Nemotron 3 Embed 1B ist NVIDIAs Text-Embedding-Familie für mehrsprachige und sprachübergreifende Informationssuche sowie semantische Ähnlichkeit. Sie wandelt eine Frage oder Passage in einen dichten Vektor um, den ein Suchsystem mit anderen Textrepräsentationen vergleichen kann. Der Hersteller bewertet die dokumentierten 1B-Veröffentlichungen in vierunddreißig Sprach- und Sprachvarianteneinstellungen, darunter Englisch, Arabisch, Chinesisch, Russisch, Japanisch, Koreanisch und Hinglish.
Die Modellkarte des Herstellers beschreibt einen von Ministral 3 abgeleiteten, durch Pruning reduzierten bidirektionalen Transformer. Er hat ungefähr 1,14 Milliarden Parameter und mittelt die Repräsentationen auf Tokenebene, um ein Embedding pro Text zu erhalten. Die native Ausgabe ist ein 2048-dimensionaler Gleitkommavektor. Dies ist eine Suchrepräsentation und keine schriftliche Antwort auf die eingebettete Frage.
Der Hersteller unterstützt außerdem die Beibehaltung des ersten Teils dieser Repräsentation, beispielsweise mit 1024 oder 512 Dimensionen. Der verkürzte Vektor muss nach dem Abschneiden erneut L2-normalisiert werden. Halten Sie gewählte Repräsentationslänge und Normalisierung auf Anfrage- und Korpusseite einer Suchaufgabe einheitlich. Vektorlänge und Eingabesequenzlänge sind getrennte Eigenschaften.
Die dokumentierte Suchkonvention verwendet „query:“ für eine Frage und „passage:“ für Dokumenttext. Die Beispiele des Anbieters wenden diese Rollen vor der Kodierung an und vergleichen normalisierte Vektoren mit einem Skalarprodukt, das der Kosinusähnlichkeit entspricht. Verwenden Sie die vom gewählten Workflow erwartete Vorbereitung, statt eine rohe Korpusrepräsentation mit einer anders vorbereiteten Anfrage zu mischen.
Eine praktische Sammlung kann technische Erklärungen, Richtlinien oder codebezogene Dokumentation enthalten. Eine Frage dazu, wie eine Funktion einen bestimmten Fall behandelt, sollte die Quellpassage oder den Codeausschnitt abrufen, der dieses Verhalten beschreibt. Bewahren Sie Kennungen, Überschriften und relevante Bedingungen beim tatsächlichen Passagentext. Der Vektor macht den Kandidaten durchsuchbar; die erhaltene Quelle ist das Material, das Leser oder ein späterer RAG-Antwortschritt verwenden.
Die dokumentierte maximale Sequenzlänge beträgt 32.768 Tokens. Wählen Sie Passagengrenzen bewusst, auch wenn das Modell umfangreichen Text aufnehmen kann. Ein vollständiger Abschnitt kann eine Definition und ihre Ausnahmen bewahren; ein fokussierter Ausschnitt kann die Prüfung einer konkreten Antwort erleichtern. Eingaben jenseits des Modellfensters benötigen Aufteilung oder Kürzung; das ausgelassene Ende sollte daher nicht als repräsentierter Inhalt behandelt werden.
Verknüpfen Sie jedes eingebettete Element mit seinem übergeordneten Dokument und dessen Version. Bewahren Sie bei einem Bericht den Abschnittstitel und die Erklärung rund um die Schlussfolgerung, auf die sich die Frage bezieht. Halten Sie bei einer Codesuche Funktionsnamen, relevante Schnittstelle und Verhalten beim Ausschnitt. Dies liefert ein konkretes Quellartefakt, wenn der Suchschritt einen Kandidaten zurückgibt.
NVIDIA dokumentiert BF16- und NVFP4-Versionen der 1B-Familie. Die Karte des quantisierten Modells erklärt, dass diese beiden Veröffentlichungen einen Embedding-Raum teilen, und empfiehlt, beim Versionswechsel die Suchqualität anhand repräsentativen Materials zu prüfen. Die erklärte gemeinsame Repräsentation ist eine Herstelleraussage über dieses benannte Paar, keine allgemeine Regel für jedes Modell mit 2048 Ausgabewerten.
Das nützliche Ergebnis ist ein Anfragevektor oder eine indizierte Quellsammlung mit dokumentiertem Modell, gewählter Dimension und Vorbereitung. Geben Sie den Kandidatentext mit seiner Kennung zurück und prüfen Sie, ob er die benötigten Informationen liefert. Der Hersteller weist ausdrücklich darauf hin, dass ein Suchmodell nicht für jede Frage die richtige Passage garantiert; ein späterer Reranking- oder Antwortschritt bearbeitet diese Kandidaten als eigene Aufgabe.
", "aboutText": "Nemotron 3 Embed 1B ist NVIDIAs Text-Embedding-Familie für mehrsprachige und sprachübergreifende Informationssuche sowie semantische Ähnlichkeit. Sie wandelt eine Frage oder Passage in einen dichten Vektor um, den ein Suchsystem mit anderen Textrepräsentationen vergleichen kann. Der Hersteller bewertet die dokumentierten 1B-Veröffentlichungen in vierunddreißig Sprach- und Sprachvarianteneinstellungen, darunter Englisch, Arabisch, Chinesisch, Russisch, Japanisch, Koreanisch und Hinglish.\n\n### Encoder und Repräsentation\n\nDie Modellkarte des Herstellers beschreibt einen von Ministral 3 abgeleiteten, durch Pruning reduzierten bidirektionalen Transformer. Er hat ungefähr 1,14 Milliarden Parameter und mittelt die Repräsentationen auf Tokenebene, um ein Embedding pro Text zu erhalten. Die native Ausgabe ist ein 2048-dimensionaler Gleitkommavektor. Dies ist eine Suchrepräsentation und keine schriftliche Antwort auf die eingebettete Frage.\n\nDer Hersteller unterstützt außerdem die Beibehaltung des ersten Teils dieser Repräsentation, beispielsweise mit 1024 oder 512 Dimensionen. Der verkürzte Vektor muss nach dem Abschneiden erneut L2-normalisiert werden. Halten Sie gewählte Repräsentationslänge und Normalisierung auf Anfrage- und Korpusseite einer Suchaufgabe einheitlich. Vektorlänge und Eingabesequenzlänge sind getrennte Eigenschaften.\n\n### Anfragen und Passagen vorbereiten\n\nDie dokumentierte Suchkonvention verwendet „query:“ für eine Frage und „passage:“ für Dokumenttext. Die Beispiele des Anbieters wenden diese Rollen vor der Kodierung an und vergleichen normalisierte Vektoren mit einem Skalarprodukt, das der Kosinusähnlichkeit entspricht. Verwenden Sie die vom gewählten Workflow erwartete Vorbereitung, statt eine rohe Korpusrepräsentation mit einer anders vorbereiteten Anfrage zu mischen.\n\nEine praktische Sammlung kann technische Erklärungen, Richtlinien oder codebezogene Dokumentation enthalten. Eine Frage dazu, wie eine Funktion einen bestimmten Fall behandelt, sollte die Quellpassage oder den Codeausschnitt abrufen, der dieses Verhalten beschreibt. Bewahren Sie Kennungen, Überschriften und relevante Bedingungen beim tatsächlichen Passagentext. Der Vektor macht den Kandidaten durchsuchbar; die erhaltene Quelle ist das Material, das Leser oder ein späterer RAG-Antwortschritt verwenden.\n\n### Längeres Quellmaterial\n\nDie dokumentierte maximale Sequenzlänge beträgt 32.768 Tokens. Wählen Sie Passagengrenzen bewusst, auch wenn das Modell umfangreichen Text aufnehmen kann. Ein vollständiger Abschnitt kann eine Definition und ihre Ausnahmen bewahren; ein fokussierter Ausschnitt kann die Prüfung einer konkreten Antwort erleichtern. Eingaben jenseits des Modellfensters benötigen Aufteilung oder Kürzung; das ausgelassene Ende sollte daher nicht als repräsentierter Inhalt behandelt werden.\n\nVerknüpfen Sie jedes eingebettete Element mit seinem übergeordneten Dokument und dessen Version. Bewahren Sie bei einem Bericht den Abschnittstitel und die Erklärung rund um die Schlussfolgerung, auf die sich die Frage bezieht. Halten Sie bei einer Codesuche Funktionsnamen, relevante Schnittstelle und Verhalten beim Ausschnitt. Dies liefert ein konkretes Quellartefakt, wenn der Suchschritt einen Kandidaten zurückgibt.\n\n### Familienausgaben und Ergebnisnutzung\n\nNVIDIA dokumentiert BF16- und NVFP4-Versionen der 1B-Familie. Die Karte des quantisierten Modells erklärt, dass diese beiden Veröffentlichungen einen Embedding-Raum teilen, und empfiehlt, beim Versionswechsel die Suchqualität anhand repräsentativen Materials zu prüfen. Die erklärte gemeinsame Repräsentation ist eine Herstelleraussage über dieses benannte Paar, keine allgemeine Regel für jedes Modell mit 2048 Ausgabewerten.\n\nDas nützliche Ergebnis ist ein Anfragevektor oder eine indizierte Quellsammlung mit dokumentiertem Modell, gewählter Dimension und Vorbereitung. Geben Sie den Kandidatentext mit seiner Kennung zurück und prüfen Sie, ob er die benötigten Informationen liefert. Der Hersteller weist ausdrücklich darauf hin, dass ein Suchmodell nicht für jede Frage die richtige Passage garantiert; ein späterer Reranking- oder Antwortschritt bearbeitet diese Kandidaten als eigene Aufgabe.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "58b2357e50a185b2d5e319433e0bd11d28d8196df6d265ad989bde920f616e5d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "nvidia/nemotron-3-embed-1b:freeNVIDIA Nemotron 3 Embed 1B stellt mehrsprachige Abfragen und Textpassagen als 2048-dimensionale Vektoren für Suche und RAG dar. Die dokumentierte Modellfamilie unterstützt Sequenzen mit 32.768 Token sowie kleinere Vektoren mit erneuter Normalisierung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Nemotron 3 Embed 1B ist NVIDIAs Text-Embedding-Familie für mehrsprachige und sprachübergreifende Informationssuche sowie semantische Ähnlichkeit. Sie wandelt eine Frage oder Passage in einen dichten Vektor um, den ein Suchsystem mit anderen Textrepräsentationen vergleichen kann. Der Hersteller bewertet die dokumentierten 1B-Veröffentlichungen in vierunddreißig Sprach- und Sprachvarianteneinstellungen, darunter Englisch, Arabisch, Chinesisch, Russisch, Japanisch, Koreanisch und Hinglish.
Die Modellkarte des Herstellers beschreibt einen von Ministral 3 abgeleiteten, durch Pruning reduzierten bidirektionalen Transformer. Er hat ungefähr 1,14 Milliarden Parameter und mittelt die Repräsentationen auf Tokenebene, um ein Embedding pro Text zu erhalten. Die native Ausgabe ist ein 2048-dimensionaler Gleitkommavektor. Dies ist eine Suchrepräsentation und keine schriftliche Antwort auf die eingebettete Frage.
Der Hersteller unterstützt außerdem die Beibehaltung des ersten Teils dieser Repräsentation, beispielsweise mit 1024 oder 512 Dimensionen. Der verkürzte Vektor muss nach dem Abschneiden erneut L2-normalisiert werden. Halten Sie gewählte Repräsentationslänge und Normalisierung auf Anfrage- und Korpusseite einer Suchaufgabe einheitlich. Vektorlänge und Eingabesequenzlänge sind getrennte Eigenschaften.
Die dokumentierte Suchkonvention verwendet „query:“ für eine Frage und „passage:“ für Dokumenttext. Die Beispiele des Anbieters wenden diese Rollen vor der Kodierung an und vergleichen normalisierte Vektoren mit einem Skalarprodukt, das der Kosinusähnlichkeit entspricht. Verwenden Sie die vom gewählten Workflow erwartete Vorbereitung, statt eine rohe Korpusrepräsentation mit einer anders vorbereiteten Anfrage zu mischen.
Eine praktische Sammlung kann technische Erklärungen, Richtlinien oder codebezogene Dokumentation enthalten. Eine Frage dazu, wie eine Funktion einen bestimmten Fall behandelt, sollte die Quellpassage oder den Codeausschnitt abrufen, der dieses Verhalten beschreibt. Bewahren Sie Kennungen, Überschriften und relevante Bedingungen beim tatsächlichen Passagentext. Der Vektor macht den Kandidaten durchsuchbar; die erhaltene Quelle ist das Material, das Leser oder ein späterer RAG-Antwortschritt verwenden.
Die dokumentierte maximale Sequenzlänge beträgt 32.768 Tokens. Wählen Sie Passagengrenzen bewusst, auch wenn das Modell umfangreichen Text aufnehmen kann. Ein vollständiger Abschnitt kann eine Definition und ihre Ausnahmen bewahren; ein fokussierter Ausschnitt kann die Prüfung einer konkreten Antwort erleichtern. Eingaben jenseits des Modellfensters benötigen Aufteilung oder Kürzung; das ausgelassene Ende sollte daher nicht als repräsentierter Inhalt behandelt werden.
Verknüpfen Sie jedes eingebettete Element mit seinem übergeordneten Dokument und dessen Version. Bewahren Sie bei einem Bericht den Abschnittstitel und die Erklärung rund um die Schlussfolgerung, auf die sich die Frage bezieht. Halten Sie bei einer Codesuche Funktionsnamen, relevante Schnittstelle und Verhalten beim Ausschnitt. Dies liefert ein konkretes Quellartefakt, wenn der Suchschritt einen Kandidaten zurückgibt.
NVIDIA dokumentiert BF16- und NVFP4-Versionen der 1B-Familie. Die Karte des quantisierten Modells erklärt, dass diese beiden Veröffentlichungen einen Embedding-Raum teilen, und empfiehlt, beim Versionswechsel die Suchqualität anhand repräsentativen Materials zu prüfen. Die erklärte gemeinsame Repräsentation ist eine Herstelleraussage über dieses benannte Paar, keine allgemeine Regel für jedes Modell mit 2048 Ausgabewerten.
Das nützliche Ergebnis ist ein Anfragevektor oder eine indizierte Quellsammlung mit dokumentiertem Modell, gewählter Dimension und Vorbereitung. Geben Sie den Kandidatentext mit seiner Kennung zurück und prüfen Sie, ob er die benötigten Informationen liefert. Der Hersteller weist ausdrücklich darauf hin, dass ein Suchmodell nicht für jede Frage die richtige Passage garantiert; ein späterer Reranking- oder Antwortschritt bearbeitet diese Kandidaten als eigene Aufgabe.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nvidia/nemotron-3-embed-1b:free | Standard— |
Feldinput | Typstring|string[]|integer[]|integer[][] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Nicht leerer, homogener Batch. Token-IDs sind nichtnegative Ganzzahlen. Eingabebudget: Maximum: 32 768 · Texteinheit: UTF8-Bytes · Tokeneinheit: Elemente des Token-Arrays | Standard— |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float | Standardfloat |
Felddimensions | Typinteger | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input |
Parameterinput_shapes | Vertragstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Vertragfloat |
Parameterdimensions_override | Vertragfalse |
Parametermax_input_budget_units | Vertrag32768 |
Parametermultimodal_objects | Vertragfalse |
Parametermaterial_types | Vertragtext, token_ids |
Lebenszyklus: synchronous_json
Jeden Vektorindex und jede Dimension beibehalten.
Ein multimodaler Modellname erlaubt auf genau diesem Pfad keine Bildobjekte.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\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
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jeden Vektor mit seinem Index beibehalten. Die Anzahl der Vektoren muss der Anzahl der Eingaben entsprechen; die Dimensionen müssen konsistent sein.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Feldobject | Typstring |
Feldmodel | Typstring |
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[] |
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 Ultra nvidia/nemotron-3-embed-1b:free
Verwenden Sie die oben angezeigten Methodenpfade.