Llama Nemotron Embed VL 1B v2 je vyvinut společností NVIDIA pro hledání materiálů, které pomáhají odpovědět na otázku. Dotaz se zadává textem. V aktuálním katalogu Ailoot je pro model zastoupen textový vstup: otázka a materiál se kódují jako text. Výrobce popisuje také dokument v podobě obrázku stránky nebo obrázku společně se získaným textem. Tyto vizuální varianty vyžadují samostatnou metodu s podporou obrázků. Při odpovídajícím vstupu model reprezentuje tabulky, grafy a infografiku ve společném vektorovém prostoru.
Takové vyhledávání se hodí pro asistenty odpovídající na otázky nad velkou sbírkou dokumentů, interními příručkami a výzkumnými materiály. Výsledkem kódování je číselný vektor. Nalezenou stránku nebo úsek lze následně předat modelu vytvářejícímu odpověď: samotný Embed VL provádí fázi vyhledávání kontextu.
Dotaz a dokument se kódují nezávisle. Sbírku proto lze zpracovat předem, uložit vektory společně s původními stránkami a při nové otázce vypočítat pouze vektor dotazu. Podobnost vektorů pomáhá volit materiály podle významu. Textové role dotazu a dokumentu se liší, což je důležité zachovat při přípravě dat.
Každý vstup se převádí na jeden vektor o rozměru až 2048 čísel. V textovém režimu se používá rozpočet 8192 tokenů. Pro vizuální metodu výrobce s kombinací obrázku a textu je popsán celkový rozpočet 10240 tokenů zahrnující obě části; nejde o textový limit metody Ailoot. Obrázek se rozděluje na úseky: v popsané konfiguraci je přípustných až šest úseků a zmenšená kopie celé stránky, dohromady přibližně 1792 vizuálních tokenů. Dlouhé texty je třeba rozdělovat nebo zkracovat.
Jazyková část je postavena na Llama 3.2 1B a vizuální na SigLIP2. Jsou propojeny v enkodéru, který průměruje reprezentace vstupních tokenů a vytváří jediný vektor. Kontrastivní trénování přibližuje otázku k odpovídající stránce a vzdaluje ji od nerelevantních materiálů. Vyhledávání zůstává pravděpodobnostní: blízkost vektorů nezaručuje, že vybraný úsek obsahuje správnou odpověď.
", "aboutText": "### Najít potřebnou stránku podle otázky\n\nLlama Nemotron Embed VL 1B v2 je vyvinut společností NVIDIA pro hledání materiálů, které pomáhají odpovědět na otázku. Dotaz se zadává textem. V aktuálním katalogu Ailoot je pro model zastoupen textový vstup: otázka a materiál se kódují jako text. Výrobce popisuje také dokument v podobě obrázku stránky nebo obrázku společně se získaným textem. Tyto vizuální varianty vyžadují samostatnou metodu s podporou obrázků. Při odpovídajícím vstupu model reprezentuje tabulky, grafy a infografiku ve společném vektorovém prostoru.\n\nTakové vyhledávání se hodí pro asistenty odpovídající na otázky nad velkou sbírkou dokumentů, interními příručkami a výzkumnými materiály. Výsledkem kódování je číselný vektor. Nalezenou stránku nebo úsek lze následně předat modelu vytvářejícímu odpověď: samotný Embed VL provádí fázi vyhledávání kontextu.\n\n### Varianty dokumentu u výrobce\n\n- Textový dokument: samostatná část, úsek nebo již rozpoznaný text stránky.\n- Obrázek: celá stránka s textem, tabulkami a grafickými prvky.\n- Obrázek s textem: vizuální podoba stránky a její textový obsah se propojují v jedné reprezentaci.\n\nDotaz a dokument se kódují nezávisle. Sbírku proto lze zpracovat předem, uložit vektory společně s původními stránkami a při nové otázce vypočítat pouze vektor dotazu. Podobnost vektorů pomáhá volit materiály podle významu. Textové role dotazu a dokumentu se liší, což je důležité zachovat při přípravě dat.\n\n### Rozměr reprezentace a délka vstupu\n\nKaždý vstup se převádí na jeden vektor o rozměru až 2048 čísel. V textovém režimu se používá rozpočet 8192 tokenů. Pro vizuální metodu výrobce s kombinací obrázku a textu je popsán celkový rozpočet 10240 tokenů zahrnující obě části; nejde o textový limit metody Ailoot. Obrázek se rozděluje na úseky: v popsané konfiguraci je přípustných až šest úseků a zmenšená kopie celé stránky, dohromady přibližně 1792 vizuálních tokenů. Dlouhé texty je třeba rozdělovat nebo zkracovat.