Llama Nemotron Embed VL 1B v2 wurde von NVIDIA entwickelt, um Materialien zu finden, die bei der Beantwortung einer Frage helfen. Die Anfrage wird als Text formuliert. Im aktuellen Ailoot-Katalog ist für das Modell Texteingabe vorgesehen: Frage und Material werden als Text codiert. Der Hersteller beschreibt auch Dokumente als Seitenbild oder als Bild zusammen mit extrahiertem Text. Solche visuellen Varianten benötigen eine separate Methode mit Bildunterstützung. Bei entsprechender Eingabe stellt das Modell Tabellen, Grafiken und Infografiken in einem gemeinsamen Vektorraum dar.
Diese Suche eignet sich für Frage-Antwort-Assistenten über umfangreiche Dokumentensammlungen, interne Nachschlagewerke und Forschungsmaterialien. Das Codierungsergebnis ist ein numerischer Vektor. Eine gefundene Seite oder ein Abschnitt kann danach an ein antworterstellendes Modell übermittelt werden: Embed VL selbst übernimmt die Kontextsuche.
Anfrage und Dokument werden unabhängig codiert. Eine Sammlung kann deshalb vorab verarbeitet werden; Vektoren werden zusammen mit den Ausgangsseiten gespeichert, und bei einer neuen Frage wird nur der Anfragevektor berechnet. Vektorähnlichkeit hilft bei der Auswahl nach Bedeutung. Die textuellen Rollen von Anfrage und Dokument unterscheiden sich; das muss bei der Datenvorbereitung erhalten bleiben.
Jede Eingabe wird in einen Vektor mit bis zu 2048 Zahlen umgewandelt. Im Textmodus wird ein Budget von 8192 Tokens verwendet. Für die visuelle Herstellermethode mit Bild und Text ist ein Gesamtbudget von 10240 Tokens beschrieben, das beide Teile umfasst; das 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 ganzen Seite zulässig, zusammen etwa 1792 visuelle Tokens. Lange Texte müssen aufgeteilt oder gekürzt werden.
Der sprachliche Teil basiert auf Llama 3.2 1B, der visuelle auf SigLIP2. Sie sind in einem Encoder verbunden, der die Darstellungen der Eingabetokens mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Lernen bringt eine Frage näher an eine passende Seite und entfernt sie von irrelevanten Materialien. Die Suche bleibt probabilistisch: Vektornähe garantiert 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 entwickelt, um Materialien zu finden, die bei der Beantwortung einer Frage helfen. Die Anfrage wird als Text formuliert. Im aktuellen Ailoot-Katalog ist für das Modell Texteingabe vorgesehen: Frage und Material werden als Text codiert. Der Hersteller beschreibt auch Dokumente als Seitenbild oder als Bild zusammen mit extrahiertem Text. Solche visuellen Varianten benötigen eine separate Methode mit Bildunterstützung. Bei entsprechender Eingabe stellt das Modell Tabellen, Grafiken und Infografiken in einem gemeinsamen Vektorraum dar.\n\nDiese Suche eignet sich für Frage-Antwort-Assistenten über umfangreiche Dokumentensammlungen, interne Nachschlagewerke und Forschungsmaterialien. Das Codierungsergebnis ist ein numerischer Vektor. Eine gefundene Seite oder ein Abschnitt kann danach an ein antworterstellendes Modell übermittelt werden: Embed VL selbst übernimmt die Kontextsuche.\n\n### Dokumentvarianten beim Hersteller\n\n- Textdokument: ein einzelner Abschnitt, ein Ausschnitt oder bereits erkannter Seitentext.\n- Bild: eine ganze Seite mit Text, Tabellen und grafischen Elementen.\n- Bild mit Text: Die visuelle Seitendarstellung und ihr Textinhalt werden in einer Darstellung verbunden.\n\nAnfrage und Dokument werden unabhängig codiert. Eine Sammlung kann deshalb vorab verarbeitet werden; Vektoren werden zusammen mit den Ausgangsseiten gespeichert, und bei einer neuen Frage wird nur der Anfragevektor berechnet. Vektorähnlichkeit hilft bei der Auswahl nach Bedeutung. Die textuellen Rollen von Anfrage und Dokument unterscheiden sich; das 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 wird ein Budget von 8192 Tokens verwendet. Für die visuelle Herstellermethode mit Bild und Text ist ein Gesamtbudget von 10240 Tokens beschrieben, das beide Teile umfasst; das 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 ganzen Seite zulässig, zusammen etwa 1792 visuelle Tokens. Lange Texte müssen aufgeteilt oder gekürzt werden.\n\nDer sprachliche Teil basiert auf Llama 3.2 1B, der visuelle auf SigLIP2. Sie sind in einem Encoder verbunden, der die Darstellungen der Eingabetokens mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Lernen bringt eine Frage näher an eine passende Seite und entfernt sie von irrelevanten Materialien. Die Suche bleibt probabilistisch: Vektornähe garantiert nicht, dass der gewählte Abschnitt die richtige Antwort enthält.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "252d97aab7a6dbe5972320c1ee116bdcb9819f1f622bcc6848e261eedecaad21", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Llama Nemotron Embed VL v2 erstellt Vektoren für die semantische Dokumentensuche. Im aktuellen Ailoot-Katalog sind Texteingaben für Anfragen und Materialien vorgesehen.
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 entwickelt, um Materialien zu finden, die bei der Beantwortung einer Frage helfen. Die Anfrage wird als Text formuliert. Im aktuellen Ailoot-Katalog ist für das Modell Texteingabe vorgesehen: Frage und Material werden als Text codiert. Der Hersteller beschreibt auch Dokumente als Seitenbild oder als Bild zusammen mit extrahiertem Text. Solche visuellen Varianten benötigen eine separate Methode mit Bildunterstützung. Bei entsprechender Eingabe stellt das Modell Tabellen, Grafiken und Infografiken in einem gemeinsamen Vektorraum dar.
Diese Suche eignet sich für Frage-Antwort-Assistenten über umfangreiche Dokumentensammlungen, interne Nachschlagewerke und Forschungsmaterialien. Das Codierungsergebnis ist ein numerischer Vektor. Eine gefundene Seite oder ein Abschnitt kann danach an ein antworterstellendes Modell übermittelt werden: Embed VL selbst übernimmt die Kontextsuche.
Anfrage und Dokument werden unabhängig codiert. Eine Sammlung kann deshalb vorab verarbeitet werden; Vektoren werden zusammen mit den Ausgangsseiten gespeichert, und bei einer neuen Frage wird nur der Anfragevektor berechnet. Vektorähnlichkeit hilft bei der Auswahl nach Bedeutung. Die textuellen Rollen von Anfrage und Dokument unterscheiden sich; das muss bei der Datenvorbereitung erhalten bleiben.
Jede Eingabe wird in einen Vektor mit bis zu 2048 Zahlen umgewandelt. Im Textmodus wird ein Budget von 8192 Tokens verwendet. Für die visuelle Herstellermethode mit Bild und Text ist ein Gesamtbudget von 10240 Tokens beschrieben, das beide Teile umfasst; das 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 ganzen Seite zulässig, zusammen etwa 1792 visuelle Tokens. Lange Texte müssen aufgeteilt oder gekürzt werden.
Der sprachliche Teil basiert auf Llama 3.2 1B, der visuelle auf SigLIP2. Sie sind in einem Encoder verbunden, der die Darstellungen der Eingabetokens mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Lernen bringt eine Frage näher an eine passende Seite und entfernt sie von irrelevanten Materialien. Die Suche bleibt probabilistisch: Vektornähe garantiert 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 Zeichenkette muss nach dem Entfernen von Rand-Leerraum nicht leer sein; data-URIs werden abgewiesen; die akzeptierte Obergrenze 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.
Decodieren Sie base64-Vektoren nur, wenn dieses Format angefordert wurde; bewahren Sie jeden Vektor und dessen 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 die semantische Dokumentensuche. Im aktuellen Ailoot-Katalog sind Texteingaben für Anfragen und Materialien vorgesehen.
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 entwickelt, um Materialien zu finden, die bei der Beantwortung einer Frage helfen. Die Anfrage wird als Text formuliert. Im aktuellen Ailoot-Katalog ist für das Modell Texteingabe vorgesehen: Frage und Material werden als Text codiert. Der Hersteller beschreibt auch Dokumente als Seitenbild oder als Bild zusammen mit extrahiertem Text. Solche visuellen Varianten benötigen eine separate Methode mit Bildunterstützung. Bei entsprechender Eingabe stellt das Modell Tabellen, Grafiken und Infografiken in einem gemeinsamen Vektorraum dar.
Diese Suche eignet sich für Frage-Antwort-Assistenten über umfangreiche Dokumentensammlungen, interne Nachschlagewerke und Forschungsmaterialien. Das Codierungsergebnis ist ein numerischer Vektor. Eine gefundene Seite oder ein Abschnitt kann danach an ein antworterstellendes Modell übermittelt werden: Embed VL selbst übernimmt die Kontextsuche.
Anfrage und Dokument werden unabhängig codiert. Eine Sammlung kann deshalb vorab verarbeitet werden; Vektoren werden zusammen mit den Ausgangsseiten gespeichert, und bei einer neuen Frage wird nur der Anfragevektor berechnet. Vektorähnlichkeit hilft bei der Auswahl nach Bedeutung. Die textuellen Rollen von Anfrage und Dokument unterscheiden sich; das muss bei der Datenvorbereitung erhalten bleiben.
Jede Eingabe wird in einen Vektor mit bis zu 2048 Zahlen umgewandelt. Im Textmodus wird ein Budget von 8192 Tokens verwendet. Für die visuelle Herstellermethode mit Bild und Text ist ein Gesamtbudget von 10240 Tokens beschrieben, das beide Teile umfasst; das 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 ganzen Seite zulässig, zusammen etwa 1792 visuelle Tokens. Lange Texte müssen aufgeteilt oder gekürzt werden.
Der sprachliche Teil basiert auf Llama 3.2 1B, der visuelle auf SigLIP2. Sie sind in einem Encoder verbunden, der die Darstellungen der Eingabetokens mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Lernen bringt eine Frage näher an eine passende Seite und entfernt sie von irrelevanten Materialien. Die Suche bleibt probabilistisch: Vektornähe garantiert 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 Zeichenkette muss nach dem Entfernen von Rand-Leerraum nicht leer sein; data-URIs werden abgewiesen; die akzeptierte Obergrenze 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.
Decodieren Sie base64-Vektoren nur, wenn dieses Format angefordert wurde; bewahren Sie jeden Vektor und dessen 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 die semantische Dokumentensuche. Im aktuellen Ailoot-Katalog sind Texteingaben für Anfragen und Materialien vorgesehen.
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 entwickelt, um Materialien zu finden, die bei der Beantwortung einer Frage helfen. Die Anfrage wird als Text formuliert. Im aktuellen Ailoot-Katalog ist für das Modell Texteingabe vorgesehen: Frage und Material werden als Text codiert. Der Hersteller beschreibt auch Dokumente als Seitenbild oder als Bild zusammen mit extrahiertem Text. Solche visuellen Varianten benötigen eine separate Methode mit Bildunterstützung. Bei entsprechender Eingabe stellt das Modell Tabellen, Grafiken und Infografiken in einem gemeinsamen Vektorraum dar.
Diese Suche eignet sich für Frage-Antwort-Assistenten über umfangreiche Dokumentensammlungen, interne Nachschlagewerke und Forschungsmaterialien. Das Codierungsergebnis ist ein numerischer Vektor. Eine gefundene Seite oder ein Abschnitt kann danach an ein antworterstellendes Modell übermittelt werden: Embed VL selbst übernimmt die Kontextsuche.
Anfrage und Dokument werden unabhängig codiert. Eine Sammlung kann deshalb vorab verarbeitet werden; Vektoren werden zusammen mit den Ausgangsseiten gespeichert, und bei einer neuen Frage wird nur der Anfragevektor berechnet. Vektorähnlichkeit hilft bei der Auswahl nach Bedeutung. Die textuellen Rollen von Anfrage und Dokument unterscheiden sich; das muss bei der Datenvorbereitung erhalten bleiben.
Jede Eingabe wird in einen Vektor mit bis zu 2048 Zahlen umgewandelt. Im Textmodus wird ein Budget von 8192 Tokens verwendet. Für die visuelle Herstellermethode mit Bild und Text ist ein Gesamtbudget von 10240 Tokens beschrieben, das beide Teile umfasst; das 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 ganzen Seite zulässig, zusammen etwa 1792 visuelle Tokens. Lange Texte müssen aufgeteilt oder gekürzt werden.
Der sprachliche Teil basiert auf Llama 3.2 1B, der visuelle auf SigLIP2. Sie sind in einem Encoder verbunden, der die Darstellungen der Eingabetokens mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Lernen bringt eine Frage näher an eine passende Seite und entfernt sie von irrelevanten Materialien. Die Suche bleibt probabilistisch: Vektornähe garantiert 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 Zeichenkette muss nach dem Entfernen von Rand-Leerraum nicht leer sein; data-URIs werden abgewiesen; die akzeptierte Obergrenze 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.
Decodieren Sie base64-Vektoren nur, wenn dieses Format angefordert wurde; bewahren Sie jeden Vektor und dessen 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