Το Llama Nemotron Embed VL 1B V2 είναι το μοντέλο embeddings της NVIDIA για ανάκτηση σε πολυτροπικές εφαρμογές ερωτήματος-απάντησης. Μπορεί να αναπαριστά ένα έγγραφο ως κείμενο, εικόνα ή συνδυασμό εικόνας και κειμένου. Ένα ερώτημα κειμένου μπορεί κατόπιν να χρησιμοποιείται για ανάκτηση σχετικών εγγράφων. Το δημοσιευμένο προφίλ του υποστηρίζει εικόνες εγγράφων που περιέχουν κείμενο, πίνακες, γραφήματα και πληροφοριακά γραφήματα και επιστρέφει διανύσματα embeddings.
Κρατήστε κάθε είσοδο συνδεδεμένη με το έγγραφο, τη σελίδα ή το απόσπασμα πηγής που αναπαριστά. Για οπτική σελίδα, διατηρήστε την εικόνα και κάθε συνοδευτικό κείμενο που ανήκει σε αυτή. Για απόσπασμα κειμένου, κρατήστε τον τίτλο του ή την ετικέτα ενότητας όταν βοηθά στην ερμηνεία μεταγενέστερης αντιστοίχισης. Αυτά τα αναγνωριστικά πηγής κάνουν ένα ανακτημένο στοιχείο χρήσιμο ως τεκμηρίωση και όχι μόνο ως αριθμητικό αποτέλεσμα ομοιότητας.
Επιλέξτε τα όρια στοιχείων γύρω από το υλικό που χρειάζεται να βρει ο χρήστης. Ένα γράφημα και η εξήγησή του μπορούν να παραμένουν μαζί· άσχετες σελίδες πρέπει να κρατούν τις χωριστές ταυτότητές τους. Ελέγξτε αν η είσοδος είναι ευανάγνωστη και αν το κείμενο ή η εικόνα περιέχει την πληροφορία που προορίζεται να ανακτήσει το επιδιωκόμενο ερώτημα.
Ο ρόλος του μοντέλου είναι να παράγει διανύσματα για ανάκτηση, με το κείμενο ως τη μορφή ερωτήματος που περιγράφει το προφίλ. Κρατήστε το ερώτημα και τα ευρετηριασμένα στοιχεία σε συμβατή ρύθμιση embeddings. Η εφαρμογή αποθηκεύει τα διανύσματα, τα συγκρίνει και επιστρέφει τα αντίστοιχα στοιχεία πηγής. Το ανακτημένο έγγραφο παραμένει το υλικό προς εξέταση ή μεταφορά σε μεταγενέστερο βήμα παραγωγής απάντησης.
Ένα χρήσιμο σύνολο δοκιμών περιλαμβάνει τα ερωτήματα που πράγματι θέτουν οι χρήστες και τις σελίδες που πρέπει να βρίσκονται. Ελέγξτε λανθασμένες ή ελλείπουσες αντιστοιχίσεις ως προς το περιεχόμενο πηγής και τα όρια στοιχείων. Κρατήστε το πλήρες αναγνωριστικό εγγράφου μαζί με κάθε επιλεγμένο απόσπασμα ή εικόνα ώστε το αποτέλεσμα να ελέγχεται μέσα στα συμφραζόμενά του.
Το τεκμηριωμένο φιλοξενούμενο προφίλ αναφέρει έως 131.072 tokens ανά είσοδο. Διαιρέστε μεγαλύτερα σύνολα πηγών σε χωριστές εισόδους με ετικέτες και διατηρήστε τις σχέσεις τους. Η διανυσματική έξοδος του προφίλ δεν είναι παραγόμενη απάντηση σε πεζό κείμενο ή απομαγνητοφώνηση· μεταγενέστερο στάδιο εφαρμογής μπορεί να χρησιμοποιεί τα ανακτημένα στοιχεία για να απαντήσει σε ερώτημα.
Ένα ολοκληρωμένο παραδοτέο ανάκτησης ενώνει το ερώτημα, τα επιλεγμένα στοιχεία πηγής και τα αναγνωριστικά τους. Διατηρήστε το μοντέλο embeddings και την προετοιμασία εισόδου που χρησιμοποιούνται σε ένα ευρετήριο ώστε μεταγενέστερες αλλαγές να διακρίνονται από αλλαγές στη συλλογή πηγής.
", "aboutText": "Το Llama Nemotron Embed VL 1B V2 είναι το μοντέλο embeddings της NVIDIA για ανάκτηση σε πολυτροπικές εφαρμογές ερωτήματος-απάντησης. Μπορεί να αναπαριστά ένα έγγραφο ως κείμενο, εικόνα ή συνδυασμό εικόνας και κειμένου. Ένα ερώτημα κειμένου μπορεί κατόπιν να χρησιμοποιείται για ανάκτηση σχετικών εγγράφων. Το δημοσιευμένο προφίλ του υποστηρίζει εικόνες εγγράφων που περιέχουν κείμενο, πίνακες, γραφήματα και πληροφοριακά γραφήματα και επιστρέφει διανύσματα embeddings.\n\n### Προετοιμάστε αναγνωρίσιμα στοιχεία εγγράφων\n\nΚρατήστε κάθε είσοδο συνδεδεμένη με το έγγραφο, τη σελίδα ή το απόσπασμα πηγής που αναπαριστά. Για οπτική σελίδα, διατηρήστε την εικόνα και κάθε συνοδευτικό κείμενο που ανήκει σε αυτή. Για απόσπασμα κειμένου, κρατήστε τον τίτλο του ή την ετικέτα ενότητας όταν βοηθά στην ερμηνεία μεταγενέστερης αντιστοίχισης. Αυτά τα αναγνωριστικά πηγής κάνουν ένα ανακτημένο στοιχείο χρήσιμο ως τεκμηρίωση και όχι μόνο ως αριθμητικό αποτέλεσμα ομοιότητας.\n\nΕπιλέξτε τα όρια στοιχείων γύρω από το υλικό που χρειάζεται να βρει ο χρήστης. Ένα γράφημα και η εξήγησή του μπορούν να παραμένουν μαζί· άσχετες σελίδες πρέπει να κρατούν τις χωριστές ταυτότητές τους. Ελέγξτε αν η είσοδος είναι ευανάγνωστη και αν το κείμενο ή η εικόνα περιέχει την πληροφορία που προορίζεται να ανακτήσει το επιδιωκόμενο ερώτημα.\n\n### Ερωτήματα κειμένου και διανυσματική ανάκτηση\n\nΟ ρόλος του μοντέλου είναι να παράγει διανύσματα για ανάκτηση, με το κείμενο ως τη μορφή ερωτήματος που περιγράφει το προφίλ. Κρατήστε το ερώτημα και τα ευρετηριασμένα στοιχεία σε συμβατή ρύθμιση embeddings. Η εφαρμογή αποθηκεύει τα διανύσματα, τα συγκρίνει και επιστρέφει τα αντίστοιχα στοιχεία πηγής. Το ανακτημένο έγγραφο παραμένει το υλικό προς εξέταση ή μεταφορά σε μεταγενέστερο βήμα παραγωγής απάντησης.\n\nΈνα χρήσιμο σύνολο δοκιμών περιλαμβάνει τα ερωτήματα που πράγματι θέτουν οι χρήστες και τις σελίδες που πρέπει να βρίσκονται. Ελέγξτε λανθασμένες ή ελλείπουσες αντιστοιχίσεις ως προς το περιεχόμενο πηγής και τα όρια στοιχείων. Κρατήστε το πλήρες αναγνωριστικό εγγράφου μαζί με κάθε επιλεγμένο απόσπασμα ή εικόνα ώστε το αποτέλεσμα να ελέγχεται μέσα στα συμφραζόμενά του.\n\n### Όριο εισόδου και παραδοτέο αναζήτησης\n\nΤο τεκμηριωμένο φιλοξενούμενο προφίλ αναφέρει έως 131.072 tokens ανά είσοδο. Διαιρέστε μεγαλύτερα σύνολα πηγών σε χωριστές εισόδους με ετικέτες και διατηρήστε τις σχέσεις τους. Η διανυσματική έξοδος του προφίλ δεν είναι παραγόμενη απάντηση σε πεζό κείμενο ή απομαγνητοφώνηση· μεταγενέστερο στάδιο εφαρμογής μπορεί να χρησιμοποιεί τα ανακτημένα στοιχεία για να απαντήσει σε ερώτημα.\n\nΈνα ολοκληρωμένο παραδοτέο ανάκτησης ενώνει το ερώτημα, τα επιλεγμένα στοιχεία πηγής και τα αναγνωριστικά τους. Διατηρήστε το μοντέλο embeddings και την προετοιμασία εισόδου που χρησιμοποιούνται σε ένα ευρετήριο ώστε μεταγενέστερες αλλαγές να διακρίνονται από αλλαγές στη συλλογή πηγής.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2d401af31b4c12afd71ffe4d2ea76e5faebef6772a23bdcae71b40a85fe9fa69", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2:freeΤο Llama Nemotron Embed VL 1B V2 είναι το πολυτροπικό μοντέλο embeddings της NVIDIA για ανάκτηση. Μετατρέπει κείμενο, εικόνες ή συνδυασμένες εισόδους εγγράφων σε διανύσματα και υποστηρίζει αναζήτηση με ερωτήματα κειμένου σε έγγραφα που περιέχουν πίνακες, γραφήματα, κείμενο και πληροφοριακά γραφήματα.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το Llama Nemotron Embed VL 1B V2 είναι το μοντέλο embeddings της NVIDIA για ανάκτηση σε πολυτροπικές εφαρμογές ερωτήματος-απάντησης. Μπορεί να αναπαριστά ένα έγγραφο ως κείμενο, εικόνα ή συνδυασμό εικόνας και κειμένου. Ένα ερώτημα κειμένου μπορεί κατόπιν να χρησιμοποιείται για ανάκτηση σχετικών εγγράφων. Το δημοσιευμένο προφίλ του υποστηρίζει εικόνες εγγράφων που περιέχουν κείμενο, πίνακες, γραφήματα και πληροφοριακά γραφήματα και επιστρέφει διανύσματα embeddings.
Κρατήστε κάθε είσοδο συνδεδεμένη με το έγγραφο, τη σελίδα ή το απόσπασμα πηγής που αναπαριστά. Για οπτική σελίδα, διατηρήστε την εικόνα και κάθε συνοδευτικό κείμενο που ανήκει σε αυτή. Για απόσπασμα κειμένου, κρατήστε τον τίτλο του ή την ετικέτα ενότητας όταν βοηθά στην ερμηνεία μεταγενέστερης αντιστοίχισης. Αυτά τα αναγνωριστικά πηγής κάνουν ένα ανακτημένο στοιχείο χρήσιμο ως τεκμηρίωση και όχι μόνο ως αριθμητικό αποτέλεσμα ομοιότητας.
Επιλέξτε τα όρια στοιχείων γύρω από το υλικό που χρειάζεται να βρει ο χρήστης. Ένα γράφημα και η εξήγησή του μπορούν να παραμένουν μαζί· άσχετες σελίδες πρέπει να κρατούν τις χωριστές ταυτότητές τους. Ελέγξτε αν η είσοδος είναι ευανάγνωστη και αν το κείμενο ή η εικόνα περιέχει την πληροφορία που προορίζεται να ανακτήσει το επιδιωκόμενο ερώτημα.
Ο ρόλος του μοντέλου είναι να παράγει διανύσματα για ανάκτηση, με το κείμενο ως τη μορφή ερωτήματος που περιγράφει το προφίλ. Κρατήστε το ερώτημα και τα ευρετηριασμένα στοιχεία σε συμβατή ρύθμιση embeddings. Η εφαρμογή αποθηκεύει τα διανύσματα, τα συγκρίνει και επιστρέφει τα αντίστοιχα στοιχεία πηγής. Το ανακτημένο έγγραφο παραμένει το υλικό προς εξέταση ή μεταφορά σε μεταγενέστερο βήμα παραγωγής απάντησης.
Ένα χρήσιμο σύνολο δοκιμών περιλαμβάνει τα ερωτήματα που πράγματι θέτουν οι χρήστες και τις σελίδες που πρέπει να βρίσκονται. Ελέγξτε λανθασμένες ή ελλείπουσες αντιστοιχίσεις ως προς το περιεχόμενο πηγής και τα όρια στοιχείων. Κρατήστε το πλήρες αναγνωριστικό εγγράφου μαζί με κάθε επιλεγμένο απόσπασμα ή εικόνα ώστε το αποτέλεσμα να ελέγχεται μέσα στα συμφραζόμενά του.
Το τεκμηριωμένο φιλοξενούμενο προφίλ αναφέρει έως 131.072 tokens ανά είσοδο. Διαιρέστε μεγαλύτερα σύνολα πηγών σε χωριστές εισόδους με ετικέτες και διατηρήστε τις σχέσεις τους. Η διανυσματική έξοδος του προφίλ δεν είναι παραγόμενη απάντηση σε πεζό κείμενο ή απομαγνητοφώνηση· μεταγενέστερο στάδιο εφαρμογής μπορεί να χρησιμοποιεί τα ανακτημένα στοιχεία για να απαντήσει σε ερώτημα.
Ένα ολοκληρωμένο παραδοτέο ανάκτησης ενώνει το ερώτημα, τα επιλεγμένα στοιχεία πηγής και τα αναγνωριστικά τους. Διατηρήστε το μοντέλο embeddings και την προετοιμασία εισόδου που χρησιμοποιούνται σε ένα ευρετήριο ώστε μεταγενέστερες αλλαγές να διακρίνονται από αλλαγές στη συλλογή πηγής.
POST /v1/embeddingstext, token_idsembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια nvidia/llama-nemotron-embed-vl-1b-v2:free | Προεπιλογή— |
Πεδίοinput | Τύποςstring|string[]|integer[]|integer[][] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1 Συνθήκες: Μη κενή ομοιογενής παρτίδα. Τα ID των token είναι μη αρνητικοί ακέραιοι. Προϋπολογισμός εισόδου: Μέγιστο: 131.072 · Μονάδα κειμένου: byte UTF8 · Μονάδα token: στοιχεία πίνακα token | Προεπιλογή— |
Πεδίοencoding_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια float | Προεπιλογήfloat |
Πεδίοdimensions | Τύποςinteger | ΑπαίτησηΔεν υποστηρίζεται | Τιμές και όρια Ελάχιστο: 1 | Προεπιλογή— |
Πεδίοuser | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοsession_id | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοtrace | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοprovider | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το provider.options απορρίφθηκε | Προεπιλογή— |
text_to_embedding
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, input |
Παράμετροςinput_shapes | Σύμβασηstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Παράμετροςencoding_format | Σύμβασηfloat |
Παράμετροςdimensions_override | Σύμβασηfalse |
Παράμετροςmax_input_budget_units | Σύμβαση131072 |
Παράμετροςmultimodal_objects | Σύμβασηfalse |
Παράμετροςmaterial_types | Σύμβασηtext, token_ids |
Κύκλος ζωής: synchronous_json
Διατηρήστε τον δείκτη και τη διάσταση κάθε διανύσματος.
Το όνομα πολυτροπικού μοντέλου δεν επιτρέπει αντικείμενα εικόνας σε αυτήν ακριβώς τη διαδρομή.
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
| Διαμόρφωση | Πίνακας χρεώσεων | Χρέωση |
|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις ανά token | Πίνακας χρεώσεωνΒασική χρέωση | Χρέωση Είσοδος · Token εισόδου $0 / 1K token Έξοδος · Token εξόδου $0 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/llama-nemotron-embed-vl-1b-v2:free", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='nvidia/llama-nemotron-embed-vl-1b-v2:free',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε κάθε διάνυσμα με τον δείκτη του. Το πλήθος των διανυσμάτων πρέπει να ισούται με το πλήθος των στοιχείων εισόδου· οι διαστάσεις πρέπει να είναι συνεπείς.
Δεν εισάγεται endpoint εργασιών ενσωμάτωσης.
| Πεδίο | Τύπος |
|---|---|
Πεδίοobject | Τύποςstring |
Πεδίοmodel | Τύποςstring |
Πεδίοdata[].index | Τύποςinteger |
Πεδίοdata[].embedding | Τύποςfinite float[] |
Πεδίοusage | Τύποςobject |
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Ailoot Ultra nvidia/llama-nemotron-embed-vl-1b-v2:free
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.