Source: https://ailoot.ai/models/da/nvidia-llama-nemotron-embed-vl-1b-v2-u003a-free/
Canonical: https://ailoot.ai/models/da/nvidia-llama-nemotron-embed-vl-1b-v2-u003a-free/
Language: da

# NVIDIA: Llama Nemotron Embed VL 1B V2 (free)

[Markdown](https://ailoot.ai/models/da/nvidia-llama-nemotron-embed-vl-1b-v2-u003a-free/index.md) · [JSON](https://ailoot.ai/models/da/nvidia-llama-nemotron-embed-vl-1b-v2-u003a-free/facts.json)

## [NVIDIA: Llama Nemotron Embed VL 1B V2 (free)](https://ailoot.ai/models/da/nvidia-llama-nemotron-embed-vl-1b-v2-u003a-free/)

Llama Nemotron Embed VL 1B V2 er NVIDIAs multimodale embeddingmodel til søgning. Den omdanner tekst, billeder eller kombinerede dokumentinput til vektorer og understøtter søgning med tekstforespørgsler i dokumenter med tabeller, diagrammer, tekst og infografik.

- [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `nvidia/llama-nemotron-embed-vl-1b-v2:free`](https://ailoot.ai/models/da/nvidia-llama-nemotron-embed-vl-1b-v2-u003a-free/#method-0)

Om modellen

Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.

Llama Nemotron Embed VL 1B V2 er NVIDIAs embeddingmodel til multimodal søgning som grundlag for spørgsmål og svar. Den kan repræsentere et dokument som tekst, et billede eller en kombination af billede og tekst. En tekstforespørgsel kan derefter bruges til at finde relaterede dokumenter. Dens offentliggjorte profil understøtter dokumentbilleder med tekst, tabeller, diagrammer og infografik og returnerer embeddingvektorer.

#### Forbered dokumentelementer, der kan identificeres

Hold hvert input knyttet til det kildedokument, den side eller den passage, det repræsenterer. Til en visuel side bevares billedet og eventuel tilhørende tekst. Til en tekstpassage bevares titlen eller afsnitsbetegnelsen, når det hjælper med at fortolke et senere match. Disse kildeidentifikatorer gør et fundet element nyttigt som belæg frem for kun som et numerisk lighedsresultat.

Vælg elementernes afgrænsning omkring det materiale, en bruger skal finde. Et diagram og dets forklaring kan høre sammen; sider uden forbindelse til hinanden bør bevare separate identiteter. Gennemgå, om inputtet er læsbart, og om teksten eller billedet indeholder den information, som den tilsigtede forespørgsel skal hente.

#### Tekstforespørgsler og vektorsøgning

Modellens rolle er at producere vektorer til søgning med tekst som den forespørgselsform, profilen beskriver. Hold forespørgslen og de indekserede elementer i en kompatibel embeddingopsætning. Applikationen lagrer vektorerne, sammenligner dem og returnerer de tilhørende kildeelementer. Det fundne dokument er fortsat det materiale, der skal undersøges eller sendes videre til et senere trin, der genererer et svar.

Et nyttigt testsæt indeholder de spørgsmål, brugerne faktisk stiller, og de sider, der skal findes. Gennemgå forkerte eller manglende match i forhold til kildeindholdet og elementernes afgrænsning. Bevar den fulde dokumentidentifikator sammen med enhver valgt passage eller ethvert valgt billede, så resultatet kan kontrolleres i sin sammenhæng.

#### Inputgrænse og søgeresultat

Den dokumenterede hostede profil angiver op til 131.072 tokens pr. input. Opdel større kildesamlinger i separate, mærkede input, og bevar deres forbindelser. Profilens vektoroutput er hverken et genereret svar i prosa eller en transskription; et senere trin i applikationen kan bruge de fundne belæg til at besvare et spørgsmål.

Et færdigt søgeresultat forbinder forespørgslen, de udvalgte kildeelementer og deres identifikatorer. Registrer den embeddingmodel og inputforberedelse, der bruges til et indeks, så senere ændringer kan skelnes fra ændringer i kildesamlingen.

**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `nvidia/llama-nemotron-embed-vl-1b-v2:free`

[`nvidia/llama-nemotron-embed-vl-1b-v2:free`](https://ailoot.ai/models/da/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2%3Afree&route=Ultra&caller=nvidia%2Fllama-nemotron-embed-vl-1b-v2%3Afree&fmt=embeddings)

NVIDIA /`nvidia/llama-nemotron-embed-vl-1b-v2:free`

### Start

Llama Nemotron Embed VL 1B V2 er NVIDIAs multimodale embeddingmodel til søgning. Den omdanner tekst, billeder eller kombinerede dokumentinput til vektorer og understøtter søgning med tekstforespørgsler i dokumenter med tabeller, diagrammer, tekst og infografik.

Accepterede input

Tekst · token\_ids

Resultater

embedding

### Tilgængelig i Ailoot · input og metoder

**Ailoot Ultra · Embeddings** `POST /v1/embeddings`

Inputtyper

`text`, `token_ids`

Outputtyper

`embedding`

Kontekst

131.072 tokens

Outputformat

json

| Felt | Type | Krav | Værdier og grænser | Standard |
| --- | --- | --- | --- | --- |
| Felt`model` | Type`string` | KravPåkrævet | Værdier og grænser nvidia/llama-nemotron-embed-vl-1b-v2:free | Standard— |
| Felt`input` | Type`string\|string[]\|integer[]\|integer[][]` | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 Betingelser: Ikke-tom batch med ensartede elementer. Token-ID’er er ikke-negative heltal. Inputbudget: Maksimum: 131.072 · Tekstenhed: UTF8-bytes · Tokenenhed: elementer i et tokenarray | Standard— |
| Felt`encoding_format` | Type`string` | KravValgfrit | Værdier og grænser float | Standardfloat |
| Felt`dimensions` | Type`integer` | KravIkke understøttet | Værdier og grænser Minimum: 1 | Standard— |
| Felt`user` | Type`json_value` | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
| Felt`session_id` | Type`json_value` | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
| Felt`trace` | Type`json_value` | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
| Felt`provider` | Type`object` | KravValgfrit | Værdier og grænser Betingelser: provider.options afvist | Standard— |

Kombinationer af inputmaterialer

**text\_to\_embedding**

Metodeparametre og livscyklus

| Parameter | Kontrakt |
| --- | --- |
| Parameter`content_type` | Kontraktapplication/json |
| Parameter`required` | Kontraktmodel, input |
| Parameter`input_shapes` | Kontraktstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Kontraktfloat |
| Parameter`dimensions_override` | Kontraktfalse |
| Parameter`max_input_budget_units` | Kontrakt131072 |
| Parameter`multimodal_objects` | Kontraktfalse |
| Parameter`material_types` | Kontrakttext, token\_ids |

Livscyklus: `synchronous_json`

Gem hver vektors indeks og dimension.

Et multimodalt modelnavn giver ikke adgang til at bruge billedobjekter på denne præcise sti.

### Priser

Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.

Hurtig tilstand

Standardpris Når hurtig tilstand er valgt

flex-tilstand

Standardpris Når flex-tilstanden er valgt

Maksimal ræsonneringsindsats

Standardpris Når default-justeringen anvendes ved maksimal ræsonneringsindsats

#### Ailoot-takster

#### Priser efter konfiguration

| Konfiguration | Takstplan | Beløb |
| --- | --- | --- |
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens **$0** / 1K tokens Output · Outputtokens **$0** / 1K tokens Input · Cachelæsning **—** / 1K tokens Input · Cacheskrivning **—** / 1K tokens Input · Cacheskrivning, 1 time **—** / 1K tokens |

Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. [Sådan fungerer reservation og afregning →](https://ailoot.ai/docs/da/billing/reserve/)

### Eksempelanmodninger

#### Ailoot Ultra · Embeddings

curlPython SDK

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "nvidia/llama-nemotron-embed-vl-1b-v2:free", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
```

```python
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='nvidia/llama-nemotron-embed-vl-1b-v2:free',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### Hent og gem resultater

#### Ailoot Ultra · Embeddings

json

##### Behold alle færdige resultater

Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.

