Nemotron 3 Embed 1B er en tekstmodel fra NVIDIA til semantisk søgning og sammenholdelse af afsnit. Den koder spørgsmål, dokumenter og programkode til tætte numeriske vektorer. De bruges til at finde kontekst i store samlinger, supplere et assistentsvar eller hente tidligere gemt information til næste agenttrin.
Modellen er beregnet til søgning på flere sprog og på tværs af sprog: spørgsmål og passende materiale kan være skrevet på forskellige sprog. Russisk indgår i de 34 offentliggjorte sprog sammen med engelsk, ukrainsk, kinesisk, japansk, arabisk og andre. Det er nyttigt i fælles vidensbaser, hvor tekniske dokumenter og brugerhenvendelser ikke er på samme sprog.
Opgaverne omfatter dokumentationssøgning, tekstsammenholdelse og kodeudtræk ud fra en sproglig beskrivelse. Det store inputvindue giver plads til lange dokumenter, meget kodekontekst og flere agenttrins historik. Det fundne materiale går videre i processen som kontekst; systemets næste komponent formulerer forklaringer og svar.
Input er tekststrenge. Hver streng giver én vektor med 2048 tal. Den maksimale sekvenslængde er 32768 tokens; længere materiale skal opdeles eller forkortes. Inputforberedelsen skelner mellem spørgsmål og dokument: modellen er trænet til at sammenholde deres roller, så samme streng i de to opgaver skal formateres under hensyn til formålet.
Vektorerne længdenormaliseres. Med denne repræsentation er skalarprodukt og cosinuslighed ækvivalente sammenligninger. De første 1024 eller 512 koordinater i den fulde vektor kan beholdes, men efter afkortning skal normaliseringen udføres igen. Det er en egenskab ved resultatbehandlingen; dimensionsvalget skal være ensartet for samling og forespørgsler.
Encoderen har omkring 1,14 milliarder parametre. Den er afledt af en Ministral 3 3B-baseret model gennem to trin af strukturel reduktion og destillation. Tovejsattention inddrager hele inputtet, hvorefter tokenrepræsentationerne gennemsnitsberegnes til én samlet vektor.
NVIDIA udgiver BF16- og NVFP4-varianter. Deres repræsentationsrum ligger tæt, men variantskift kræver kontrol på egne dokumenter. Hverken numerisk lighed eller kontekstlængde garanterer, at søgningen altid vælger det korrekte afsnit.
", "aboutText": "Nemotron 3 Embed 1B er en tekstmodel fra NVIDIA til semantisk søgning og sammenholdelse af afsnit. Den koder spørgsmål, dokumenter og programkode til tætte numeriske vektorer. De bruges til at finde kontekst i store samlinger, supplere et assistentsvar eller hente tidligere gemt information til næste agenttrin.\n\n### Flersproget viden og kode\n\nModellen er beregnet til søgning på flere sprog og på tværs af sprog: spørgsmål og passende materiale kan være skrevet på forskellige sprog. Russisk indgår i de 34 offentliggjorte sprog sammen med engelsk, ukrainsk, kinesisk, japansk, arabisk og andre. Det er nyttigt i fælles vidensbaser, hvor tekniske dokumenter og brugerhenvendelser ikke er på samme sprog.\n\nOpgaverne omfatter dokumentationssøgning, tekstsammenholdelse og kodeudtræk ud fra en sproglig beskrivelse. Det store inputvindue giver plads til lange dokumenter, meget kodekontekst og flere agenttrins historik. Det fundne materiale går videre i processen som kontekst; systemets næste komponent formulerer forklaringer og svar.\n\n### Fra tekst til vektor\n\nInput er tekststrenge. Hver streng giver én vektor med 2048 tal. Den maksimale sekvenslængde er 32768 tokens; længere materiale skal opdeles eller forkortes. Inputforberedelsen skelner mellem spørgsmål og dokument: modellen er trænet til at sammenholde deres roller, så samme streng i de to opgaver skal formateres under hensyn til formålet.\n\nVektorerne længdenormaliseres. Med denne repræsentation er skalarprodukt og cosinuslighed ækvivalente sammenligninger. De første 1024 eller 512 koordinater i den fulde vektor kan beholdes, men efter afkortning skal normaliseringen udføres igen. Det er en egenskab ved resultatbehandlingen; dimensionsvalget skal være ensartet for samling og forespørgsler.\n\n### Den kompakte models opbygning\n\nEncoderen har omkring 1,14 milliarder parametre. Den er afledt af en Ministral 3 3B-baseret model gennem to trin af strukturel reduktion og destillation. Tovejsattention inddrager hele inputtet, hvorefter tokenrepræsentationerne gennemsnitsberegnes til én samlet vektor.\n\nNVIDIA udgiver BF16- og NVFP4-varianter. Deres repræsentationsrum ligger tæt, men variantskift kræver kontrol på egne dokumenter. Hverken numerisk lighed eller kontekstlængde garanterer, at søgningen altid vælger det korrekte afsnit.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "abce730a3df113dbb7bebda4703a13d2ce175edd98e4be57f2c13a5b2e535ef7", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "nvidia/nemotron-3-embed-1bNemotron 3 Embed 1B omsætter tekst til vektorer til flersproget søgning, kodesøgning og RAG. Behandler sekvenser op til 32768 tokens og leverer en repræsentation med 2048 tal.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Nemotron 3 Embed 1B er en tekstmodel fra NVIDIA til semantisk søgning og sammenholdelse af afsnit. Den koder spørgsmål, dokumenter og programkode til tætte numeriske vektorer. De bruges til at finde kontekst i store samlinger, supplere et assistentsvar eller hente tidligere gemt information til næste agenttrin.
Modellen er beregnet til søgning på flere sprog og på tværs af sprog: spørgsmål og passende materiale kan være skrevet på forskellige sprog. Russisk indgår i de 34 offentliggjorte sprog sammen med engelsk, ukrainsk, kinesisk, japansk, arabisk og andre. Det er nyttigt i fælles vidensbaser, hvor tekniske dokumenter og brugerhenvendelser ikke er på samme sprog.
Opgaverne omfatter dokumentationssøgning, tekstsammenholdelse og kodeudtræk ud fra en sproglig beskrivelse. Det store inputvindue giver plads til lange dokumenter, meget kodekontekst og flere agenttrins historik. Det fundne materiale går videre i processen som kontekst; systemets næste komponent formulerer forklaringer og svar.
Input er tekststrenge. Hver streng giver én vektor med 2048 tal. Den maksimale sekvenslængde er 32768 tokens; længere materiale skal opdeles eller forkortes. Inputforberedelsen skelner mellem spørgsmål og dokument: modellen er trænet til at sammenholde deres roller, så samme streng i de to opgaver skal formateres under hensyn til formålet.
Vektorerne længdenormaliseres. Med denne repræsentation er skalarprodukt og cosinuslighed ækvivalente sammenligninger. De første 1024 eller 512 koordinater i den fulde vektor kan beholdes, men efter afkortning skal normaliseringen udføres igen. Det er en egenskab ved resultatbehandlingen; dimensionsvalget skal være ensartet for samling og forespørgsler.
Encoderen har omkring 1,14 milliarder parametre. Den er afledt af en Ministral 3 3B-baseret model gennem to trin af strukturel reduktion og destillation. Tovejsattention inddrager hele inputtet, hvorefter tokenrepræsentationerne gennemsnitsberegnes til én samlet vektor.
NVIDIA udgiver BF16- og NVFP4-varianter. Deres repræsentationsrum ligger tæt, men variantskift kræver kontrol på egne dokumenter. Hverken numerisk lighed eller kontekstlængde garanterer, at søgningen altid vælger det korrekte afsnit.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser nvidia/nemotron-3-embed-1b | 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/nemotron-3-embed-1b", "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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Brug metodestierne vist ovenfor.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embedNemotron 3 Embed 1B omsætter tekst til vektorer til flersproget søgning, kodesøgning og RAG. Behandler sekvenser op til 32768 tokens og leverer en repræsentation med 2048 tal.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Nemotron 3 Embed 1B er en tekstmodel fra NVIDIA til semantisk søgning og sammenholdelse af afsnit. Den koder spørgsmål, dokumenter og programkode til tætte numeriske vektorer. De bruges til at finde kontekst i store samlinger, supplere et assistentsvar eller hente tidligere gemt information til næste agenttrin.
Modellen er beregnet til søgning på flere sprog og på tværs af sprog: spørgsmål og passende materiale kan være skrevet på forskellige sprog. Russisk indgår i de 34 offentliggjorte sprog sammen med engelsk, ukrainsk, kinesisk, japansk, arabisk og andre. Det er nyttigt i fælles vidensbaser, hvor tekniske dokumenter og brugerhenvendelser ikke er på samme sprog.
Opgaverne omfatter dokumentationssøgning, tekstsammenholdelse og kodeudtræk ud fra en sproglig beskrivelse. Det store inputvindue giver plads til lange dokumenter, meget kodekontekst og flere agenttrins historik. Det fundne materiale går videre i processen som kontekst; systemets næste komponent formulerer forklaringer og svar.
Input er tekststrenge. Hver streng giver én vektor med 2048 tal. Den maksimale sekvenslængde er 32768 tokens; længere materiale skal opdeles eller forkortes. Inputforberedelsen skelner mellem spørgsmål og dokument: modellen er trænet til at sammenholde deres roller, så samme streng i de to opgaver skal formateres under hensyn til formålet.
Vektorerne længdenormaliseres. Med denne repræsentation er skalarprodukt og cosinuslighed ækvivalente sammenligninger. De første 1024 eller 512 koordinater i den fulde vektor kan beholdes, men efter afkortning skal normaliseringen udføres igen. Det er en egenskab ved resultatbehandlingen; dimensionsvalget skal være ensartet for samling og forespørgsler.
Encoderen har omkring 1,14 milliarder parametre. Den er afledt af en Ministral 3 3B-baseret model gennem to trin af strukturel reduktion og destillation. Tovejsattention inddrager hele inputtet, hvorefter tokenrepræsentationerne gennemsnitsberegnes til én samlet vektor.
NVIDIA udgiver BF16- og NVFP4-varianter. Deres repræsentationsrum ligger tæt, men variantskift kræver kontrol på egne dokumenter. Hverken numerisk lighed eller kontekstlængde garanterer, at søgningen altid vælger det korrekte afsnit.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser nemotron-3-embed | 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-3-embed", "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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Brug metodestierne vist ovenfor.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embed-latestNemotron 3 Embed 1B omsætter tekst til vektorer til flersproget søgning, kodesøgning og RAG. Behandler sekvenser op til 32768 tokens og leverer en repræsentation med 2048 tal.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Nemotron 3 Embed 1B er en tekstmodel fra NVIDIA til semantisk søgning og sammenholdelse af afsnit. Den koder spørgsmål, dokumenter og programkode til tætte numeriske vektorer. De bruges til at finde kontekst i store samlinger, supplere et assistentsvar eller hente tidligere gemt information til næste agenttrin.
Modellen er beregnet til søgning på flere sprog og på tværs af sprog: spørgsmål og passende materiale kan være skrevet på forskellige sprog. Russisk indgår i de 34 offentliggjorte sprog sammen med engelsk, ukrainsk, kinesisk, japansk, arabisk og andre. Det er nyttigt i fælles vidensbaser, hvor tekniske dokumenter og brugerhenvendelser ikke er på samme sprog.
Opgaverne omfatter dokumentationssøgning, tekstsammenholdelse og kodeudtræk ud fra en sproglig beskrivelse. Det store inputvindue giver plads til lange dokumenter, meget kodekontekst og flere agenttrins historik. Det fundne materiale går videre i processen som kontekst; systemets næste komponent formulerer forklaringer og svar.
Input er tekststrenge. Hver streng giver én vektor med 2048 tal. Den maksimale sekvenslængde er 32768 tokens; længere materiale skal opdeles eller forkortes. Inputforberedelsen skelner mellem spørgsmål og dokument: modellen er trænet til at sammenholde deres roller, så samme streng i de to opgaver skal formateres under hensyn til formålet.
Vektorerne længdenormaliseres. Med denne repræsentation er skalarprodukt og cosinuslighed ækvivalente sammenligninger. De første 1024 eller 512 koordinater i den fulde vektor kan beholdes, men efter afkortning skal normaliseringen udføres igen. Det er en egenskab ved resultatbehandlingen; dimensionsvalget skal være ensartet for samling og forespørgsler.
Encoderen har omkring 1,14 milliarder parametre. Den er afledt af en Ministral 3 3B-baseret model gennem to trin af strukturel reduktion og destillation. Tovejsattention inddrager hele inputtet, hvorefter tokenrepræsentationerne gennemsnitsberegnes til én samlet vektor.
NVIDIA udgiver BF16- og NVFP4-varianter. Deres repræsentationsrum ligger tæt, men variantskift kræver kontrol på egne dokumenter. Hverken numerisk lighed eller kontekstlængde garanterer, at søgningen altid vælger det korrekte afsnit.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser nemotron-3-embed-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-3-embed-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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Brug metodestierne vist ovenfor.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest