Llama Nemotron Embed VL 1B v2 wurde von NVIDIA zur Suche nach Materialien entwickelt, die bei der Beantwortung einer Frage helfen. Die Anfrage ist Text. Im aktuellen Ailoot-Katalog ist für das Modell Texteingabe angegeben: Frage und Material werden als Text kodiert. Der Hersteller beschreibt auch Dokumente als Seitenbild oder als Bild gemeinsam mit extrahiertem Text. Diese visuellen Varianten erfordern eine eigene Methode mit Bildunterstützung. Bei passender Eingabe stellt das Modell Tabellen, Grafiken und Infografiken in einem gemeinsamen Vektorraum dar.
Diese Suche eignet sich für Frage-Antwort-Assistenten über große Dokumentbestände, interne Nachschlagewerke und Forschungsmaterialien. Das Kodierungsergebnis ist ein Zahlenvektor. Eine gefundene Seite oder ein Abschnitt kann anschließend einem antwortenden Modell übergeben werden; Embed VL selbst übernimmt die Suche nach Kontext.
Anfrage und Dokument werden unabhängig kodiert. Eine Sammlung kann daher vorab verarbeitet und ihre Vektoren zusammen mit den ursprünglichen Seiten gespeichert werden. Bei einer neuen Frage muss nur der Anfragevektor berechnet werden. Vektorähnlichkeit hilft, Materialien nach Bedeutung auszuwählen. Die Textrollen für Anfrage und Dokument unterscheiden sich; diese Unterscheidung muss bei der Datenvorbereitung erhalten bleiben.
Jede Eingabe wird in einen Vektor mit bis zu 2048 Zahlen umgewandelt. Im Textmodus gilt ein Budget von 8192 Tokens. Für die visuelle Herstellermethode mit Bild und Text ist ein gemeinsames Budget von 10240 Tokens beschrieben, das beide Teile umfasst; es ist nicht das Textlimit der Ailoot-Methode. Das Bild wird in Abschnitte zerlegt. In der beschriebenen Konfiguration sind bis zu sechs Abschnitte und eine verkleinerte Kopie der gesamten Seite zulässig, zusammen rund 1792 visuelle Tokens. Lange Texte müssen geteilt oder gekürzt werden.
Der Sprachteil basiert auf Llama 3.2 1B, der visuelle Teil auf SigLIP2. Beide werden zu einem Encoder verbunden, der die Darstellungen der Eingabetokens mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Training bringt die Frage der passenden Seite näher und entfernt sie von nicht relevanten Materialien. Die Suche bleibt probabilistisch: Ähnliche Vektoren garantieren nicht, dass der gewählte Abschnitt die richtige Antwort enthält.
", "aboutText": "### Die passende Seite zu einer Frage finden\n\nLlama Nemotron Embed VL 1B v2 wurde von NVIDIA zur Suche nach Materialien entwickelt, die bei der Beantwortung einer Frage helfen. Die Anfrage ist Text. Im aktuellen Ailoot-Katalog ist für das Modell Texteingabe angegeben: Frage und Material werden als Text kodiert. Der Hersteller beschreibt auch Dokumente als Seitenbild oder als Bild gemeinsam mit extrahiertem Text. Diese visuellen Varianten erfordern eine eigene Methode mit Bildunterstützung. Bei passender Eingabe stellt das Modell Tabellen, Grafiken und Infografiken in einem gemeinsamen Vektorraum dar.\n\nDiese Suche eignet sich für Frage-Antwort-Assistenten über große Dokumentbestände, interne Nachschlagewerke und Forschungsmaterialien. Das Kodierungsergebnis ist ein Zahlenvektor. Eine gefundene Seite oder ein Abschnitt kann anschließend einem antwortenden Modell übergeben werden; Embed VL selbst übernimmt die Suche nach Kontext.\n\n### Dokumentvarianten beim Hersteller\n\n- Textdokument: ein einzelner Abschnitt, ein Fragment oder bereits erkannter Seitentext.\n- Bild: die gesamte Seite mit Text, Tabellen und grafischen Elementen.\n- Bild mit Text: Die visuelle Seite und ihr Textinhalt werden in einer Darstellung verbunden.\n\nAnfrage und Dokument werden unabhängig kodiert. Eine Sammlung kann daher vorab verarbeitet und ihre Vektoren zusammen mit den ursprünglichen Seiten gespeichert werden. Bei einer neuen Frage muss nur der Anfragevektor berechnet werden. Vektorähnlichkeit hilft, Materialien nach Bedeutung auszuwählen. Die Textrollen für Anfrage und Dokument unterscheiden sich; diese Unterscheidung muss bei der Datenvorbereitung erhalten bleiben.\n\n### Darstellungsgröße und Eingabelänge\n\nJede Eingabe wird in einen Vektor mit bis zu 2048 Zahlen umgewandelt. Im Textmodus gilt ein Budget von 8192 Tokens. Für die visuelle Herstellermethode mit Bild und Text ist ein gemeinsames Budget von 10240 Tokens beschrieben, das beide Teile umfasst; es ist nicht das Textlimit der Ailoot-Methode. Das Bild wird in Abschnitte zerlegt. In der beschriebenen Konfiguration sind bis zu sechs Abschnitte und eine verkleinerte Kopie der gesamten Seite zulässig, zusammen rund 1792 visuelle Tokens. Lange Texte müssen geteilt oder gekürzt werden.\n\nDer Sprachteil basiert auf Llama 3.2 1B, der visuelle Teil auf SigLIP2. Beide werden zu einem Encoder verbunden, der die Darstellungen der Eingabetokens mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Training bringt die Frage der passenden Seite näher und entfernt sie von nicht relevanten Materialien. Die Suche bleibt probabilistisch: Ähnliche Vektoren garantieren nicht, dass der gewählte Abschnitt die richtige Antwort enthält.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a17b3fe6b01c8e8900ee0e20df6491bc9baf190045e34bf35a251eebe223a22c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Llama Nemotron Embed VL v2 erstellt Vektoren für semantische Dokumentsuche. Im aktuellen Ailoot-Katalog ist Texteingabe für Suchanfragen und Materialien angegeben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Llama Nemotron Embed VL 1B v2 wurde von NVIDIA zur Suche nach Materialien entwickelt, die bei der Beantwortung einer Frage helfen. Die Anfrage ist Text. Im aktuellen Ailoot-Katalog ist für das Modell Texteingabe angegeben: Frage und Material werden als Text kodiert. Der Hersteller beschreibt auch Dokumente als Seitenbild oder als Bild gemeinsam mit extrahiertem Text. Diese visuellen Varianten erfordern eine eigene Methode mit Bildunterstützung. Bei passender Eingabe stellt das Modell Tabellen, Grafiken und Infografiken in einem gemeinsamen Vektorraum dar.
Diese Suche eignet sich für Frage-Antwort-Assistenten über große Dokumentbestände, interne Nachschlagewerke und Forschungsmaterialien. Das Kodierungsergebnis ist ein Zahlenvektor. Eine gefundene Seite oder ein Abschnitt kann anschließend einem antwortenden Modell übergeben werden; Embed VL selbst übernimmt die Suche nach Kontext.
Anfrage und Dokument werden unabhängig kodiert. Eine Sammlung kann daher vorab verarbeitet und ihre Vektoren zusammen mit den ursprünglichen Seiten gespeichert werden. Bei einer neuen Frage muss nur der Anfragevektor berechnet werden. Vektorähnlichkeit hilft, Materialien nach Bedeutung auszuwählen. Die Textrollen für Anfrage und Dokument unterscheiden sich; diese Unterscheidung muss bei der Datenvorbereitung erhalten bleiben.
Jede Eingabe wird in einen Vektor mit bis zu 2048 Zahlen umgewandelt. Im Textmodus gilt ein Budget von 8192 Tokens. Für die visuelle Herstellermethode mit Bild und Text ist ein gemeinsames Budget von 10240 Tokens beschrieben, das beide Teile umfasst; es ist nicht das Textlimit der Ailoot-Methode. Das Bild wird in Abschnitte zerlegt. In der beschriebenen Konfiguration sind bis zu sechs Abschnitte und eine verkleinerte Kopie der gesamten Seite zulässig, zusammen rund 1792 visuelle Tokens. Lange Texte müssen geteilt oder gekürzt werden.
Der Sprachteil basiert auf Llama 3.2 1B, der visuelle Teil auf SigLIP2. Beide werden zu einem Encoder verbunden, der die Darstellungen der Eingabetokens mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Training bringt die Frage der passenden Seite näher und entfernt sie von nicht relevanten Materialien. Die Suche bleibt probabilistisch: Ähnliche Vektoren garantieren nicht, dass der gewählte Abschnitt die richtige Antwort enthält.
POST /v1/embeddingstextembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nvidia/llama-nemotron-embed-vl-1b-v2 | Standard— |
Feldinput | Typstring|string[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Jede Zeichenfolge muss nach trim nicht leer sein; data-URIs werden abgelehnt; das akzeptierte Budget misst die relevanten UTF8-Bytes. | Standard— |
Feldinput_type | Typstring | AnforderungOptional | Werte und Limits query, passage | Standardquery |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float, base64 | Standardfloat |
Feldtruncate | Typstring | AnforderungOptional | Werte und Limits NONE, START, END | Standard— |
Felddimensions | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/embeddingsAiloot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
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
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Dekodieren Sie base64-Vektoren nur, wenn dieses Format angefordert wurde; bewahren Sie jeden Vektor mit seinem ursprünglichen Index auf.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[]|base64 float32 vector |
Feldmodel | Typstring |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Verwenden Sie die oben angezeigten Methodenpfade.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlLlama Nemotron Embed VL v2 erstellt Vektoren für semantische Dokumentsuche. Im aktuellen Ailoot-Katalog ist Texteingabe für Suchanfragen und Materialien angegeben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Llama Nemotron Embed VL 1B v2 wurde von NVIDIA zur Suche nach Materialien entwickelt, die bei der Beantwortung einer Frage helfen. Die Anfrage ist Text. Im aktuellen Ailoot-Katalog ist für das Modell Texteingabe angegeben: Frage und Material werden als Text kodiert. Der Hersteller beschreibt auch Dokumente als Seitenbild oder als Bild gemeinsam mit extrahiertem Text. Diese visuellen Varianten erfordern eine eigene Methode mit Bildunterstützung. Bei passender Eingabe stellt das Modell Tabellen, Grafiken und Infografiken in einem gemeinsamen Vektorraum dar.
Diese Suche eignet sich für Frage-Antwort-Assistenten über große Dokumentbestände, interne Nachschlagewerke und Forschungsmaterialien. Das Kodierungsergebnis ist ein Zahlenvektor. Eine gefundene Seite oder ein Abschnitt kann anschließend einem antwortenden Modell übergeben werden; Embed VL selbst übernimmt die Suche nach Kontext.
Anfrage und Dokument werden unabhängig kodiert. Eine Sammlung kann daher vorab verarbeitet und ihre Vektoren zusammen mit den ursprünglichen Seiten gespeichert werden. Bei einer neuen Frage muss nur der Anfragevektor berechnet werden. Vektorähnlichkeit hilft, Materialien nach Bedeutung auszuwählen. Die Textrollen für Anfrage und Dokument unterscheiden sich; diese Unterscheidung muss bei der Datenvorbereitung erhalten bleiben.
Jede Eingabe wird in einen Vektor mit bis zu 2048 Zahlen umgewandelt. Im Textmodus gilt ein Budget von 8192 Tokens. Für die visuelle Herstellermethode mit Bild und Text ist ein gemeinsames Budget von 10240 Tokens beschrieben, das beide Teile umfasst; es ist nicht das Textlimit der Ailoot-Methode. Das Bild wird in Abschnitte zerlegt. In der beschriebenen Konfiguration sind bis zu sechs Abschnitte und eine verkleinerte Kopie der gesamten Seite zulässig, zusammen rund 1792 visuelle Tokens. Lange Texte müssen geteilt oder gekürzt werden.
Der Sprachteil basiert auf Llama 3.2 1B, der visuelle Teil auf SigLIP2. Beide werden zu einem Encoder verbunden, der die Darstellungen der Eingabetokens mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Training bringt die Frage der passenden Seite näher und entfernt sie von nicht relevanten Materialien. Die Suche bleibt probabilistisch: Ähnliche Vektoren garantieren nicht, dass der gewählte Abschnitt die richtige Antwort enthält.
