Llama Nemotron Rerank VL 1B V2 vurderer relevansen af kandidattekster og dokumentbilleder for en tekstforespørgsel, herunder diagrammer, tabeller og sider med blandede medier. NVIDIA beskriver den som en cross-encoder-model med 1,7B parametre. I en arbejdsgang med hentning af materiale skal du først udføre den indledende søgning og derefter sende de valgte kandidater til rerankeren. Det nyttige resultat er et omordnet sæt af disse kandidater med relevansscorer, som en applikation kan bruge til at vælge kontekst til et svar eller organisere en søgeresultatside.
Brug POST /v1/rerank med et application/json-indhold. Sæt model til "nvidia/llama-nemotron-rerank-vl-1b-v2:free", query til det faktiske søgespørgsmål og documents til et ikke-tomt array. Hver kandidat kan være en tekststreng eller et objekt med text og/eller image; et struktureret objekt skal indeholde mindst ét af disse felter. text er en streng. image er en ekstern HTTP/HTTPS-URL eller en base64-data-URI, der begynder med data:image/. En kombineret kandidat indeholder begge felter. Bevar rækkefølgen af inputarrayet, så returnerede indekser kan matches med dine gemte dokument-ID'er. top_n er et valgfrit heltal på mindst 1, der angiver antallet af højest rangerede dokumenter, som skal returneres.
En hjælpecenterapplikation kan for eksempel hente passager om levering, returnering og kontoadgang og derefter omrangere disse passager i forhold til kundens leveringsspørgsmål. Medsend den faktiske passagetekst frem for filnavne eller søgemaskineuddrag uden forbindelse til den gemte kilde. Hold hver passage knyttet til sin egen kildeidentifikator i applikationen, så den valgte dokumentation senere kan citeres eller åbnes. Til et scannet dokument, et diagram, en tabel eller en infografik skal du medsende det faktiske billede i et dokumentobjekt og tilføje tekst, når det hjælper med at identificere indholdet.
Modelsiden dokumenterer en grænse på 10 240 tokens pr. forespørgsel og dokument. Del længere kildemateriale op i afgrænsede passager, før du forbereder kandidatlisten. Bevar nyttig omgivende kontekst sammen med hver passage, inklusive overskrift eller produktnavn, når det ændrer betydningen. Den dokumenterede anmodning tager udgangspunkt i de kandidater, du leverer; den søger ikke i en dokumentsamling på dine vegne.
Omrangeringen returnerer et synkront JSON-resultat. Læs hvert results-element, inklusive dets oprindelige index, relevance_score og returnerede document-objekt, som kan indeholde text og/eller image, og gem eventuelle returnerede usage- og svaridentifikatorer. Brug index til at knytte det rangerede resultat tilbage til dets inputkandidat. Behandl en relevansscore som et rangeringssignal for denne forespørgsel frem for et uafhængigt verificeret faktuelt svar. Gem hele resultatet, når flere passager vælges til næste trin.
Forbered offentligt eller syntetisk kandidatmateriale til denne gratisudgave; de dokumenterede brugsvilkår udelukker fortrolige oplysninger og personoplysninger. Hvis en anmodning afsluttes uden et komplet resultat, skal du gemme det oprindelige svar og anmodningsidentifikatoren, mens du kontrollerer forsøget. Den dokumenterede rerank-arbejdsgang returnerer resultatet direkte og leverer ingen separat arbejdsgang til jobpolling eller annullering.
", "aboutText": "Llama Nemotron Rerank VL 1B V2 vurderer relevansen af kandidattekster og dokumentbilleder for en tekstforespørgsel, herunder diagrammer, tabeller og sider med blandede medier. NVIDIA beskriver den som en cross-encoder-model med 1,7B parametre. I en arbejdsgang med hentning af materiale skal du først udføre den indledende søgning og derefter sende de valgte kandidater til rerankeren. Det nyttige resultat er et omordnet sæt af disse kandidater med relevansscorer, som en applikation kan bruge til at vælge kontekst til et svar eller organisere en søgeresultatside.\n\nBrug POST /v1/rerank med et application/json-indhold. Sæt model til \"nvidia/llama-nemotron-rerank-vl-1b-v2:free\", query til det faktiske søgespørgsmål og documents til et ikke-tomt array. Hver kandidat kan være en tekststreng eller et objekt med text og/eller image; et struktureret objekt skal indeholde mindst ét af disse felter. text er en streng. image er en ekstern HTTP/HTTPS-URL eller en base64-data-URI, der begynder med data:image/. En kombineret kandidat indeholder begge felter. Bevar rækkefølgen af inputarrayet, så returnerede indekser kan matches med dine gemte dokument-ID'er. top_n er et valgfrit heltal på mindst 1, der angiver antallet af højest rangerede dokumenter, som skal returneres.\n\nEn hjælpecenterapplikation kan for eksempel hente passager om levering, returnering og kontoadgang og derefter omrangere disse passager i forhold til kundens leveringsspørgsmål. Medsend den faktiske passagetekst frem for filnavne eller søgemaskineuddrag uden forbindelse til den gemte kilde. Hold hver passage knyttet til sin egen kildeidentifikator i applikationen, så den valgte dokumentation senere kan citeres eller åbnes. Til et scannet dokument, et diagram, en tabel eller en infografik skal du medsende det faktiske billede i et dokumentobjekt og tilføje tekst, når det hjælper med at identificere indholdet.\n\nModelsiden dokumenterer en grænse på 10 240 tokens pr. forespørgsel og dokument. Del længere kildemateriale op i afgrænsede passager, før du forbereder kandidatlisten. Bevar nyttig omgivende kontekst sammen med hver passage, inklusive overskrift eller produktnavn, når det ændrer betydningen. Den dokumenterede anmodning tager udgangspunkt i de kandidater, du leverer; den søger ikke i en dokumentsamling på dine vegne.\n\nOmrangeringen returnerer et synkront JSON-resultat. Læs hvert results-element, inklusive dets oprindelige index, relevance_score og returnerede document-objekt, som kan indeholde text og/eller image, og gem eventuelle returnerede usage- og svaridentifikatorer. Brug index til at knytte det rangerede resultat tilbage til dets inputkandidat. Behandl en relevansscore som et rangeringssignal for denne forespørgsel frem for et uafhængigt verificeret faktuelt svar. Gem hele resultatet, når flere passager vælges til næste trin.\n\nForbered offentligt eller syntetisk kandidatmateriale til denne gratisudgave; de dokumenterede brugsvilkår udelukker fortrolige oplysninger og personoplysninger. Hvis en anmodning afsluttes uden et komplet resultat, skal du gemme det oprindelige svar og anmodningsidentifikatoren, mens du kontrollerer forsøget. Den dokumenterede rerank-arbejdsgang returnerer resultatet direkte og leverer ingen separat arbejdsgang til jobpolling eller annullering.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9165507bef72baac91796cf302929f6f5b439f410dca092bd80a269839117610", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "nvidia/llama-nemotron-rerank-vl-1b-v2:freeLlama Nemotron Rerank VL 1B V2 er NVIDIAs cross-encoder-model til at rangere hentet materiale efter dets relevans for en forespørgsel. Send en forespørgsel og kandidatdokumenter med tekst, billeder eller en kombination, og brug derefter de returnerede scorer og oprindelige indekser til at vælge passager til søgeresultater eller et svar understøttet af hentet materiale.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Llama Nemotron Rerank VL 1B V2 vurderer relevansen af kandidattekster og dokumentbilleder for en tekstforespørgsel, herunder diagrammer, tabeller og sider med blandede medier. NVIDIA beskriver den som en cross-encoder-model med 1,7B parametre. I en arbejdsgang med hentning af materiale skal du først udføre den indledende søgning og derefter sende de valgte kandidater til rerankeren. Det nyttige resultat er et omordnet sæt af disse kandidater med relevansscorer, som en applikation kan bruge til at vælge kontekst til et svar eller organisere en søgeresultatside.
Brug POST /v1/rerank med et application/json-indhold. Sæt model til "nvidia/llama-nemotron-rerank-vl-1b-v2:free", query til det faktiske søgespørgsmål og documents til et ikke-tomt array. Hver kandidat kan være en tekststreng eller et objekt med text og/eller image; et struktureret objekt skal indeholde mindst ét af disse felter. text er en streng. image er en ekstern HTTP/HTTPS-URL eller en base64-data-URI, der begynder med data:image/. En kombineret kandidat indeholder begge felter. Bevar rækkefølgen af inputarrayet, så returnerede indekser kan matches med dine gemte dokument-ID'er. top_n er et valgfrit heltal på mindst 1, der angiver antallet af højest rangerede dokumenter, som skal returneres.
En hjælpecenterapplikation kan for eksempel hente passager om levering, returnering og kontoadgang og derefter omrangere disse passager i forhold til kundens leveringsspørgsmål. Medsend den faktiske passagetekst frem for filnavne eller søgemaskineuddrag uden forbindelse til den gemte kilde. Hold hver passage knyttet til sin egen kildeidentifikator i applikationen, så den valgte dokumentation senere kan citeres eller åbnes. Til et scannet dokument, et diagram, en tabel eller en infografik skal du medsende det faktiske billede i et dokumentobjekt og tilføje tekst, når det hjælper med at identificere indholdet.
Modelsiden dokumenterer en grænse på 10 240 tokens pr. forespørgsel og dokument. Del længere kildemateriale op i afgrænsede passager, før du forbereder kandidatlisten. Bevar nyttig omgivende kontekst sammen med hver passage, inklusive overskrift eller produktnavn, når det ændrer betydningen. Den dokumenterede anmodning tager udgangspunkt i de kandidater, du leverer; den søger ikke i en dokumentsamling på dine vegne.
Omrangeringen returnerer et synkront JSON-resultat. Læs hvert results-element, inklusive dets oprindelige index, relevance_score og returnerede document-objekt, som kan indeholde text og/eller image, og gem eventuelle returnerede usage- og svaridentifikatorer. Brug index til at knytte det rangerede resultat tilbage til dets inputkandidat. Behandl en relevansscore som et rangeringssignal for denne forespørgsel frem for et uafhængigt verificeret faktuelt svar. Gem hele resultatet, når flere passager vælges til næste trin.
Forbered offentligt eller syntetisk kandidatmateriale til denne gratisudgave; de dokumenterede brugsvilkår udelukker fortrolige oplysninger og personoplysninger. Hvis en anmodning afsluttes uden et komplet resultat, skal du gemme det oprindelige svar og anmodningsidentifikatoren, mens du kontrollerer forsøget. Den dokumenterede rerank-arbejdsgang returnerer resultatet direkte og leverer ingen separat arbejdsgang til jobpolling eller annullering.
POST /v1/reranktextranking| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser nvidia/llama-nemotron-rerank-vl-1b-v2:free | Standard— |
Feltquery | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltdocuments | Typearray | KravPåkrævet | Værdier og grænser | Standard— |
Felttop_n | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, query, documents |
Parameteroptional | Kontrakttop_n |
Parametermaterial_types | Kontrakttext |
Parameterconditions | Kontrakt |
Livscyklus: synchronous_json
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Afregnet mængde | Beløb |
|---|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Afregnet mængde— | Beløb Input · Inputtokens — / 1K tokens Output · Outputtokens — / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationPr. forespørgsel | Takstplan— | Afregnet mængdeén forespørgsel | Beløb Input $0 pr. anmodning |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"documents": ["Paris is the capital of France.", "Berlin is the capital of Germany."], "model": "nvidia/llama-nemotron-rerank-vl-1b-v2:free", "query": "What is the capital of France?", "top_n": 3}')\n\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/rerank \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
| Felt | Type |
|---|---|
Feltresults | Typearray |
Ailoot Ultra nvidia/llama-nemotron-rerank-vl-1b-v2:free
Brug metodestierne vist ovenfor.