Nemotron 3 Embed 1B ist ein Textmodell von NVIDIA für semantische Suche und den Vergleich von Abschnitten. Es kodiert Fragen, Dokumente und Programmcode in dichte Zahlenvektoren. Diese Darstellungen dienen dazu, in großen Sammlungen passenden Kontext zu finden, eine Assistentenantwort damit zu ergänzen oder zuvor gespeicherte Informationen für den nächsten Agentenschritt abzurufen.
Das Modell ist für mehrsprachige und sprachübergreifende Suche vorgesehen: Eine Frage und das passende Material können in unterschiedlichen Sprachen verfasst sein. Russisch gehört zur veröffentlichten Auswahl von 34 Sprachen, zusammen mit Englisch, Ukrainisch, Chinesisch, Japanisch, Arabisch und weiteren. Das ist für gemeinsame Wissensbestände hilfreich, deren technische Dokumente und Benutzeranfragen nicht in einer einheitlichen Sprache vorliegen.
Zu den Aufgaben zählen Dokumentationssuche, Textvergleich und das Auffinden von Code anhand einer sprachlichen Beschreibung. Das große Eingabefenster ermöglicht lange Dokumente, umfangreichen Programmkontext und den Verlauf mehrerer Agentenschritte. Gefundenes Material wird dem weiteren Ablauf als Kontext übergeben; abschließende Erklärungen und Antworten erstellt die nächste Systemkomponente.
Die Eingabe besteht aus Textzeichenfolgen. Für jede Zeichenfolge entsteht ein Vektor mit 2048 Zahlen. Die maximale Sequenzlänge beträgt 32768 Tokens; längeres Material muss geteilt oder gekürzt werden. Bei der Eingabevorbereitung werden Frage und Dokument unterschieden. Das Modell ist auf den Abgleich dieser Rollen trainiert; dieselbe Zeichenfolge darf daher in diesen beiden Aufgaben nicht ohne Berücksichtigung ihres Zwecks formatiert werden.
Die Vektoren werden anhand ihrer Länge normiert. In dieser Darstellung bieten Skalarprodukt und Kosinusähnlichkeit gleichwertige Vergleichsverfahren. Es können die ersten 1024 oder 512 Koordinaten des vollständigen Vektors verwendet werden; nach dem Kürzen ist jedoch eine erneute Normierung erforderlich. Das ist eine Eigenschaft der Ergebnisverarbeitung. Die Dimension muss für Sammlung und Suchanfragen einheitlich gewählt werden.
Der Encoder enthält rund 1,14 Milliarden Parameter. Er entstand aus einem Modell auf Grundlage von Ministral 3 3B durch zwei Stufen struktureller Reduktion und Destillation. Bidirektionale Aufmerksamkeit berücksichtigt die gesamte Eingabe; anschließend werden die Tokendarstellungen zu einem gemeinsamen Vektor gemittelt.
NVIDIA veröffentlicht BF16- und NVFP4-Varianten. Ihre Darstellungsräume sind ähnlich; ein Variantenwechsel erfordert jedoch eine Prüfung mit eigenen Dokumenten. Weder numerische Ähnlichkeit noch Kontextlänge garantieren, dass die Suche immer den richtigen Abschnitt auswählt.
", "aboutText": "Nemotron 3 Embed 1B ist ein Textmodell von NVIDIA für semantische Suche und den Vergleich von Abschnitten. Es kodiert Fragen, Dokumente und Programmcode in dichte Zahlenvektoren. Diese Darstellungen dienen dazu, in großen Sammlungen passenden Kontext zu finden, eine Assistentenantwort damit zu ergänzen oder zuvor gespeicherte Informationen für den nächsten Agentenschritt abzurufen.\n\n### Mehrsprachiges Wissen und Code\n\nDas Modell ist für mehrsprachige und sprachübergreifende Suche vorgesehen: Eine Frage und das passende Material können in unterschiedlichen Sprachen verfasst sein. Russisch gehört zur veröffentlichten Auswahl von 34 Sprachen, zusammen mit Englisch, Ukrainisch, Chinesisch, Japanisch, Arabisch und weiteren. Das ist für gemeinsame Wissensbestände hilfreich, deren technische Dokumente und Benutzeranfragen nicht in einer einheitlichen Sprache vorliegen.\n\nZu den Aufgaben zählen Dokumentationssuche, Textvergleich und das Auffinden von Code anhand einer sprachlichen Beschreibung. Das große Eingabefenster ermöglicht lange Dokumente, umfangreichen Programmkontext und den Verlauf mehrerer Agentenschritte. Gefundenes Material wird dem weiteren Ablauf als Kontext übergeben; abschließende Erklärungen und Antworten erstellt die nächste Systemkomponente.\n\n### Vom Text zum Vektor\n\nDie Eingabe besteht aus Textzeichenfolgen. Für jede Zeichenfolge entsteht ein Vektor mit 2048 Zahlen. Die maximale Sequenzlänge beträgt 32768 Tokens; längeres Material muss geteilt oder gekürzt werden. Bei der Eingabevorbereitung werden Frage und Dokument unterschieden. Das Modell ist auf den Abgleich dieser Rollen trainiert; dieselbe Zeichenfolge darf daher in diesen beiden Aufgaben nicht ohne Berücksichtigung ihres Zwecks formatiert werden.\n\nDie Vektoren werden anhand ihrer Länge normiert. In dieser Darstellung bieten Skalarprodukt und Kosinusähnlichkeit gleichwertige Vergleichsverfahren. Es können die ersten 1024 oder 512 Koordinaten des vollständigen Vektors verwendet werden; nach dem Kürzen ist jedoch eine erneute Normierung erforderlich. Das ist eine Eigenschaft der Ergebnisverarbeitung. Die Dimension muss für Sammlung und Suchanfragen einheitlich gewählt werden.\n\n### Aufbau des kompakten Modells\n\nDer Encoder enthält rund 1,14 Milliarden Parameter. Er entstand aus einem Modell auf Grundlage von Ministral 3 3B durch zwei Stufen struktureller Reduktion und Destillation. Bidirektionale Aufmerksamkeit berücksichtigt die gesamte Eingabe; anschließend werden die Tokendarstellungen zu einem gemeinsamen Vektor gemittelt.\n\nNVIDIA veröffentlicht BF16- und NVFP4-Varianten. Ihre Darstellungsräume sind ähnlich; ein Variantenwechsel erfordert jedoch eine Prüfung mit eigenen Dokumenten. Weder numerische Ähnlichkeit noch Kontextlänge garantieren, dass die Suche immer den richtigen Abschnitt auswählt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b5b9718c5c0b2fd5fd1f223c49e17816ef2a41391405f42d98a344d00c180821", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "nvidia/nemotron-3-embed-1bNemotron 3 Embed 1B wandelt Texte in Vektoren für mehrsprachige Suche, Codesuche und RAG um. Verarbeitet Sequenzen mit bis zu 32768 Tokens und gibt eine Darstellung mit 2048 Zahlen aus.
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 ein Textmodell von NVIDIA für semantische Suche und den Vergleich von Abschnitten. Es kodiert Fragen, Dokumente und Programmcode in dichte Zahlenvektoren. Diese Darstellungen dienen dazu, in großen Sammlungen passenden Kontext zu finden, eine Assistentenantwort damit zu ergänzen oder zuvor gespeicherte Informationen für den nächsten Agentenschritt abzurufen.
Das Modell ist für mehrsprachige und sprachübergreifende Suche vorgesehen: Eine Frage und das passende Material können in unterschiedlichen Sprachen verfasst sein. Russisch gehört zur veröffentlichten Auswahl von 34 Sprachen, zusammen mit Englisch, Ukrainisch, Chinesisch, Japanisch, Arabisch und weiteren. Das ist für gemeinsame Wissensbestände hilfreich, deren technische Dokumente und Benutzeranfragen nicht in einer einheitlichen Sprache vorliegen.
Zu den Aufgaben zählen Dokumentationssuche, Textvergleich und das Auffinden von Code anhand einer sprachlichen Beschreibung. Das große Eingabefenster ermöglicht lange Dokumente, umfangreichen Programmkontext und den Verlauf mehrerer Agentenschritte. Gefundenes Material wird dem weiteren Ablauf als Kontext übergeben; abschließende Erklärungen und Antworten erstellt die nächste Systemkomponente.
Die Eingabe besteht aus Textzeichenfolgen. Für jede Zeichenfolge entsteht ein Vektor mit 2048 Zahlen. Die maximale Sequenzlänge beträgt 32768 Tokens; längeres Material muss geteilt oder gekürzt werden. Bei der Eingabevorbereitung werden Frage und Dokument unterschieden. Das Modell ist auf den Abgleich dieser Rollen trainiert; dieselbe Zeichenfolge darf daher in diesen beiden Aufgaben nicht ohne Berücksichtigung ihres Zwecks formatiert werden.