POST /v1/embeddingstextembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nemotron-embed-vl | Standard— |
Feldinput | Typstring|string[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Jede Zeichenfolge muss nach trim nicht leer sein; data-URIs werden abgelehnt; das akzeptierte Budget misst die relevanten UTF8-Bytes. | Standard— |
Feldinput_type | Typstring | AnforderungOptional | Werte und Limits query, passage | Standardquery |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float, base64 | Standardfloat |
Feldtruncate | Typstring | AnforderungOptional | Werte und Limits NONE, START, END | Standard— |
Felddimensions | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/embeddingsAiloot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
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
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Dekodieren Sie base64-Vektoren nur, wenn dieses Format angefordert wurde; bewahren Sie jeden Vektor mit seinem ursprünglichen Index auf.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[]|base64 float32 vector |
Feldmodel | Typstring |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Verwenden Sie die oben angezeigten Methodenpfade.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestLlama Nemotron Embed VL v2 erstellt Vektoren für semantische Dokumentsuche. Im aktuellen Ailoot-Katalog ist Texteingabe für Suchanfragen und Materialien angegeben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Llama Nemotron Embed VL 1B v2 wurde von NVIDIA zur Suche nach Materialien entwickelt, die bei der Beantwortung einer Frage helfen. Die Anfrage ist Text. Im aktuellen Ailoot-Katalog ist für das Modell Texteingabe angegeben: Frage und Material werden als Text kodiert. Der Hersteller beschreibt auch Dokumente als Seitenbild oder als Bild gemeinsam mit extrahiertem Text. Diese visuellen Varianten erfordern eine eigene Methode mit Bildunterstützung. Bei passender Eingabe stellt das Modell Tabellen, Grafiken und Infografiken in einem gemeinsamen Vektorraum dar.
Diese Suche eignet sich für Frage-Antwort-Assistenten über große Dokumentbestände, interne Nachschlagewerke und Forschungsmaterialien. Das Kodierungsergebnis ist ein Zahlenvektor. Eine gefundene Seite oder ein Abschnitt kann anschließend einem antwortenden Modell übergeben werden; Embed VL selbst übernimmt die Suche nach Kontext.
Anfrage und Dokument werden unabhängig kodiert. Eine Sammlung kann daher vorab verarbeitet und ihre Vektoren zusammen mit den ursprünglichen Seiten gespeichert werden. Bei einer neuen Frage muss nur der Anfragevektor berechnet werden. Vektorähnlichkeit hilft, Materialien nach Bedeutung auszuwählen. Die Textrollen für Anfrage und Dokument unterscheiden sich; diese Unterscheidung muss bei der Datenvorbereitung erhalten bleiben.
Jede Eingabe wird in einen Vektor mit bis zu 2048 Zahlen umgewandelt. Im Textmodus gilt ein Budget von 8192 Tokens. Für die visuelle Herstellermethode mit Bild und Text ist ein gemeinsames Budget von 10240 Tokens beschrieben, das beide Teile umfasst; es ist nicht das Textlimit der Ailoot-Methode. Das Bild wird in Abschnitte zerlegt. In der beschriebenen Konfiguration sind bis zu sechs Abschnitte und eine verkleinerte Kopie der gesamten Seite zulässig, zusammen rund 1792 visuelle Tokens. Lange Texte müssen geteilt oder gekürzt werden.
Der Sprachteil basiert auf Llama 3.2 1B, der visuelle Teil auf SigLIP2. Beide werden zu einem Encoder verbunden, der die Darstellungen der Eingabetokens mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Training bringt die Frage der passenden Seite näher und entfernt sie von nicht relevanten Materialien. Die Suche bleibt probabilistisch: Ähnliche Vektoren garantieren nicht, dass der gewählte Abschnitt die richtige Antwort enthält.
POST /v1/embeddingstextembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nemotron-embed-vl-latest | Standard— |
Feldinput | Typstring|string[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Jede Zeichenfolge muss nach trim nicht leer sein; data-URIs werden abgelehnt; das akzeptierte Budget misst die relevanten UTF8-Bytes. | Standard— |
Feldinput_type | Typstring | AnforderungOptional | Werte und Limits query, passage | Standardquery |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float, base64 | Standardfloat |
Feldtruncate | Typstring | AnforderungOptional | Werte und Limits NONE, START, END | Standard— |
Felddimensions | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/embeddingsAiloot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
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
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Dekodieren Sie base64-Vektoren nur, wenn dieses Format angefordert wurde; bewahren Sie jeden Vektor mit seinem ursprünglichen Index auf.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[]|base64 float32 vector |
Feldmodel | Typstring |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Verwenden Sie die oben angezeigten Methodenpfade.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest