Llama Nemotron Embed VL 1B v2 wurde von NVIDIA zur Suche nach Materialien entwickelt, die eine Frage beantworten helfen. Die Anfrage wird als Text gestellt. Im aktuellen Ailoot-Katalog bietet das Modell Texteingaben: Frage und Material werden als Text kodiert. Der Hersteller beschreibt außerdem Dokumente als Seitenbilder oder Bilder zusammen mit extrahiertem Text. Diese visuellen Varianten erfordern 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 auf Grundlage großer Dokumentsammlungen, interner Nachschlagewerke und Forschungsmaterialien. Das Kodierungsergebnis ist ein numerischer Vektor. Die gefundene Seite oder Passage kann anschließend an ein antwortgenerierendes Modell übermittelt werden: Embed VL selbst übernimmt den Schritt der Kontextsuche.
Anfrage und Dokument werden unabhängig kodiert. Die Sammlung kann daher vorab verarbeitet werden; Vektoren werden mit den Ausgangsseiten gespeichert, bei einer neuen Frage wird nur der Anfragevektor berechnet. Vektorähnlichkeit hilft, Materialien nach Bedeutung auszuwählen. Die Textrollen von Anfrage und Dokument unterscheiden sich; das muss bei der Datenvorbereitung erhalten bleiben.
Jede Eingabe wird in einen einzelnen Vektor mit bis zu 2048 Zahlen umgewandelt. Im Textmodus gilt ein Budget von 8192 Tokens. Für die visuelle Herstellermethode mit Bild und Text ist ein gemeinsames Budget von 10240 Tokens beschrieben, das beide Teile umfasst; das ist nicht das Textlimit der Ailoot-Methode. Ein Bild wird in Abschnitte zerlegt: Die beschriebene Konfiguration erlaubt bis zu sechs Abschnitte und eine verkleinerte Kopie der gesamten Seite, zusammen ungefähr 1792 visuelle Tokens. Lange Texte müssen aufgeteilt oder gekürzt werden.
Der Sprachteil basiert auf Llama 3.2 1B, der visuelle Teil auf SigLIP2. Sie sind zu einem Encoder verbunden, der die Eingabe-Token-Darstellungen mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Training bringt eine Frage und eine passende Seite näher zusammen und entfernt sie von irrelevanten Materialien. Die Suche bleibt probabilistisch: Vektornähe garantiert nicht, dass eine gewählte Passage die richtige Antwort enthält.
", "aboutText": "### Die passende Seite anhand einer Frage finden\n\nLlama Nemotron Embed VL 1B v2 wurde von NVIDIA zur Suche nach Materialien entwickelt, die eine Frage beantworten helfen. Die Anfrage wird als Text gestellt. Im aktuellen Ailoot-Katalog bietet das Modell Texteingaben: Frage und Material werden als Text kodiert. Der Hersteller beschreibt außerdem Dokumente als Seitenbilder oder Bilder zusammen mit extrahiertem Text. Diese visuellen Varianten erfordern 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 auf Grundlage großer Dokumentsammlungen, interner Nachschlagewerke und Forschungsmaterialien. Das Kodierungsergebnis ist ein numerischer Vektor. Die gefundene Seite oder Passage kann anschließend an ein antwortgenerierendes Modell übermittelt werden: Embed VL selbst übernimmt den Schritt der Kontextsuche.\n\n### Dokumentvarianten beim Hersteller\n\n- Textdokument: ein einzelner Abschnitt, eine Passage oder bereits erkannter Seitentext.\n- Bild: eine vollständige Seite mit Text, Tabellen und grafischen Elementen.\n- Bild mit Text: Seitenansicht und Textinhalt werden in einer Darstellung verbunden.\n\nAnfrage und Dokument werden unabhängig kodiert. Die Sammlung kann daher vorab verarbeitet werden; Vektoren werden mit den Ausgangsseiten gespeichert, bei einer neuen Frage wird nur der Anfragevektor berechnet. Vektorähnlichkeit hilft, Materialien nach Bedeutung auszuwählen. Die Textrollen von Anfrage und Dokument unterscheiden sich; das muss bei der Datenvorbereitung erhalten bleiben.\n\n### Darstellungsgröße und Eingabelänge\n\nJede Eingabe wird in einen einzelnen Vektor mit bis zu 2048 Zahlen umgewandelt. Im Textmodus gilt ein Budget von 8192 Tokens. Für die visuelle Herstellermethode mit Bild und Text ist ein gemeinsames Budget von 10240 Tokens beschrieben, das beide Teile umfasst; das ist nicht das Textlimit der Ailoot-Methode. Ein Bild wird in Abschnitte zerlegt: Die beschriebene Konfiguration erlaubt bis zu sechs Abschnitte und eine verkleinerte Kopie der gesamten Seite, zusammen ungefähr 1792 visuelle Tokens. Lange Texte müssen aufgeteilt oder gekürzt werden.\n\nDer Sprachteil basiert auf Llama 3.2 1B, der visuelle Teil auf SigLIP2. Sie sind zu einem Encoder verbunden, der die Eingabe-Token-Darstellungen mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Training bringt eine Frage und eine passende Seite näher zusammen und entfernt sie von irrelevanten Materialien. Die Suche bleibt probabilistisch: Vektornähe garantiert nicht, dass eine gewählte Passage die richtige Antwort enthält.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "266a8a05ac904ae9d80a1b1112b597fb264f3d8eb9839b2cf471bc21957103d6", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Llama Nemotron Embed VL v2 erstellt Vektoren für semantische Dokumentsuche. 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 zur Suche nach Materialien entwickelt, die eine Frage beantworten helfen. Die Anfrage wird als Text gestellt. Im aktuellen Ailoot-Katalog bietet das Modell Texteingaben: Frage und Material werden als Text kodiert. Der Hersteller beschreibt außerdem Dokumente als Seitenbilder oder Bilder zusammen mit extrahiertem Text. Diese visuellen Varianten erfordern 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 auf Grundlage großer Dokumentsammlungen, interner Nachschlagewerke und Forschungsmaterialien. Das Kodierungsergebnis ist ein numerischer Vektor. Die gefundene Seite oder Passage kann anschließend an ein antwortgenerierendes Modell übermittelt werden: Embed VL selbst übernimmt den Schritt der Kontextsuche.
Anfrage und Dokument werden unabhängig kodiert. Die Sammlung kann daher vorab verarbeitet werden; Vektoren werden mit den Ausgangsseiten gespeichert, bei einer neuen Frage wird nur der Anfragevektor berechnet. Vektorähnlichkeit hilft, Materialien nach Bedeutung auszuwählen. Die Textrollen von Anfrage und Dokument unterscheiden sich; das muss bei der Datenvorbereitung erhalten bleiben.
Jede Eingabe wird in einen einzelnen Vektor mit bis zu 2048 Zahlen umgewandelt. Im Textmodus gilt ein Budget von 8192 Tokens. Für die visuelle Herstellermethode mit Bild und Text ist ein gemeinsames Budget von 10240 Tokens beschrieben, das beide Teile umfasst; das ist nicht das Textlimit der Ailoot-Methode. Ein Bild wird in Abschnitte zerlegt: Die beschriebene Konfiguration erlaubt bis zu sechs Abschnitte und eine verkleinerte Kopie der gesamten Seite, zusammen ungefähr 1792 visuelle Tokens. Lange Texte müssen aufgeteilt oder gekürzt werden.
Der Sprachteil basiert auf Llama 3.2 1B, der visuelle Teil auf SigLIP2. Sie sind zu einem Encoder verbunden, der die Eingabe-Token-Darstellungen mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Training bringt eine Frage und eine passende Seite näher zusammen und entfernt sie von irrelevanten Materialien. Die Suche bleibt probabilistisch: Vektornähe garantiert nicht, dass eine gewählte Passage die richtige Antwort enthält.
POST /v1/embeddingstextembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nvidia/llama-nemotron-embed-vl-1b-v2 | Standard— |
Feldinput | Typstring|string[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Jede Zeichenfolge muss nach trim nicht leer sein; data-URIs werden abgelehnt; das akzeptierte Budget misst die relevanten UTF8-Bytes. | Standard— |
Feldinput_type | Typstring | AnforderungOptional | Werte und Limits query, passage | Standardquery |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float, base64 | Standardfloat |
Feldtruncate | Typstring | AnforderungOptional | Werte und Limits NONE, START, END | Standard— |
Felddimensions | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/embeddingsAiloot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/llama-nemotron-embed-vl-1b-v2", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Dekodieren Sie base64-Vektoren nur, wenn dieses Format angefordert wurde; bewahren Sie jeden Vektor und seinen ursprünglichen Index auf.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[]|base64 float32 vector |
Feldmodel | Typstring |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Verwenden Sie die oben angezeigten Methodenpfade.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlLlama Nemotron Embed VL v2 erstellt Vektoren für semantische Dokumentsuche. Im aktuellen Ailoot-Katalog 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 zur Suche nach Materialien entwickelt, die eine Frage beantworten helfen. Die Anfrage wird als Text gestellt. Im aktuellen Ailoot-Katalog bietet das Modell Texteingaben: Frage und Material werden als Text kodiert. Der Hersteller beschreibt außerdem Dokumente als Seitenbilder oder Bilder zusammen mit extrahiertem Text. Diese visuellen Varianten erfordern 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 auf Grundlage großer Dokumentsammlungen, interner Nachschlagewerke und Forschungsmaterialien. Das Kodierungsergebnis ist ein numerischer Vektor. Die gefundene Seite oder Passage kann anschließend an ein antwortgenerierendes Modell übermittelt werden: Embed VL selbst übernimmt den Schritt der Kontextsuche.
Anfrage und Dokument werden unabhängig kodiert. Die Sammlung kann daher vorab verarbeitet werden; Vektoren werden mit den Ausgangsseiten gespeichert, bei einer neuen Frage wird nur der Anfragevektor berechnet. Vektorähnlichkeit hilft, Materialien nach Bedeutung auszuwählen. Die Textrollen von Anfrage und Dokument unterscheiden sich; das muss bei der Datenvorbereitung erhalten bleiben.
Jede Eingabe wird in einen einzelnen Vektor mit bis zu 2048 Zahlen umgewandelt. Im Textmodus gilt ein Budget von 8192 Tokens. Für die visuelle Herstellermethode mit Bild und Text ist ein gemeinsames Budget von 10240 Tokens beschrieben, das beide Teile umfasst; das ist nicht das Textlimit der Ailoot-Methode. Ein Bild wird in Abschnitte zerlegt: Die beschriebene Konfiguration erlaubt bis zu sechs Abschnitte und eine verkleinerte Kopie der gesamten Seite, zusammen ungefähr 1792 visuelle Tokens. Lange Texte müssen aufgeteilt oder gekürzt werden.
Der Sprachteil basiert auf Llama 3.2 1B, der visuelle Teil auf SigLIP2. Sie sind zu einem Encoder verbunden, der die Eingabe-Token-Darstellungen mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Training bringt eine Frage und eine passende Seite näher zusammen und entfernt sie von irrelevanten Materialien. Die Suche bleibt probabilistisch: Vektornähe garantiert nicht, dass eine gewählte Passage die richtige Antwort enthält.
POST /v1/embeddingstextembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nemotron-embed-vl | Standard— |
Feldinput | Typstring|string[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Jede Zeichenfolge muss nach trim nicht leer sein; data-URIs werden abgelehnt; das akzeptierte Budget misst die relevanten UTF8-Bytes. | Standard— |
Feldinput_type | Typstring | AnforderungOptional | Werte und Limits query, passage | Standardquery |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float, base64 | Standardfloat |
Feldtruncate | Typstring | AnforderungOptional | Werte und Limits NONE, START, END | Standard— |
Felddimensions | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/embeddingsAiloot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-embed-vl", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Dekodieren Sie base64-Vektoren nur, wenn dieses Format angefordert wurde; bewahren Sie jeden Vektor und seinen ursprünglichen Index auf.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[]|base64 float32 vector |
Feldmodel | Typstring |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Verwenden Sie die oben angezeigten Methodenpfade.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestLlama Nemotron Embed VL v2 erstellt Vektoren für semantische Dokumentsuche. Im aktuellen Ailoot-Katalog 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 zur Suche nach Materialien entwickelt, die eine Frage beantworten helfen. Die Anfrage wird als Text gestellt. Im aktuellen Ailoot-Katalog bietet das Modell Texteingaben: Frage und Material werden als Text kodiert. Der Hersteller beschreibt außerdem Dokumente als Seitenbilder oder Bilder zusammen mit extrahiertem Text. Diese visuellen Varianten erfordern 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 auf Grundlage großer Dokumentsammlungen, interner Nachschlagewerke und Forschungsmaterialien. Das Kodierungsergebnis ist ein numerischer Vektor. Die gefundene Seite oder Passage kann anschließend an ein antwortgenerierendes Modell übermittelt werden: Embed VL selbst übernimmt den Schritt der Kontextsuche.
Anfrage und Dokument werden unabhängig kodiert. Die Sammlung kann daher vorab verarbeitet werden; Vektoren werden mit den Ausgangsseiten gespeichert, bei einer neuen Frage wird nur der Anfragevektor berechnet. Vektorähnlichkeit hilft, Materialien nach Bedeutung auszuwählen. Die Textrollen von Anfrage und Dokument unterscheiden sich; das muss bei der Datenvorbereitung erhalten bleiben.
Jede Eingabe wird in einen einzelnen Vektor mit bis zu 2048 Zahlen umgewandelt. Im Textmodus gilt ein Budget von 8192 Tokens. Für die visuelle Herstellermethode mit Bild und Text ist ein gemeinsames Budget von 10240 Tokens beschrieben, das beide Teile umfasst; das ist nicht das Textlimit der Ailoot-Methode. Ein Bild wird in Abschnitte zerlegt: Die beschriebene Konfiguration erlaubt bis zu sechs Abschnitte und eine verkleinerte Kopie der gesamten Seite, zusammen ungefähr 1792 visuelle Tokens. Lange Texte müssen aufgeteilt oder gekürzt werden.
Der Sprachteil basiert auf Llama 3.2 1B, der visuelle Teil auf SigLIP2. Sie sind zu einem Encoder verbunden, der die Eingabe-Token-Darstellungen mittelt und einen gemeinsamen Vektor ausgibt. Kontrastives Training bringt eine Frage und eine passende Seite näher zusammen und entfernt sie von irrelevanten Materialien. Die Suche bleibt probabilistisch: Vektornähe garantiert nicht, dass eine gewählte Passage die richtige Antwort enthält.
POST /v1/embeddingstextembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits nemotron-embed-vl-latest | Standard— |
Feldinput | Typstring|string[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Jede Zeichenfolge muss nach trim nicht leer sein; data-URIs werden abgelehnt; das akzeptierte Budget misst die relevanten UTF8-Bytes. | Standard— |
Feldinput_type | Typstring | AnforderungOptional | Werte und Limits query, passage | Standardquery |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float, base64 | Standardfloat |
Feldtruncate | Typstring | AnforderungOptional | Werte und Limits NONE, START, END | Standard— |
Felddimensions | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragmodel, input |
Parameteroptional_controls | Vertragnull |
Parametercontent_type | Vertragapplication/json |
Lebenszyklus: exact retained published method
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/embeddingsAiloot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-embed-vl-latest", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Dekodieren Sie base64-Vektoren nur, wenn dieses Format angefordert wurde; bewahren Sie jeden Vektor und seinen 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