Die Vektoren werden anhand ihrer Länge normiert. In dieser Darstellung bieten Skalarprodukt und Kosinusähnlichkeit gleichwertige Vergleichsverfahren. Es können die ersten 1024 oder 512 Koordinaten des vollständigen Vektors verwendet werden; nach dem Kürzen ist jedoch eine erneute Normierung erforderlich. Das ist eine Eigenschaft der Ergebnisverarbeitung. Die Dimension muss für Sammlung und Suchanfragen einheitlich gewählt werden.
Der Encoder enthält rund 1,14 Milliarden Parameter. Er entstand aus einem Modell auf Grundlage von Ministral 3 3B durch zwei Stufen struktureller Reduktion und Destillation. Bidirektionale Aufmerksamkeit berücksichtigt die gesamte Eingabe; anschließend werden die Tokendarstellungen zu einem gemeinsamen Vektor gemittelt.
NVIDIA veröffentlicht BF16- und NVFP4-Varianten. Ihre Darstellungsräume sind ähnlich; ein Variantenwechsel erfordert jedoch eine Prüfung mit eigenen Dokumenten. Weder numerische Ähnlichkeit noch Kontextlänge garantieren, dass die Suche immer den richtigen Abschnitt auswählt.
POST /v1/embeddingstextembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nvidia/nemotron-3-embed-1b | 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/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
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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Verwenden Sie die oben angezeigten Methodenpfade.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embedNemotron 3 Embed 1B wandelt Texte in Vektoren für mehrsprachige Suche, Codesuche und RAG um. Verarbeitet Sequenzen mit bis zu 32768 Tokens und gibt eine Darstellung mit 2048 Zahlen aus.
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 ein Textmodell von NVIDIA für semantische Suche und den Vergleich von Abschnitten. Es kodiert Fragen, Dokumente und Programmcode in dichte Zahlenvektoren. Diese Darstellungen dienen dazu, in großen Sammlungen passenden Kontext zu finden, eine Assistentenantwort damit zu ergänzen oder zuvor gespeicherte Informationen für den nächsten Agentenschritt abzurufen.
Das Modell ist für mehrsprachige und sprachübergreifende Suche vorgesehen: Eine Frage und das passende Material können in unterschiedlichen Sprachen verfasst sein. Russisch gehört zur veröffentlichten Auswahl von 34 Sprachen, zusammen mit Englisch, Ukrainisch, Chinesisch, Japanisch, Arabisch und weiteren. Das ist für gemeinsame Wissensbestände hilfreich, deren technische Dokumente und Benutzeranfragen nicht in einer einheitlichen Sprache vorliegen.
Zu den Aufgaben zählen Dokumentationssuche, Textvergleich und das Auffinden von Code anhand einer sprachlichen Beschreibung. Das große Eingabefenster ermöglicht lange Dokumente, umfangreichen Programmkontext und den Verlauf mehrerer Agentenschritte. Gefundenes Material wird dem weiteren Ablauf als Kontext übergeben; abschließende Erklärungen und Antworten erstellt die nächste Systemkomponente.
Die Eingabe besteht aus Textzeichenfolgen. Für jede Zeichenfolge entsteht ein Vektor mit 2048 Zahlen. Die maximale Sequenzlänge beträgt 32768 Tokens; längeres Material muss geteilt oder gekürzt werden. Bei der Eingabevorbereitung werden Frage und Dokument unterschieden. Das Modell ist auf den Abgleich dieser Rollen trainiert; dieselbe Zeichenfolge darf daher in diesen beiden Aufgaben nicht ohne Berücksichtigung ihres Zwecks formatiert werden.
Die Vektoren werden anhand ihrer Länge normiert. In dieser Darstellung bieten Skalarprodukt und Kosinusähnlichkeit gleichwertige Vergleichsverfahren. Es können die ersten 1024 oder 512 Koordinaten des vollständigen Vektors verwendet werden; nach dem Kürzen ist jedoch eine erneute Normierung erforderlich. Das ist eine Eigenschaft der Ergebnisverarbeitung. Die Dimension muss für Sammlung und Suchanfragen einheitlich gewählt werden.
Der Encoder enthält rund 1,14 Milliarden Parameter. Er entstand aus einem Modell auf Grundlage von Ministral 3 3B durch zwei Stufen struktureller Reduktion und Destillation. Bidirektionale Aufmerksamkeit berücksichtigt die gesamte Eingabe; anschließend werden die Tokendarstellungen zu einem gemeinsamen Vektor gemittelt.
NVIDIA veröffentlicht BF16- und NVFP4-Varianten. Ihre Darstellungsräume sind ähnlich; ein Variantenwechsel erfordert jedoch eine Prüfung mit eigenen Dokumenten. Weder numerische Ähnlichkeit noch Kontextlänge garantieren, dass die Suche immer den richtigen Abschnitt auswählt.
POST /v1/embeddingstextembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nemotron-3-embed | 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-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
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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Verwenden Sie die oben angezeigten Methodenpfade.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embed-latestNemotron 3 Embed 1B wandelt Texte in Vektoren für mehrsprachige Suche, Codesuche und RAG um. Verarbeitet Sequenzen mit bis zu 32768 Tokens und gibt eine Darstellung mit 2048 Zahlen aus.
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 ein Textmodell von NVIDIA für semantische Suche und den Vergleich von Abschnitten. Es kodiert Fragen, Dokumente und Programmcode in dichte Zahlenvektoren. Diese Darstellungen dienen dazu, in großen Sammlungen passenden Kontext zu finden, eine Assistentenantwort damit zu ergänzen oder zuvor gespeicherte Informationen für den nächsten Agentenschritt abzurufen.
Das Modell ist für mehrsprachige und sprachübergreifende Suche vorgesehen: Eine Frage und das passende Material können in unterschiedlichen Sprachen verfasst sein. Russisch gehört zur veröffentlichten Auswahl von 34 Sprachen, zusammen mit Englisch, Ukrainisch, Chinesisch, Japanisch, Arabisch und weiteren. Das ist für gemeinsame Wissensbestände hilfreich, deren technische Dokumente und Benutzeranfragen nicht in einer einheitlichen Sprache vorliegen.
Zu den Aufgaben zählen Dokumentationssuche, Textvergleich und das Auffinden von Code anhand einer sprachlichen Beschreibung. Das große Eingabefenster ermöglicht lange Dokumente, umfangreichen Programmkontext und den Verlauf mehrerer Agentenschritte. Gefundenes Material wird dem weiteren Ablauf als Kontext übergeben; abschließende Erklärungen und Antworten erstellt die nächste Systemkomponente.
Die Eingabe besteht aus Textzeichenfolgen. Für jede Zeichenfolge entsteht ein Vektor mit 2048 Zahlen. Die maximale Sequenzlänge beträgt 32768 Tokens; längeres Material muss geteilt oder gekürzt werden. Bei der Eingabevorbereitung werden Frage und Dokument unterschieden. Das Modell ist auf den Abgleich dieser Rollen trainiert; dieselbe Zeichenfolge darf daher in diesen beiden Aufgaben nicht ohne Berücksichtigung ihres Zwecks formatiert werden.
Die Vektoren werden anhand ihrer Länge normiert. In dieser Darstellung bieten Skalarprodukt und Kosinusähnlichkeit gleichwertige Vergleichsverfahren. Es können die ersten 1024 oder 512 Koordinaten des vollständigen Vektors verwendet werden; nach dem Kürzen ist jedoch eine erneute Normierung erforderlich. Das ist eine Eigenschaft der Ergebnisverarbeitung. Die Dimension muss für Sammlung und Suchanfragen einheitlich gewählt werden.
Der Encoder enthält rund 1,14 Milliarden Parameter. Er entstand aus einem Modell auf Grundlage von Ministral 3 3B durch zwei Stufen struktureller Reduktion und Destillation. Bidirektionale Aufmerksamkeit berücksichtigt die gesamte Eingabe; anschließend werden die Tokendarstellungen zu einem gemeinsamen Vektor gemittelt.
NVIDIA veröffentlicht BF16- und NVFP4-Varianten. Ihre Darstellungsräume sind ähnlich; ein Variantenwechsel erfordert jedoch eine Prüfung mit eigenen Dokumenten. Weder numerische Ähnlichkeit noch Kontextlänge garantieren, dass die Suche immer den richtigen Abschnitt auswählt.
POST /v1/embeddingstextembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nemotron-3-embed-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-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
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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Verwenden Sie die oben angezeigten Methodenpfade.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest