Llama Nemotron Embed VL 1B v2 er udviklet af NVIDIA til søgning efter materiale, der hjælper med at besvare spørgsmål. Forespørgslen er tekst. Det aktuelle Ailoot-katalog har tekstinput til modellen: spørgsmål og materiale kodes som tekst. Producenten beskriver også dokumenter som sidebilleder eller billeder med udtrukket tekst. Visuelle varianter kræver en særskilt metode med billedunderstøttelse. Med passende input repræsenterer modellen tabeller, grafer og infografik i et fælles vektorrum.
Søgningen egner sig til spørgsmål-svar-assistenter baseret på store dokumentsamlinger, interne opslagsværker og forskningsmateriale. Kodningsresultatet er en numerisk vektor. En fundet side eller et afsnit kan derefter sendes til en model, der formulerer svaret; Embed VL udfører selv kontekstsøgningstrinnet.
Forespørgsel og dokument kodes uafhængigt. Samlingen kan derfor behandles på forhånd, og vektorer gemmes med udgangssiderne; ved et nyt spørgsmål beregnes kun forespørgselsvektoren. Vektorlighed hjælper med at vælge materiale efter betydning. Tekstrollerne for forespørgsel og dokument er forskellige og skal bevares ved dataforberedelsen.
Hvert input bliver én vektor med op til 2048 tal. Teksttilstanden har et budget på 8192 tokens. Producentens visuelle metode med billede og tekst beskriver et fælles budget på 10240 tokens til begge dele; det er ikke Ailoot-metodens tekstgrænse. Billedet opdeles i udsnit: den beskrevne konfiguration tillader op til seks udsnit og en nedskaleret kopi af hele siden, i alt omtrent 1792 visuelle tokens. Lange tekster skal opdeles eller forkortes.
Sprogdelen bygger på Llama 3.2 1B, og den visuelle del på SigLIP2. De samles i en encoder, der tager gennemsnittet af inputtokenrepræsentationerne og leverer én vektor. Kontrastiv træning bringer spørgsmålet tættere på en passende side og længere fra irrelevant materiale. Søgningen forbliver probabilistisk: vektornærhed garanterer ikke, at det valgte afsnit indeholder det korrekte svar.
", "aboutText": "### Find den rette side ud fra et spørgsmål\n\nLlama Nemotron Embed VL 1B v2 er udviklet af NVIDIA til søgning efter materiale, der hjælper med at besvare spørgsmål. Forespørgslen er tekst. Det aktuelle Ailoot-katalog har tekstinput til modellen: spørgsmål og materiale kodes som tekst. Producenten beskriver også dokumenter som sidebilleder eller billeder med udtrukket tekst. Visuelle varianter kræver en særskilt metode med billedunderstøttelse. Med passende input repræsenterer modellen tabeller, grafer og infografik i et fælles vektorrum.\n\nSøgningen egner sig til spørgsmål-svar-assistenter baseret på store dokumentsamlinger, interne opslagsværker og forskningsmateriale. Kodningsresultatet er en numerisk vektor. En fundet side eller et afsnit kan derefter sendes til en model, der formulerer svaret; Embed VL udfører selv kontekstsøgningstrinnet.\n\n### Producentens dokumentvarianter\n\n- Tekstdokument: et afsnit, uddrag eller allerede genkendt sidetekst.\n- Billede: hele siden med tekst, tabeller og grafik.\n- Billede med tekst: sidens visuelle udseende og tekstindhold samles i én repræsentation.\n\nForespørgsel og dokument kodes uafhængigt. Samlingen kan derfor behandles på forhånd, og vektorer gemmes med udgangssiderne; ved et nyt spørgsmål beregnes kun forespørgselsvektoren. Vektorlighed hjælper med at vælge materiale efter betydning. Tekstrollerne for forespørgsel og dokument er forskellige og skal bevares ved dataforberedelsen.\n\n### Repræsentationsstørrelse og inputlængde\n\nHvert input bliver én vektor med op til 2048 tal. Teksttilstanden har et budget på 8192 tokens. Producentens visuelle metode med billede og tekst beskriver et fælles budget på 10240 tokens til begge dele; det er ikke Ailoot-metodens tekstgrænse. Billedet opdeles i udsnit: den beskrevne konfiguration tillader op til seks udsnit og en nedskaleret kopi af hele siden, i alt omtrent 1792 visuelle tokens. Lange tekster skal opdeles eller forkortes.\n\nSprogdelen bygger på Llama 3.2 1B, og den visuelle del på SigLIP2. De samles i en encoder, der tager gennemsnittet af inputtokenrepræsentationerne og leverer én vektor. Kontrastiv træning bringer spørgsmålet tættere på en passende side og længere fra irrelevant materiale. Søgningen forbliver probabilistisk: vektornærhed garanterer ikke, at det valgte afsnit indeholder det korrekte svar.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "65b704ca8159e0fad115c06b26065e1af769a3d53d0b609487376fbf58edfcd8", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Llama Nemotron Embed VL v2 skaber vektorer til semantisk dokumentsøgning. Det aktuelle Ailoot-katalog har tekstinput til forespørgsler og materiale.
