erste Wahl für englisch-lastige RAG-Projekte.

So nutzt du es

Am einfachsten per Ollama: ollama pull <modellname> und dann ollama run <modellname> — oder komfortabel mit LM Studio (grafische Oberfläche, Modell-Suche eingebaut). Die Hardware-Angaben unten beziehen sich auf die übliche 4-Bit-Quantisierung (Q4).

Im Detail

nomic-embed-text ist das meistgenutzte Embedding-Modell im Ollama-Ökosystem und gilt als solider Default für RAG-Projekte: offen trainiert (inklusive offener Trainingsdaten, was bei Embedding-Modellen selten ist), unterstützt lange Kontexte bis 8192 Token und läuft ressourcenschonend. Im direkten Benchmark-Vergleich mit mxbai-embed-large ist es nicht das leistungsstärkste Modell, punktet aber mit Einfachheit – ein Befehl (“ollama pull nomic-embed-text”) und es ist einsatzbereit. Für deutsche Texte ist multilingual-e5-large die bessere Wahl. Ideal für alle, die schnell eine funktionierende RAG-Pipeline für englischsprachige Inhalte aufsetzen wollen, ohne lange zu vergleichen.

Praxis-Tipp

Als erste Wahl beim Aufsetzen einer neuen Open-WebUI- oder LangChain-RAG-Pipeline nehmen – erst bei unbefriedigender Suchqualität auf mxbai-embed-large oder multilingual-e5-large wechseln.

Lizenz & Quelle

• Lizenz: Apache-2.0
• Quelle: Ollama
• Quelle: HF