\n\nJazyková část je postavena na Llama 3.2 1B a vizuální na SigLIP2. Jsou propojeny v enkodéru, který průměruje reprezentace vstupních tokenů a vytváří jediný vektor. Kontrastivní trénování přibližuje otázku k odpovídající stránce a vzdaluje ji od nerelevantních materiálů. Vyhledávání zůstává pravděpodobnostní: blízkost vektorů nezaručuje, že vybraný úsek obsahuje správnou odpověď.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f1f77bb8be122136e90419fe60258b967d0e975329b5c4c15963e17d0d668381", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "cs", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Llama Nemotron Embed VL v2 vytváří vektory pro sémantické vyhledávání v dokumentech. V aktuálním katalogu Ailoot je zastoupen textový vstup pro dotazy a materiály.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Llama Nemotron Embed VL 1B v2 je vyvinut společností NVIDIA pro hledání materiálů, které pomáhají odpovědět na otázku. Dotaz se zadává textem. V aktuálním katalogu Ailoot je pro model zastoupen textový vstup: otázka a materiál se kódují jako text. Výrobce popisuje také dokument v podobě obrázku stránky nebo obrázku společně se získaným textem. Tyto vizuální varianty vyžadují samostatnou metodu s podporou obrázků. Při odpovídajícím vstupu model reprezentuje tabulky, grafy a infografiku ve společném vektorovém prostoru.
Takové vyhledávání se hodí pro asistenty odpovídající na otázky nad velkou sbírkou dokumentů, interními příručkami a výzkumnými materiály. Výsledkem kódování je číselný vektor. Nalezenou stránku nebo úsek lze následně předat modelu vytvářejícímu odpověď: samotný Embed VL provádí fázi vyhledávání kontextu.
Dotaz a dokument se kódují nezávisle. Sbírku proto lze zpracovat předem, uložit vektory společně s původními stránkami a při nové otázce vypočítat pouze vektor dotazu. Podobnost vektorů pomáhá volit materiály podle významu. Textové role dotazu a dokumentu se liší, což je důležité zachovat při přípravě dat.
Každý vstup se převádí na jeden vektor o rozměru až 2048 čísel. V textovém režimu se používá rozpočet 8192 tokenů. Pro vizuální metodu výrobce s kombinací obrázku a textu je popsán celkový rozpočet 10240 tokenů zahrnující obě části; nejde o textový limit metody Ailoot. Obrázek se rozděluje na úseky: v popsané konfiguraci je přípustných až šest úseků a zmenšená kopie celé stránky, dohromady přibližně 1792 vizuálních tokenů. Dlouhé texty je třeba rozdělovat nebo zkracovat.
Jazyková část je postavena na Llama 3.2 1B a vizuální na SigLIP2. Jsou propojeny v enkodéru, který průměruje reprezentace vstupních tokenů a vytváří jediný vektor. Kontrastivní trénování přibližuje otázku k odpovídající stránce a vzdaluje ji od nerelevantních materiálů. Vyhledávání zůstává pravděpodobnostní: blízkost vektorů nezaručuje, že vybraný úsek obsahuje správnou odpověď.
POST /v1/embeddingstextembedding| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity nvidia/llama-nemotron-embed-vl-1b-v2 | Výchozí— |
Poleinput | Typstring|string[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 Podmínky: Každý řetězec musí být po operaci trim neprázdný; data URI se odmítají; přijatý limit se počítá podle příslušných bajtů UTF8. | Výchozí— |
Poleinput_type | Typstring | PožadavekVolitelné | Hodnoty a limity query, passage | Výchozíquery |
Poleencoding_format | Typstring | PožadavekVolitelné | Hodnoty a limity float, base64 | Výchozífloat |
Poletruncate | Typstring | PožadavekVolitelné | Hodnoty a limity NONE, START, END | Výchozí— |
Poledimensions | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 | Výchozí— |
Poleuser | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
text_to_embedding
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext |
Parametrrequired | Kontraktmodel, input |
Parametroptional_controls | Kontraktnull |
Parametrcontent_type | Kontraktapplication/json |
Životní cyklus: exact retained published method
Struktury metod a ID jsou přesné; schopnosti dodavatele jsou oddělené od připuštění požadavku.
POST /v1/embeddingsAiloot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/llama-nemotron-embed-vl-1b-v2", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Vektory base64 dekódujte pouze tehdy, byl-li tento formát požadován; uchovejte každý vektor a jeho původní index.
Samostatný endpoint úloh pro embeddingy se nezavádí.
| Pole | Typ |
|---|---|
Poledata[].index | Typinteger |
Poledata[].embedding | Typfinite float[]|base64 float32 vector |
Polemodel | Typstring |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Použijte cesty metod uvedené výše.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlLlama Nemotron Embed VL v2 vytváří vektory pro sémantické vyhledávání v dokumentech. V aktuálním katalogu Ailoot je zastoupen textový vstup pro dotazy a materiály.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Llama Nemotron Embed VL 1B v2 je vyvinut společností NVIDIA pro hledání materiálů, které pomáhají odpovědět na otázku. Dotaz se zadává textem. V aktuálním katalogu Ailoot je pro model zastoupen textový vstup: otázka a materiál se kódují jako text. Výrobce popisuje také dokument v podobě obrázku stránky nebo obrázku společně se získaným textem. Tyto vizuální varianty vyžadují samostatnou metodu s podporou obrázků. Při odpovídajícím vstupu model reprezentuje tabulky, grafy a infografiku ve společném vektorovém prostoru.
Takové vyhledávání se hodí pro asistenty odpovídající na otázky nad velkou sbírkou dokumentů, interními příručkami a výzkumnými materiály. Výsledkem kódování je číselný vektor. Nalezenou stránku nebo úsek lze následně předat modelu vytvářejícímu odpověď: samotný Embed VL provádí fázi vyhledávání kontextu.
Dotaz a dokument se kódují nezávisle. Sbírku proto lze zpracovat předem, uložit vektory společně s původními stránkami a při nové otázce vypočítat pouze vektor dotazu. Podobnost vektorů pomáhá volit materiály podle významu. Textové role dotazu a dokumentu se liší, což je důležité zachovat při přípravě dat.
Každý vstup se převádí na jeden vektor o rozměru až 2048 čísel. V textovém režimu se používá rozpočet 8192 tokenů. Pro vizuální metodu výrobce s kombinací obrázku a textu je popsán celkový rozpočet 10240 tokenů zahrnující obě části; nejde o textový limit metody Ailoot. Obrázek se rozděluje na úseky: v popsané konfiguraci je přípustných až šest úseků a zmenšená kopie celé stránky, dohromady přibližně 1792 vizuálních tokenů. Dlouhé texty je třeba rozdělovat nebo zkracovat.
Jazyková část je postavena na Llama 3.2 1B a vizuální na SigLIP2. Jsou propojeny v enkodéru, který průměruje reprezentace vstupních tokenů a vytváří jediný vektor. Kontrastivní trénování přibližuje otázku k odpovídající stránce a vzdaluje ji od nerelevantních materiálů. Vyhledávání zůstává pravděpodobnostní: blízkost vektorů nezaručuje, že vybraný úsek obsahuje správnou odpověď.
POST /v1/embeddingstextembedding| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity nemotron-embed-vl | Výchozí— |
Poleinput | Typstring|string[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 Podmínky: Každý řetězec musí být po operaci trim neprázdný; data URI se odmítají; přijatý limit se počítá podle příslušných bajtů UTF8. | Výchozí— |
Poleinput_type | Typstring | PožadavekVolitelné | Hodnoty a limity query, passage | Výchozíquery |
Poleencoding_format | Typstring | PožadavekVolitelné | Hodnoty a limity float, base64 | Výchozífloat |
Poletruncate | Typstring | PožadavekVolitelné | Hodnoty a limity NONE, START, END | Výchozí— |
Poledimensions | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 | Výchozí— |
Poleuser | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
text_to_embedding
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext |
Parametrrequired | Kontraktmodel, input |
Parametroptional_controls | Kontraktnull |
Parametrcontent_type | Kontraktapplication/json |
Životní cyklus: exact retained published method
Struktury metod a ID jsou přesné; schopnosti dodavatele jsou oddělené od připuštění požadavku.
POST /v1/embeddingsAiloot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-embed-vl", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Vektory base64 dekódujte pouze tehdy, byl-li tento formát požadován; uchovejte každý vektor a jeho původní index.
Samostatný endpoint úloh pro embeddingy se nezavádí.
| Pole | Typ |
|---|---|
Poledata[].index | Typinteger |
Poledata[].embedding | Typfinite float[]|base64 float32 vector |
Polemodel | Typstring |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Použijte cesty metod uvedené výše.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestLlama Nemotron Embed VL v2 vytváří vektory pro sémantické vyhledávání v dokumentech. V aktuálním katalogu Ailoot je zastoupen textový vstup pro dotazy a materiály.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Llama Nemotron Embed VL 1B v2 je vyvinut společností NVIDIA pro hledání materiálů, které pomáhají odpovědět na otázku. Dotaz se zadává textem. V aktuálním katalogu Ailoot je pro model zastoupen textový vstup: otázka a materiál se kódují jako text. Výrobce popisuje také dokument v podobě obrázku stránky nebo obrázku společně se získaným textem. Tyto vizuální varianty vyžadují samostatnou metodu s podporou obrázků. Při odpovídajícím vstupu model reprezentuje tabulky, grafy a infografiku ve společném vektorovém prostoru.
Takové vyhledávání se hodí pro asistenty odpovídající na otázky nad velkou sbírkou dokumentů, interními příručkami a výzkumnými materiály. Výsledkem kódování je číselný vektor. Nalezenou stránku nebo úsek lze následně předat modelu vytvářejícímu odpověď: samotný Embed VL provádí fázi vyhledávání kontextu.
Dotaz a dokument se kódují nezávisle. Sbírku proto lze zpracovat předem, uložit vektory společně s původními stránkami a při nové otázce vypočítat pouze vektor dotazu. Podobnost vektorů pomáhá volit materiály podle významu. Textové role dotazu a dokumentu se liší, což je důležité zachovat při přípravě dat.
Každý vstup se převádí na jeden vektor o rozměru až 2048 čísel. V textovém režimu se používá rozpočet 8192 tokenů. Pro vizuální metodu výrobce s kombinací obrázku a textu je popsán celkový rozpočet 10240 tokenů zahrnující obě části; nejde o textový limit metody Ailoot. Obrázek se rozděluje na úseky: v popsané konfiguraci je přípustných až šest úseků a zmenšená kopie celé stránky, dohromady přibližně 1792 vizuálních tokenů. Dlouhé texty je třeba rozdělovat nebo zkracovat.
Jazyková část je postavena na Llama 3.2 1B a vizuální na SigLIP2. Jsou propojeny v enkodéru, který průměruje reprezentace vstupních tokenů a vytváří jediný vektor. Kontrastivní trénování přibližuje otázku k odpovídající stránce a vzdaluje ji od nerelevantních materiálů. Vyhledávání zůstává pravděpodobnostní: blízkost vektorů nezaručuje, že vybraný úsek obsahuje správnou odpověď.
POST /v1/embeddingstextembedding| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity nemotron-embed-vl-latest | Výchozí— |
Poleinput | Typstring|string[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 Podmínky: Každý řetězec musí být po operaci trim neprázdný; data URI se odmítají; přijatý limit se počítá podle příslušných bajtů UTF8. | Výchozí— |
Poleinput_type | Typstring | PožadavekVolitelné | Hodnoty a limity query, passage | Výchozíquery |
Poleencoding_format | Typstring | PožadavekVolitelné | Hodnoty a limity float, base64 | Výchozífloat |
Poletruncate | Typstring | PožadavekVolitelné | Hodnoty a limity NONE, START, END | Výchozí— |
Poledimensions | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 | Výchozí— |
Poleuser | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
text_to_embedding
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext |
Parametrrequired | Kontraktmodel, input |
Parametroptional_controls | Kontraktnull |
Parametrcontent_type | Kontraktapplication/json |
Životní cyklus: exact retained published method
Struktury metod a ID jsou přesné; schopnosti dodavatele jsou oddělené od připuštění požadavku.
POST /v1/embeddingsAiloot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-embed-vl-latest", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Vektory base64 dekódujte pouze tehdy, byl-li tento formát požadován; uchovejte každý vektor a jeho původní index.
Samostatný endpoint úloh pro embeddingy se nezavádí.
| Pole | Typ |
|---|---|
Poledata[].index | Typinteger |
Poledata[].embedding | Typfinite float[]|base64 float32 vector |
Polemodel | Typstring |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Použijte cesty metod uvedené výše.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest