Nemotron 3 Embed 1B er NVIDIAs tekstembeddingfamilie til flersproget søgning, søgning på tværs af sprog og semantisk lighed. Den omdanner et spørgsmål eller en passage til en tæt vektor, som et søgesystem kan sammenligne med andre tekstrepræsentationer. Producenten evaluerer de dokumenterede 1B-udgaver på tværs af fireogtredive sprog- og sprogvariantindstillinger, herunder engelsk, arabisk, kinesisk, russisk, japansk, koreansk og hinglish.
Producentens modelkort beskriver en beskåret, bidirektionel transformer afledt af Ministral 3. Den har cirka 1,14 milliarder parametre og beregner gennemsnittet af repræsentationerne på tokenniveau for at få én embedding pr. tekst. Det oprindelige output er en 2048-dimensional vektor af flydende kommatal. Dette er en søgerepræsentation frem for et skriftligt svar på det spørgsmål, der oprettes en embedding af.
Producenten understøtter også at beholde den første del af repræsentationen, eksempelvis 1024 eller 512 dimensioner. Den forkortede vektor skal L2-normaliseres igen efter udskæringen. Hold den valgte repræsentationslængde og normalisering ensartet på forespørgsels- og korpussiden af en søgeopgave. En vektors længde og inputsekvensens længde er separate egenskaber.
Den dokumenterede søgekonvention bruger “query:” til et spørgsmål og “passage:” til dokumenttekst. Producentens eksempler anvender rollerne før kodning og sammenligner normaliserede vektorer med et skalarprodukt, som svarer til cosinuslighed. Brug den forberedelse, som det valgte arbejdsforløb forventer, frem for at blande en rå korpusrepræsentation med en anderledes forberedt forespørgsel.
En praktisk samling kan indeholde tekniske forklaringer, politikker eller koderelateret dokumentation. Et spørgsmål om, hvordan en funktion håndterer et bestemt tilfælde, bør finde den kildepassage eller det kodeuddrag, der beskriver denne adfærd. Bevar identifikatorer, overskrifter og relevante betingelser sammen med den faktiske passagetekst. Vektoren gør kandidaten søgbar; den bevarede kilde er det, en læser eller et senere RAG-svartrin bruger.
Den dokumenterede maksimale sekvenslængde er 32.768 tokens. Vælg passagernes afgrænsning bevidst, også når modellen kan rumme en betydelig tekstmængde. Et helt afsnit kan bevare en definition og dens undtagelser; et afgrænset uddrag kan gøre et konkret svar lettere at undersøge. Input, der overskrider modelvinduet, kræver opdeling eller afkortning, så den udeladte slutning må ikke behandles som repræsenteret indhold.
Hold hvert element, der oprettes en embedding af, knyttet til sit overordnede dokument og sin version. Til en rapport bevares afsnitstitlen og forklaringen omkring den konklusion, spørgsmålet vedrører. Til kodesøgning bevares funktionsnavnet, den relevante grænseflade og adfærden sammen med uddraget. Det giver et konkret kildemateriale, når søgetrinnet returnerer en kandidat.
NVIDIA dokumenterer BF16- og NVFP4-versioner af 1B-familien. Modelkortet for den kvantiserede model angiver, at de to udgaver deler et embeddingrum, og anbefaler at kontrollere søgekvaliteten på repræsentativt materiale ved versionsskift. Den angivne fælles repræsentation er en producentudtalelse om netop dette navngivne par, ikke en generel regel for alle modeller med 2048 outputværdier.
Det nyttige resultat er en forespørgselsvektor eller en indekseret kildesamling med registreret model, dimensionsvalg og forberedelse. Returner kandidatteksten med dens identifikator, og undersøg, om den giver den nødvendige information. Producenten bemærker udtrykkeligt, at en søgemodel ikke garanterer den korrekte passage til hvert spørgsmål; et senere omrangerings- eller svartrin arbejder med disse kandidater som sin egen opgave.
", "aboutText": "Nemotron 3 Embed 1B er NVIDIAs tekstembeddingfamilie til flersproget søgning, søgning på tværs af sprog og semantisk lighed. Den omdanner et spørgsmål eller en passage til en tæt vektor, som et søgesystem kan sammenligne med andre tekstrepræsentationer. Producenten evaluerer de dokumenterede 1B-udgaver på tværs af fireogtredive sprog- og sprogvariantindstillinger, herunder engelsk, arabisk, kinesisk, russisk, japansk, koreansk og hinglish.\n\n### Koder og repræsentation\n\nProducentens modelkort beskriver en beskåret, bidirektionel transformer afledt af Ministral 3. Den har cirka 1,14 milliarder parametre og beregner gennemsnittet af repræsentationerne på tokenniveau for at få én embedding pr. tekst. Det oprindelige output er en 2048-dimensional vektor af flydende kommatal. Dette er en søgerepræsentation frem for et skriftligt svar på det spørgsmål, der oprettes en embedding af.\n\nProducenten understøtter også at beholde den første del af repræsentationen, eksempelvis 1024 eller 512 dimensioner. Den forkortede vektor skal L2-normaliseres igen efter udskæringen. Hold den valgte repræsentationslængde og normalisering ensartet på forespørgsels- og korpussiden af en søgeopgave. En vektors længde og inputsekvensens længde er separate egenskaber.\n\n### Forberedelse af forespørgsler og passager\n\nDen dokumenterede søgekonvention bruger “query:” til et spørgsmål og “passage:” til dokumenttekst. Producentens eksempler anvender rollerne før kodning og sammenligner normaliserede vektorer med et skalarprodukt, som svarer til cosinuslighed. Brug den forberedelse, som det valgte arbejdsforløb forventer, frem for at blande en rå korpusrepræsentation med en anderledes forberedt forespørgsel.\n\nEn praktisk samling kan indeholde tekniske forklaringer, politikker eller koderelateret dokumentation. Et spørgsmål om, hvordan en funktion håndterer et bestemt tilfælde, bør finde den kildepassage eller det kodeuddrag, der beskriver denne adfærd. Bevar identifikatorer, overskrifter og relevante betingelser sammen med den faktiske passagetekst. Vektoren gør kandidaten søgbar; den bevarede kilde er det, en læser eller et senere RAG-svartrin bruger.\n\n### Længere kildemateriale\n\nDen dokumenterede maksimale sekvenslængde er 32.768 tokens. Vælg passagernes afgrænsning bevidst, også når modellen kan rumme en betydelig tekstmængde. Et helt afsnit kan bevare en definition og dens undtagelser; et afgrænset uddrag kan gøre et konkret svar lettere at undersøge. Input, der overskrider modelvinduet, kræver opdeling eller afkortning, så den udeladte slutning må ikke behandles som repræsenteret indhold.\n\nHold hvert element, der oprettes en embedding af, knyttet til sit overordnede dokument og sin version. Til en rapport bevares afsnitstitlen og forklaringen omkring den konklusion, spørgsmålet vedrører. Til kodesøgning bevares funktionsnavnet, den relevante grænseflade og adfærden sammen med uddraget. Det giver et konkret kildemateriale, når søgetrinnet returnerer en kandidat.\n\n### Familiens udgaver og brug af resultatet\n\nNVIDIA dokumenterer BF16- og NVFP4-versioner af 1B-familien. Modelkortet for den kvantiserede model angiver, at de to udgaver deler et embeddingrum, og anbefaler at kontrollere søgekvaliteten på repræsentativt materiale ved versionsskift. Den angivne fælles repræsentation er en producentudtalelse om netop dette navngivne par, ikke en generel regel for alle modeller med 2048 outputværdier.\n\nDet nyttige resultat er en forespørgselsvektor eller en indekseret kildesamling med registreret model, dimensionsvalg og forberedelse. Returner kandidatteksten med dens identifikator, og undersøg, om den giver den nødvendige information. Producenten bemærker udtrykkeligt, at en søgemodel ikke garanterer den korrekte passage til hvert spørgsmål; et senere omrangerings- eller svartrin arbejder med disse kandidater som sin egen opgave.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7abb6c1eae00a22de78a0c56119df0c738c2f1bf839e58400172db85bf581ba3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "nvidia/nemotron-3-embed-1b:freeNVIDIA Nemotron 3 Embed 1B repræsenterer flersprogede søgeforespørgsler og passager som vektorer med 2048 dimensioner til søgning og RAG. Den dokumenterede familie understøtter sekvenser på 32.768 tokens og mindre vektorer med fornyet normalisering.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Nemotron 3 Embed 1B er NVIDIAs tekstembeddingfamilie til flersproget søgning, søgning på tværs af sprog og semantisk lighed. Den omdanner et spørgsmål eller en passage til en tæt vektor, som et søgesystem kan sammenligne med andre tekstrepræsentationer. Producenten evaluerer de dokumenterede 1B-udgaver på tværs af fireogtredive sprog- og sprogvariantindstillinger, herunder engelsk, arabisk, kinesisk, russisk, japansk, koreansk og hinglish.
Producentens modelkort beskriver en beskåret, bidirektionel transformer afledt af Ministral 3. Den har cirka 1,14 milliarder parametre og beregner gennemsnittet af repræsentationerne på tokenniveau for at få én embedding pr. tekst. Det oprindelige output er en 2048-dimensional vektor af flydende kommatal. Dette er en søgerepræsentation frem for et skriftligt svar på det spørgsmål, der oprettes en embedding af.
Producenten understøtter også at beholde den første del af repræsentationen, eksempelvis 1024 eller 512 dimensioner. Den forkortede vektor skal L2-normaliseres igen efter udskæringen. Hold den valgte repræsentationslængde og normalisering ensartet på forespørgsels- og korpussiden af en søgeopgave. En vektors længde og inputsekvensens længde er separate egenskaber.
Den dokumenterede søgekonvention bruger “query:” til et spørgsmål og “passage:” til dokumenttekst. Producentens eksempler anvender rollerne før kodning og sammenligner normaliserede vektorer med et skalarprodukt, som svarer til cosinuslighed. Brug den forberedelse, som det valgte arbejdsforløb forventer, frem for at blande en rå korpusrepræsentation med en anderledes forberedt forespørgsel.
En praktisk samling kan indeholde tekniske forklaringer, politikker eller koderelateret dokumentation. Et spørgsmål om, hvordan en funktion håndterer et bestemt tilfælde, bør finde den kildepassage eller det kodeuddrag, der beskriver denne adfærd. Bevar identifikatorer, overskrifter og relevante betingelser sammen med den faktiske passagetekst. Vektoren gør kandidaten søgbar; den bevarede kilde er det, en læser eller et senere RAG-svartrin bruger.
Den dokumenterede maksimale sekvenslængde er 32.768 tokens. Vælg passagernes afgrænsning bevidst, også når modellen kan rumme en betydelig tekstmængde. Et helt afsnit kan bevare en definition og dens undtagelser; et afgrænset uddrag kan gøre et konkret svar lettere at undersøge. Input, der overskrider modelvinduet, kræver opdeling eller afkortning, så den udeladte slutning må ikke behandles som repræsenteret indhold.
Hold hvert element, der oprettes en embedding af, knyttet til sit overordnede dokument og sin version. Til en rapport bevares afsnitstitlen og forklaringen omkring den konklusion, spørgsmålet vedrører. Til kodesøgning bevares funktionsnavnet, den relevante grænseflade og adfærden sammen med uddraget. Det giver et konkret kildemateriale, når søgetrinnet returnerer en kandidat.
NVIDIA dokumenterer BF16- og NVFP4-versioner af 1B-familien. Modelkortet for den kvantiserede model angiver, at de to udgaver deler et embeddingrum, og anbefaler at kontrollere søgekvaliteten på repræsentativt materiale ved versionsskift. Den angivne fælles repræsentation er en producentudtalelse om netop dette navngivne par, ikke en generel regel for alle modeller med 2048 outputværdier.
Det nyttige resultat er en forespørgselsvektor eller en indekseret kildesamling med registreret model, dimensionsvalg og forberedelse. Returner kandidatteksten med dens identifikator, og undersøg, om den giver den nødvendige information. Producenten bemærker udtrykkeligt, at en søgemodel ikke garanterer den korrekte passage til hvert spørgsmål; et senere omrangerings- eller svartrin arbejder med disse kandidater som sin egen opgave.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser nvidia/nemotron-3-embed-1b:free | Standard— |
Feltinput | Typestring|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: 32.768 · Tekstenhed: UTF8-bytes · Tokenenhed: elementer i et tokenarray | Standard— |
Feltencoding_format | Typestring | KravValgfrit | Værdier og grænser float | Standardfloat |
Feltdimensions | Typeinteger | KravIkke understøttet | Værdier og grænser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Feltsession_id | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Felttrace | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvist | Standard— |
text_to_embedding
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input |
Parameterinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontraktfloat |
Parameterdimensions_override | Kontraktfalse |
Parametermax_input_budget_units | Kontrakt32768 |
Parametermultimodal_objects | Kontraktfalse |
Parametermaterial_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.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/nemotron-3-embed-1b:free", "input": ["First document", "Second document"]}')\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/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\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='nvidia/nemotron-3-embed-1b:free',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
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.
Der indføres intet endpoint til embedding-job.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
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 Ultra nvidia/nemotron-3-embed-1b:free
Brug metodestierne vist ovenfor.