Gem hver vektor med dens indeks. Antallet af vektorer skal svare til antallet af input; dimensionerne skal være ensartede.

##### Hvis det oprindelige svar skal kontrolleres

Der indføres intet endpoint til embedding-job.

Svarfelter

| Felt | Type |
| --- | --- |
| Felt`object` | Typestring |
| Felt`model` | Typestring |
| Felt`data[].index` | Typeinteger |
| Felt`data[].embedding` | Typefinite float\[\] |
| Felt`usage` | Typeobject |

Fejl og næste trin

| Svar | Betingelse | Næste trin |
| --- | --- | --- |
| Svar400 · `invalid_request_error` | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |

### Aliaser

#### Modelaliaser

**Ailoot Ultra** [`nvidia/llama-nemotron-embed-vl-1b-v2:free`](https://ailoot.ai/models/da/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2%3Afree&route=Ultra&caller=nvidia%2Fllama-nemotron-embed-vl-1b-v2%3Afree&fmt=embeddings)

#### Aliaser for metodestier

Brug metodestierne vist ovenfor.

#### Relaterede kalder-ID’er

[`nvidia/llama-nemotron-embed-vl-1b-v2:free`](https://ailoot.ai/models/da/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2%3Afree&route=Ultra&caller=nvidia%2Fllama-nemotron-embed-vl-1b-v2%3Afree&fmt=embeddings)

FAQ · NVIDIA: Llama Nemotron Embed VL 1B V2 (free)

Hvilke input og resultater er tilgængelige?

`POST /v1/embeddings` · `nvidia/llama-nemotron-embed-vl-1b-v2:free`: `text`, `token_ids` → `embedding`

Hvilke felter bruger anmodningen?

`POST /v1/embeddings` · `nvidia/llama-nemotron-embed-vl-1b-v2:free`: `model`, `input`, `encoding_format`, `provider`

Hvilke grænser gælder?

`POST /v1/embeddings` · `nvidia/llama-nemotron-embed-vl-1b-v2:free`: `ctx`: `131072`; `input.budget.maximum`: `131072` (UTF8-bytes); `input.min_items`: `1`

Tilslut Ailoot til Claude Code, OpenCode, Hermes eller din egen applikation.

## Virksomheden og dens projektportefølje

Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder.

## Køb tokens med rabat.

Abonnementsrabat til regelmæssigt arbejde. Rabatkoder giver op til 50% på tokenkøb.

Abonnement

Vælg et abonnement med rabat til dine regelmæssige anmodninger.

Rabatkode på op til 50%

Indtast koden ved købet. Prisen genberegnes efter den aktuelle kampagne.

Udgifter i historikken

Model, tokens og beløb gemmes for hver anmodning.

[Vælg abonnement](https://ailoot.ai/docs/da/billing/subscriptions/) · [Se modelpriser](https://ailoot.ai/models/da/)

## Tilslut API’et til produktet, du sælger.

SaaS, apps og bots efter Ailoots tilbudsvilkår og licensaftale. Anmod om en forhandlerlicens til videresalg.

Kommerciel applikation

Byg generering af tekst, billeder, video og lyd ind i tjenestens betalte funktioner.

Licens til forhandlere

Send projektbeskrivelse og adgangsmodel. Bed om skriftlige vilkår for anvendelse og videresalg.

Dokumenter på websitet

Tilbudsvilkår, licensaftale og politik for behandling af data kan læses før tilslutning.

[Anmod om forhandlerlicens](mailto:support@ailoot.ai) · [Tilbudsvilkår og licensaftale](https://ailoot.ai/legal/offer?lang=da)

## Ailoot · Virksomheden og dens projektportefølje





Ailoot bygger på solid driftserfaring, en stor kundebase, stabil service og løbende kontrol af KPI.





Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder.





Ailoot bruger denne driftserfaring til API-adgang til AI-funktioner i kundernes produkter, agenter, applikationer og automatiseringer.