Ollama Embeddings: nomic-embed-text lokal

TL;DR

Ollama Embeddings sind kein Chat-Tag. Der Bibliotheks-Pfad startet mit ollama pull nomic-embed-text. Die Tag-Seite setzt latest auf denselben Digest wie nomic-embed-text:v1.5 (0a109f422b47, Artefakt 274 MB, Kontext 2K, Text). Drei Tags, dieselbe Größe. Die Readme verlangt Ollama 0.1.26 oder neuer und beschränkt den Tag auf Einbettungen. Die aktuelle Route ist POST http://localhost:11434/api/embed mit Feldern model und input. Die ältere Readme-Variante bleibt /api/embeddings mit prompt. Gelesen in Bibliothek, Tags und Embed-Doku am 2026-10-22. Kein Ranking, kein Kaufguide.

Einbettung, nicht Modellwahl

IT-Leiter suchen „ollama embeddings“, wenn sie Texte in Vektoren legen — nicht, wenn sie Llama gegen Mistral abwägen. Die allgemeine Modellwahl bleibt Ollama Models. Kriterien für deutsche Fachtexte ohne Ollama-Befehlspfad bleiben im Einbettungsmodell-Vergleich. Die RAG-Kette vom PDF zur Suche bleibt KI-Server RAG.

Die Engine kommt von Ollama Download oder dem Linux-Dienst. Port und Bind-Adresse bleiben 11434. Der Python-Client kennt embed(), beschrieben in Ollama Python.

Start: ollama pull nomic-embed-text

Die Bibliotheksseite, erster Befehl:

ollama pull nomic-embed-text

Das zieht nomic-embed-text:latest. Die Readme sagt ausdrücklich: der Tag erzeugt nur Einbettungen. ollama run nomic-embed-text ist deshalb kein Chat-Pfad. Ohne laufenden Server antwortet /api/embed nicht. Unter systemd ist das die Unit aus Ollama Service.

Ein festes Tag setzen Sie per Suffix, zum Beispiel nomic-embed-text:v1.5. Vor dem Pull die aktuelle Liste auf der Tag-Seite prüfen.

Welche Tags die Bibliothek führt

Stand 2026-10-22 auf ollama.com/library/nomic-embed-text und der Tag-Seite. Größen sind Artefaktgrößen der Bibliothek, kein freier GPU-Speicher. Die Bibliothek zählt 92,2 Mio. Downloads und drei Tags. Alle drei teilen Digest und Maße.

latest und v1.5 stehen auf derselben Digest-Zeile 0a109f422b47. Die Readme nennt den Encoder einen Text-Encoder mit großem Kontextfenster und vergleicht ihn dort mit OpenAI text-embedding-ada-002 und text-embedding-3-small. Das ist die Formulierung der Bibliothek, keine eigene Messung.

Hardware-Optionen bleiben im KI-Server Hardware-Guide. Hier geht es nur um den Embedding-Tag auf einem bereits laufenden Ollama.

Was dieser Suchbegriff nicht ist

Ein anderer Bibliotheks-Eintrag ist mxbai-embed-large (ollama pull mxbai-embed-large). Die Seite zählt vier Tags. Default: mxbai-embed-large:latest / mxbai-embed-large:335m (670 MB, Kontext 512). Das ist nicht nomic-embed-text. Kein Ranking der beiden Encoder.

Chat-Tags wie Mistral oder DeepSeek gehören nicht auf /api/embed. Mistral bleibt Ollama Mistral, DeepSeek bleibt Ollama DeepSeek.

Open WebUI kann denselben Host für RAG nutzen; die Oberfläche bleibt OpenWebUI + Ollama.

Embed-API auf Port 11434

Die API-Einführung setzt den lokalen Server auf http://localhost:11434/api. Die Embed-Doku beschreibt POST /api/embed. Pflichtfelder: model und input. input ist ein Text oder eine Liste von Texten. Optional laut Schema: truncate (Default wahr; sonst Fehler bei zu langem Input), dimensions, keep_alive, options.

Beispiel der nomic-Bibliothek:

curl http://localhost:11434/api/embed \
  -d '{
    "model": "nomic-embed-text",
    "input": "Why is the sky blue?"
  }'

Mehrere Texte, wie die Embed-Doku es zeigt:

curl http://localhost:11434/api/embed \
  -d '{
    "model": "nomic-embed-text",
    "input": [
      "Why is the sky blue?",
      "Why is the grass green?"
    ]
  }'

Die Antwort enthält laut Schema embeddings (Liste von Vektoren), model, total_duration, load_duration und prompt_eval_count. Die Doku-Beispiele nutzen teils embeddinggemma als Modellname; der Aufruf bleibt derselbe, sobald das Tag lokal liegt.

Die ältere Readme-Variante derselben nomic-Seite:

curl http://localhost:11434/api/embeddings -d '{
  "model": "nomic-embed-text",
  "prompt": "The sky is blue because of Rayleigh scattering"
}'

Neue Integrationen sollten /api/embed und input nehmen. Die Readme-Form mit /api/embeddings und prompt bleibt als älterer Pfad stehen.

Python laut nomic-Seite und Client-Tabelle:

import ollama

response = ollama.embed(
    model='nomic-embed-text',
    input='The sky is blue because of Rayleigh scattering',
)
print(response.embeddings)

Die Readme zeigt daneben ollama.embeddings(..., prompt=...). Das ist die ältere Client-Funktion zur Route /api/embeddings.

Läuft Ollama im Container, zeigt der Host auf das gemappte 11434, siehe Ollama Docker.

Häufige Fragen

Kann ich mit nomic-embed-text chatten?

Nein. Die Readme: der Tag dient nur zum Erzeugen von Einbettungen.

Reicht ollama pull ohne Serve?

ollama pull legt das Artefakt ab. POST /api/embed braucht den laufenden Server. Unter systemd bleibt das Ollama Service.

Welches Feld heißt input, welches prompt?

/api/embed erwartet input. /api/embeddings erwartet prompt. Beide stehen in den hier gelesenen Seiten.

Warum kommt ein Fehler statt eines Vektors?

Zuerst Serve und Tag prüfen (ollama list, ollama ps). Der Port bleibt 11434, beschrieben in Ollama Port 11434. Ist truncate falsch und der Text länger als das Kontextfenster, liefert die Doku einen Fehler statt eines gekürzten Vektors.

Brauche ich Docker extra?

Nein für den Desktop- oder Linux-Dienst. Läuft Ollama im Container, zeigt der Host auf das gemappte 11434, siehe Ollama Docker.

Ist das ein zweiter Hardware-Kaufguide?

Nein. Hardware-Optionen bleiben im KI-Server Hardware-Guide. Hier geht es nur um den Embedding-Tag auf einem bereits laufenden Ollama.

Fazit

„Ollama Embeddings“ ist der Pull- und API-Pfad: zuerst ollama pull nomic-embed-text, Serve dauerhaft, Vektoren nativ auf /api/embed. latest und v1.5 teilen Digest und 274 MB. mxbai ist ein anderer Eintrag. Größen stammen aus der Bibliothek, nicht aus einer eigenen VRAM-Rechnung. Kein Ranking, keine Preise.