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 udviklet af NVIDIA til søgning efter materiale, der hjælper med at besvare spørgsmål. Forespørgslen er tekst. Det aktuelle Ailoot-katalog har tekstinput til modellen: spørgsmål og materiale kodes som tekst. Producenten beskriver også dokumenter som sidebilleder eller billeder med udtrukket tekst. Visuelle varianter kræver en særskilt metode med billedunderstøttelse. Med passende input repræsenterer modellen tabeller, grafer og infografik i et fælles vektorrum.
Søgningen egner sig til spørgsmål-svar-assistenter baseret på store dokumentsamlinger, interne opslagsværker og forskningsmateriale. Kodningsresultatet er en numerisk vektor. En fundet side eller et afsnit kan derefter sendes til en model, der formulerer svaret; Embed VL udfører selv kontekstsøgningstrinnet.
Forespørgsel og dokument kodes uafhængigt. Samlingen kan derfor behandles på forhånd, og vektorer gemmes med udgangssiderne; ved et nyt spørgsmål beregnes kun forespørgselsvektoren. Vektorlighed hjælper med at vælge materiale efter betydning. Tekstrollerne for forespørgsel og dokument er forskellige og skal bevares ved dataforberedelsen.
Hvert input bliver én vektor med op til 2048 tal. Teksttilstanden har et budget på 8192 tokens. Producentens visuelle metode med billede og tekst beskriver et fælles budget på 10240 tokens til begge dele; det er ikke Ailoot-metodens tekstgrænse. Billedet opdeles i udsnit: den beskrevne konfiguration tillader op til seks udsnit og en nedskaleret kopi af hele siden, i alt omtrent 1792 visuelle tokens. Lange tekster skal opdeles eller forkortes.
Sprogdelen bygger på Llama 3.2 1B, og den visuelle del på SigLIP2. De samles i en encoder, der tager gennemsnittet af inputtokenrepræsentationerne og leverer én vektor. Kontrastiv træning bringer spørgsmålet tættere på en passende side og længere fra irrelevant materiale. Søgningen forbliver probabilistisk: vektornærhed garanterer ikke, at det valgte afsnit indeholder det korrekte svar.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser nvidia/llama-nemotron-embed-vl-1b-v2 | Standard— |
Feltinput | Typestring|string[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 Betingelser: Hver streng skal være ikke-tom efter trimning; data-URI’er afvises; det accepterede budget måler relevante UTF8-bytes. | Standard— |
Feltinput_type | Typestring | KravValgfrit | Værdier og grænser query, passage | Standardquery |
Feltencoding_format | Typestring | KravValgfrit | Værdier og grænser float, base64 | Standardfloat |
Felttruncate | Typestring | KravValgfrit | Værdier og grænser NONE, START, END | Standard— |
Feltdimensions | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 | Standard— |
Feltuser | Typestring | KravValgfrit | Værdier og grænser | Standard— |
text_to_embedding
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext |
Parameterrequired | Kontraktmodel, input |
Parameteroptional_controls | Kontraktnull |
Parametercontent_type | Kontraktapplication/json |
Livscyklus: exact retained published method
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
POST /v1/embeddingsAiloot 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 →
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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Afkod kun base64-vektorer, når dette format blev anmodet om; behold hver vektor og dens oprindelige indeks.
Der indføres intet endpoint til embedding-job.
| Felt | Type |
|---|---|
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[]|base64 float32 vector |
Feltmodel | Typestring |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Brug metodestierne vist ovenfor.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlLlama Nemotron Embed VL v2 skaber vektorer til semantisk dokumentsøgning. Det aktuelle Ailoot-katalog har tekstinput til forespørgsler og materiale.
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 udviklet af NVIDIA til søgning efter materiale, der hjælper med at besvare spørgsmål. Forespørgslen er tekst. Det aktuelle Ailoot-katalog har tekstinput til modellen: spørgsmål og materiale kodes som tekst. Producenten beskriver også dokumenter som sidebilleder eller billeder med udtrukket tekst. Visuelle varianter kræver en særskilt metode med billedunderstøttelse. Med passende input repræsenterer modellen tabeller, grafer og infografik i et fælles vektorrum.
Søgningen egner sig til spørgsmål-svar-assistenter baseret på store dokumentsamlinger, interne opslagsværker og forskningsmateriale. Kodningsresultatet er en numerisk vektor. En fundet side eller et afsnit kan derefter sendes til en model, der formulerer svaret; Embed VL udfører selv kontekstsøgningstrinnet.
Forespørgsel og dokument kodes uafhængigt. Samlingen kan derfor behandles på forhånd, og vektorer gemmes med udgangssiderne; ved et nyt spørgsmål beregnes kun forespørgselsvektoren. Vektorlighed hjælper med at vælge materiale efter betydning. Tekstrollerne for forespørgsel og dokument er forskellige og skal bevares ved dataforberedelsen.
Hvert input bliver én vektor med op til 2048 tal. Teksttilstanden har et budget på 8192 tokens. Producentens visuelle metode med billede og tekst beskriver et fælles budget på 10240 tokens til begge dele; det er ikke Ailoot-metodens tekstgrænse. Billedet opdeles i udsnit: den beskrevne konfiguration tillader op til seks udsnit og en nedskaleret kopi af hele siden, i alt omtrent 1792 visuelle tokens. Lange tekster skal opdeles eller forkortes.
Sprogdelen bygger på Llama 3.2 1B, og den visuelle del på SigLIP2. De samles i en encoder, der tager gennemsnittet af inputtokenrepræsentationerne og leverer én vektor. Kontrastiv træning bringer spørgsmålet tættere på en passende side og længere fra irrelevant materiale. Søgningen forbliver probabilistisk: vektornærhed garanterer ikke, at det valgte afsnit indeholder det korrekte svar.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser nemotron-embed-vl | Standard— |
Feltinput | Typestring|string[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 Betingelser: Hver streng skal være ikke-tom efter trimning; data-URI’er afvises; det accepterede budget måler relevante UTF8-bytes. | Standard— |
Feltinput_type | Typestring | KravValgfrit | Værdier og grænser query, passage | Standardquery |
Feltencoding_format | Typestring | KravValgfrit | Værdier og grænser float, base64 | Standardfloat |
Felttruncate | Typestring | KravValgfrit | Værdier og grænser NONE, START, END | Standard— |
Feltdimensions | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 | Standard— |
Feltuser | Typestring | KravValgfrit | Værdier og grænser | Standard— |
text_to_embedding
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext |
Parameterrequired | Kontraktmodel, input |
Parameteroptional_controls | Kontraktnull |
Parametercontent_type | Kontraktapplication/json |
Livscyklus: exact retained published method
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
POST /v1/embeddingsAiloot 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 →
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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Afkod kun base64-vektorer, når dette format blev anmodet om; behold hver vektor og dens oprindelige indeks.
Der indføres intet endpoint til embedding-job.
| Felt | Type |
|---|---|
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[]|base64 float32 vector |
Feltmodel | Typestring |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Brug metodestierne vist ovenfor.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestLlama Nemotron Embed VL v2 skaber vektorer til semantisk dokumentsøgning. Det aktuelle Ailoot-katalog har tekstinput til forespørgsler og materiale.
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 udviklet af NVIDIA til søgning efter materiale, der hjælper med at besvare spørgsmål. Forespørgslen er tekst. Det aktuelle Ailoot-katalog har tekstinput til modellen: spørgsmål og materiale kodes som tekst. Producenten beskriver også dokumenter som sidebilleder eller billeder med udtrukket tekst. Visuelle varianter kræver en særskilt metode med billedunderstøttelse. Med passende input repræsenterer modellen tabeller, grafer og infografik i et fælles vektorrum.
Søgningen egner sig til spørgsmål-svar-assistenter baseret på store dokumentsamlinger, interne opslagsværker og forskningsmateriale. Kodningsresultatet er en numerisk vektor. En fundet side eller et afsnit kan derefter sendes til en model, der formulerer svaret; Embed VL udfører selv kontekstsøgningstrinnet.
Forespørgsel og dokument kodes uafhængigt. Samlingen kan derfor behandles på forhånd, og vektorer gemmes med udgangssiderne; ved et nyt spørgsmål beregnes kun forespørgselsvektoren. Vektorlighed hjælper med at vælge materiale efter betydning. Tekstrollerne for forespørgsel og dokument er forskellige og skal bevares ved dataforberedelsen.
Hvert input bliver én vektor med op til 2048 tal. Teksttilstanden har et budget på 8192 tokens. Producentens visuelle metode med billede og tekst beskriver et fælles budget på 10240 tokens til begge dele; det er ikke Ailoot-metodens tekstgrænse. Billedet opdeles i udsnit: den beskrevne konfiguration tillader op til seks udsnit og en nedskaleret kopi af hele siden, i alt omtrent 1792 visuelle tokens. Lange tekster skal opdeles eller forkortes.
Sprogdelen bygger på Llama 3.2 1B, og den visuelle del på SigLIP2. De samles i en encoder, der tager gennemsnittet af inputtokenrepræsentationerne og leverer én vektor. Kontrastiv træning bringer spørgsmålet tættere på en passende side og længere fra irrelevant materiale. Søgningen forbliver probabilistisk: vektornærhed garanterer ikke, at det valgte afsnit indeholder det korrekte svar.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser nemotron-embed-vl-latest | Standard— |
Feltinput | Typestring|string[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 Betingelser: Hver streng skal være ikke-tom efter trimning; data-URI’er afvises; det accepterede budget måler relevante UTF8-bytes. | Standard— |
Feltinput_type | Typestring | KravValgfrit | Værdier og grænser query, passage | Standardquery |
Feltencoding_format | Typestring | KravValgfrit | Værdier og grænser float, base64 | Standardfloat |
Felttruncate | Typestring | KravValgfrit | Værdier og grænser NONE, START, END | Standard— |
Feltdimensions | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 | Standard— |
Feltuser | Typestring | KravValgfrit | Værdier og grænser | Standard— |
text_to_embedding
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext |
Parameterrequired | Kontraktmodel, input |
Parameteroptional_controls | Kontraktnull |
Parametercontent_type | Kontraktapplication/json |
Livscyklus: exact retained published method
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
POST /v1/embeddingsAiloot 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 →
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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Afkod kun base64-vektorer, når dette format blev anmodet om; behold hver vektor og dens oprindelige indeks.
Der indføres intet endpoint til embedding-job.
| Felt | Type |
|---|---|
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[]|base64 float32 vector |
Feltmodel | Typestring |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Brug metodestierne vist ovenfor.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest