Nemotron 3 Embed 1B ist ein NVIDIA-Textmodell für semantische Suche und den Abgleich von Abschnitten. Es codiert Fragen, Dokumente und Programmcode in dichte numerische Vektoren. Diese Darstellungen dienen dazu, passenden Kontext in grossen Sammlungen zu finden, eine Assistentenantwort damit zu ergänzen oder früher gespeicherte Informationen für den nächsten Agentenschritt abzurufen.
Das Modell dient mehrsprachiger und sprachübergreifender Suche: Eine Frage und das passende Material können in verschiedenen Sprachen geschrieben sein. Russisch gehört zum veröffentlichten Satz von 34 Sprachen, zusammen mit Englisch, Ukrainisch, Chinesisch, Japanisch, Arabisch und weiteren. Das ist für gemeinsame Wissensbasen hilfreich, deren technische Dokumente und Nutzeranfragen nicht auf eine Sprache vereinheitlicht sind.
Zu den Aufgaben gehören Dokumentationssuche, Textabgleich und das Auffinden von Code anhand einer sprachlichen Beschreibung. Ein grosses Eingabefenster erlaubt die Arbeit mit langen Dokumenten, umfangreichem Programmkontext und dem Verlauf mehrerer Agentenschritte. Gefundenes Material wird als Kontext in den weiteren Prozess zurückgegeben; endgültige 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 aufgeteilt oder gekürzt werden. Bei der Eingabevorbereitung werden Frage und Dokument unterschieden: Das Modell wurde zum Abgleich dieser Rollen trainiert; dieselbe Zeichenfolge darf deshalb nicht ohne Berücksichtigung des Zwecks für beide Aufgaben formatiert werden.
Vektoren werden auf ihre Länge normiert. In dieser Darstellung sind Skalarprodukt und Kosinusähnlichkeit gleichwertige Vergleichsverfahren. Die ersten 1024 oder 512 Koordinaten des vollständigen Vektors können beibehalten werden; nach der Kürzung muss jedoch erneut normiert werden. Das ist eine Eigenschaft der Ergebnisverarbeitung; die Dimension muss für Sammlung und Anfragen einheitlich gewählt werden.
Der Encoder umfasst etwa 1,14 Milliarden Parameter. Er wurde aus einem auf Ministral 3 3B basierenden Modell durch zwei Stufen struktureller Verkleinerung und Destillation gewonnen. Bidirektionale Aufmerksamkeit berücksichtigt die ganze Eingabe; danach werden Tokendarstellungen zu einem gemeinsamen Vektor gemittelt.
NVIDIA veröffentlicht BF16- und NVFP4-Varianten. Ihre Darstellungsräume sind ähnlich, doch ein Variantenwechsel benötigt Prüfungen mit eigenen Dokumenten. Weder numerische Ähnlichkeit noch Kontextlänge garantieren, dass die Suche immer den richtigen Abschnitt auswählt.
", "aboutText": "Nemotron 3 Embed 1B ist ein NVIDIA-Textmodell für semantische Suche und den Abgleich von Abschnitten. Es codiert Fragen, Dokumente und Programmcode in dichte numerische Vektoren. Diese Darstellungen dienen dazu, passenden Kontext in grossen Sammlungen zu finden, eine Assistentenantwort damit zu ergänzen oder früher gespeicherte Informationen für den nächsten Agentenschritt abzurufen.\n\n### Mehrsprachiges Wissen und Code\n\nDas Modell dient mehrsprachiger und sprachübergreifender Suche: Eine Frage und das passende Material können in verschiedenen Sprachen geschrieben sein. Russisch gehört zum veröffentlichten Satz von 34 Sprachen, zusammen mit Englisch, Ukrainisch, Chinesisch, Japanisch, Arabisch und weiteren. Das ist für gemeinsame Wissensbasen hilfreich, deren technische Dokumente und Nutzeranfragen nicht auf eine Sprache vereinheitlicht sind.\n\nZu den Aufgaben gehören Dokumentationssuche, Textabgleich und das Auffinden von Code anhand einer sprachlichen Beschreibung. Ein grosses Eingabefenster erlaubt die Arbeit mit langen Dokumenten, umfangreichem Programmkontext und dem Verlauf mehrerer Agentenschritte. Gefundenes Material wird als Kontext in den weiteren Prozess zurückgegeben; endgültige 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 aufgeteilt oder gekürzt werden. Bei der Eingabevorbereitung werden Frage und Dokument unterschieden: Das Modell wurde zum Abgleich dieser Rollen trainiert; dieselbe Zeichenfolge darf deshalb nicht ohne Berücksichtigung des Zwecks für beide Aufgaben formatiert werden.\n\nVektoren werden auf ihre Länge normiert. In dieser Darstellung sind Skalarprodukt und Kosinusähnlichkeit gleichwertige Vergleichsverfahren. Die ersten 1024 oder 512 Koordinaten des vollständigen Vektors können beibehalten werden; nach der Kürzung muss jedoch erneut normiert werden. Das ist eine Eigenschaft der Ergebnisverarbeitung; die Dimension muss für Sammlung und Anfragen einheitlich gewählt werden.\n\n### Aufbau des kompakten Modells\n\nDer Encoder umfasst etwa 1,14 Milliarden Parameter. Er wurde aus einem auf Ministral 3 3B basierenden Modell durch zwei Stufen struktureller Verkleinerung und Destillation gewonnen. Bidirektionale Aufmerksamkeit berücksichtigt die ganze Eingabe; danach werden Tokendarstellungen zu einem gemeinsamen Vektor gemittelt.\n\nNVIDIA veröffentlicht BF16- und NVFP4-Varianten. Ihre Darstellungsräume sind ähnlich, doch ein Variantenwechsel benötigt Prüfungen 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": "a806a3ea0f4ffc84ab88b04eb1961df65bc453e8d94e11e9c2d9459058ea4e20", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "nvidia/nemotron-3-embed-1bNemotron 3 Embed 1B wandelt Texte in Vektoren für mehrsprachige Suche, Codesuche und RAG um. Es verarbeitet Sequenzen bis 32768 Tokens und liefert eine Darstellung mit 2048 Zahlen.
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 NVIDIA-Textmodell für semantische Suche und den Abgleich von Abschnitten. Es codiert Fragen, Dokumente und Programmcode in dichte numerische Vektoren. Diese Darstellungen dienen dazu, passenden Kontext in grossen Sammlungen zu finden, eine Assistentenantwort damit zu ergänzen oder früher gespeicherte Informationen für den nächsten Agentenschritt abzurufen.
Das Modell dient mehrsprachiger und sprachübergreifender Suche: Eine Frage und das passende Material können in verschiedenen Sprachen geschrieben sein. Russisch gehört zum veröffentlichten Satz von 34 Sprachen, zusammen mit Englisch, Ukrainisch, Chinesisch, Japanisch, Arabisch und weiteren. Das ist für gemeinsame Wissensbasen hilfreich, deren technische Dokumente und Nutzeranfragen nicht auf eine Sprache vereinheitlicht sind.
Zu den Aufgaben gehören Dokumentationssuche, Textabgleich und das Auffinden von Code anhand einer sprachlichen Beschreibung. Ein grosses Eingabefenster erlaubt die Arbeit mit langen Dokumenten, umfangreichem Programmkontext und dem Verlauf mehrerer Agentenschritte. Gefundenes Material wird als Kontext in den weiteren Prozess zurückgegeben; endgültige 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 aufgeteilt oder gekürzt werden. Bei der Eingabevorbereitung werden Frage und Dokument unterschieden: Das Modell wurde zum Abgleich dieser Rollen trainiert; dieselbe Zeichenfolge darf deshalb nicht ohne Berücksichtigung des Zwecks für beide Aufgaben formatiert werden.
Vektoren werden auf ihre Länge normiert. In dieser Darstellung sind Skalarprodukt und Kosinusähnlichkeit gleichwertige Vergleichsverfahren. Die ersten 1024 oder 512 Koordinaten des vollständigen Vektors können beibehalten werden; nach der Kürzung muss jedoch erneut normiert werden. Das ist eine Eigenschaft der Ergebnisverarbeitung; die Dimension muss für Sammlung und Anfragen einheitlich gewählt werden.
Der Encoder umfasst etwa 1,14 Milliarden Parameter. Er wurde aus einem auf Ministral 3 3B basierenden Modell durch zwei Stufen struktureller Verkleinerung und Destillation gewonnen. Bidirektionale Aufmerksamkeit berücksichtigt die ganze Eingabe; danach werden Tokendarstellungen zu einem gemeinsamen Vektor gemittelt.
NVIDIA veröffentlicht BF16- und NVFP4-Varianten. Ihre Darstellungsräume sind ähnlich, doch ein Variantenwechsel benötigt Prüfungen 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 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/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.
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/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. Es verarbeitet Sequenzen bis 32768 Tokens und liefert eine Darstellung mit 2048 Zahlen.
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 NVIDIA-Textmodell für semantische Suche und den Abgleich von Abschnitten. Es codiert Fragen, Dokumente und Programmcode in dichte numerische Vektoren. Diese Darstellungen dienen dazu, passenden Kontext in grossen Sammlungen zu finden, eine Assistentenantwort damit zu ergänzen oder früher gespeicherte Informationen für den nächsten Agentenschritt abzurufen.
Das Modell dient mehrsprachiger und sprachübergreifender Suche: Eine Frage und das passende Material können in verschiedenen Sprachen geschrieben sein. Russisch gehört zum veröffentlichten Satz von 34 Sprachen, zusammen mit Englisch, Ukrainisch, Chinesisch, Japanisch, Arabisch und weiteren. Das ist für gemeinsame Wissensbasen hilfreich, deren technische Dokumente und Nutzeranfragen nicht auf eine Sprache vereinheitlicht sind.
Zu den Aufgaben gehören Dokumentationssuche, Textabgleich und das Auffinden von Code anhand einer sprachlichen Beschreibung. Ein grosses Eingabefenster erlaubt die Arbeit mit langen Dokumenten, umfangreichem Programmkontext und dem Verlauf mehrerer Agentenschritte. Gefundenes Material wird als Kontext in den weiteren Prozess zurückgegeben; endgültige 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 aufgeteilt oder gekürzt werden. Bei der Eingabevorbereitung werden Frage und Dokument unterschieden: Das Modell wurde zum Abgleich dieser Rollen trainiert; dieselbe Zeichenfolge darf deshalb nicht ohne Berücksichtigung des Zwecks für beide Aufgaben formatiert werden.
Vektoren werden auf ihre Länge normiert. In dieser Darstellung sind Skalarprodukt und Kosinusähnlichkeit gleichwertige Vergleichsverfahren. Die ersten 1024 oder 512 Koordinaten des vollständigen Vektors können beibehalten werden; nach der Kürzung muss jedoch erneut normiert werden. Das ist eine Eigenschaft der Ergebnisverarbeitung; die Dimension muss für Sammlung und Anfragen einheitlich gewählt werden.
Der Encoder umfasst etwa 1,14 Milliarden Parameter. Er wurde aus einem auf Ministral 3 3B basierenden Modell durch zwei Stufen struktureller Verkleinerung und Destillation gewonnen. Bidirektionale Aufmerksamkeit berücksichtigt die ganze Eingabe; danach werden Tokendarstellungen zu einem gemeinsamen Vektor gemittelt.
NVIDIA veröffentlicht BF16- und NVFP4-Varianten. Ihre Darstellungsräume sind ähnlich, doch ein Variantenwechsel benötigt Prüfungen 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 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-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.
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/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. Es verarbeitet Sequenzen bis 32768 Tokens und liefert eine Darstellung mit 2048 Zahlen.
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 NVIDIA-Textmodell für semantische Suche und den Abgleich von Abschnitten. Es codiert Fragen, Dokumente und Programmcode in dichte numerische Vektoren. Diese Darstellungen dienen dazu, passenden Kontext in grossen Sammlungen zu finden, eine Assistentenantwort damit zu ergänzen oder früher gespeicherte Informationen für den nächsten Agentenschritt abzurufen.
Das Modell dient mehrsprachiger und sprachübergreifender Suche: Eine Frage und das passende Material können in verschiedenen Sprachen geschrieben sein. Russisch gehört zum veröffentlichten Satz von 34 Sprachen, zusammen mit Englisch, Ukrainisch, Chinesisch, Japanisch, Arabisch und weiteren. Das ist für gemeinsame Wissensbasen hilfreich, deren technische Dokumente und Nutzeranfragen nicht auf eine Sprache vereinheitlicht sind.
Zu den Aufgaben gehören Dokumentationssuche, Textabgleich und das Auffinden von Code anhand einer sprachlichen Beschreibung. Ein grosses Eingabefenster erlaubt die Arbeit mit langen Dokumenten, umfangreichem Programmkontext und dem Verlauf mehrerer Agentenschritte. Gefundenes Material wird als Kontext in den weiteren Prozess zurückgegeben; endgültige 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 aufgeteilt oder gekürzt werden. Bei der Eingabevorbereitung werden Frage und Dokument unterschieden: Das Modell wurde zum Abgleich dieser Rollen trainiert; dieselbe Zeichenfolge darf deshalb nicht ohne Berücksichtigung des Zwecks für beide Aufgaben formatiert werden.
Vektoren werden auf ihre Länge normiert. In dieser Darstellung sind Skalarprodukt und Kosinusähnlichkeit gleichwertige Vergleichsverfahren. Die ersten 1024 oder 512 Koordinaten des vollständigen Vektors können beibehalten werden; nach der Kürzung muss jedoch erneut normiert werden. Das ist eine Eigenschaft der Ergebnisverarbeitung; die Dimension muss für Sammlung und Anfragen einheitlich gewählt werden.
Der Encoder umfasst etwa 1,14 Milliarden Parameter. Er wurde aus einem auf Ministral 3 3B basierenden Modell durch zwei Stufen struktureller Verkleinerung und Destillation gewonnen. Bidirektionale Aufmerksamkeit berücksichtigt die ganze Eingabe; danach werden Tokendarstellungen zu einem gemeinsamen Vektor gemittelt.
NVIDIA veröffentlicht BF16- und NVFP4-Varianten. Ihre Darstellungsräume sind ähnlich, doch ein Variantenwechsel benötigt Prüfungen 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 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-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.
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/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