Το Llama Nemotron Embed VL 1B v2 αναπτύχθηκε από τη NVIDIA για αναζήτηση υλικού που βοηθά να απαντηθεί μια ερώτηση. Το ερώτημα διατυπώνεται ως κείμενο. Στον τρέχοντα κατάλογο Ailoot, το μοντέλο παρέχεται με είσοδο κειμένου: η ερώτηση και το υλικό κωδικοποιούνται ως κείμενο. Ο κατασκευαστής περιγράφει επίσης έγγραφο ως εικόνα σελίδας ή εικόνα μαζί με εξαγόμενο κείμενο. Αυτές οι οπτικές παραλλαγές απαιτούν χωριστή μέθοδο με υποστήριξη εικόνων. Με την κατάλληλη είσοδο, το μοντέλο αναπαριστά πίνακες, γραφήματα και πληροφοριογραφήματα σε κοινό διανυσματικό χώρο.
Αυτή η αναζήτηση είναι κατάλληλη για βοηθούς ερωταποκρίσεων σε μεγάλες συλλογές εγγράφων, εσωτερικά εγχειρίδια και ερευνητικό υλικό. Το αποτέλεσμα της κωδικοποίησης είναι αριθμητικό διάνυσμα. Η σελίδα ή το απόσπασμα που βρέθηκε μπορεί κατόπιν να δοθεί σε μοντέλο που σχηματίζει την απάντηση: το ίδιο το Embed VL εκτελεί το στάδιο αναζήτησης συμφραζομένων.
Το ερώτημα και το έγγραφο κωδικοποιούνται ανεξάρτητα. Έτσι, η συλλογή μπορεί να υποστεί επεξεργασία εκ των προτέρων, τα διανύσματα να αποθηκευτούν μαζί με τις αρχικές σελίδες και, σε κάθε νέα ερώτηση, να υπολογίζεται μόνο το διάνυσμα του ερωτήματος. Η ομοιότητα των διανυσμάτων βοηθά να επιλέγεται υλικό βάσει νοήματος. Οι κειμενικοί ρόλοι του ερωτήματος και του εγγράφου διαφέρουν και αυτό πρέπει να διατηρείται κατά την προετοιμασία των δεδομένων.
Κάθε είσοδος μετατρέπεται σε ένα διάνυσμα με διάσταση έως 2048 αριθμούς. Στη λειτουργία κειμένου χρησιμοποιείται προϋπολογισμός 8192 tokens. Για την οπτική μέθοδο του κατασκευαστή που συνδυάζει εικόνα και κείμενο περιγράφεται κοινός προϋπολογισμός 10240 tokens, που περιλαμβάνει και τα δύο μέρη· αυτό δεν είναι το όριο κειμένου της μεθόδου Ailoot. Η εικόνα διαιρείται σε τμήματα: στην περιγραφόμενη διαμόρφωση επιτρέπονται έως έξι τμήματα και ένα μικρό αντίγραφο ολόκληρης της σελίδας, συνολικά περίπου 1792 οπτικά tokens. Τα μεγάλα κείμενα πρέπει να χωρίζονται ή να συντομεύονται.
Το γλωσσικό μέρος βασίζεται στο Llama 3.2 1B και το οπτικό στο SigLIP2. Συνδυάζονται σε έναν κωδικοποιητή που υπολογίζει τον μέσο όρο των αναπαραστάσεων των tokens εισόδου και δίνει ένα ενιαίο διάνυσμα. Η αντιθετική εκπαίδευση φέρνει την ερώτηση κοντά στην κατάλληλη σελίδα και τη διαχωρίζει από μη συναφές υλικό. Η αναζήτηση παραμένει πιθανοκρατική: η εγγύτητα διανυσμάτων δεν εγγυάται ότι το επιλεγμένο απόσπασμα περιέχει τη σωστή απάντηση.
", "aboutText": "### Εύρεση της κατάλληλης σελίδας από μια ερώτηση\n\nΤο Llama Nemotron Embed VL 1B v2 αναπτύχθηκε από τη NVIDIA για αναζήτηση υλικού που βοηθά να απαντηθεί μια ερώτηση. Το ερώτημα διατυπώνεται ως κείμενο. Στον τρέχοντα κατάλογο Ailoot, το μοντέλο παρέχεται με είσοδο κειμένου: η ερώτηση και το υλικό κωδικοποιούνται ως κείμενο. Ο κατασκευαστής περιγράφει επίσης έγγραφο ως εικόνα σελίδας ή εικόνα μαζί με εξαγόμενο κείμενο. Αυτές οι οπτικές παραλλαγές απαιτούν χωριστή μέθοδο με υποστήριξη εικόνων. Με την κατάλληλη είσοδο, το μοντέλο αναπαριστά πίνακες, γραφήματα και πληροφοριογραφήματα σε κοινό διανυσματικό χώρο.\n\nΑυτή η αναζήτηση είναι κατάλληλη για βοηθούς ερωταποκρίσεων σε μεγάλες συλλογές εγγράφων, εσωτερικά εγχειρίδια και ερευνητικό υλικό. Το αποτέλεσμα της κωδικοποίησης είναι αριθμητικό διάνυσμα. Η σελίδα ή το απόσπασμα που βρέθηκε μπορεί κατόπιν να δοθεί σε μοντέλο που σχηματίζει την απάντηση: το ίδιο το Embed VL εκτελεί το στάδιο αναζήτησης συμφραζομένων.\n\n### Μορφές εγγράφου που προβλέπει ο κατασκευαστής\n\n- Έγγραφο κειμένου: μια ενότητα, ένα απόσπασμα ή το ήδη αναγνωρισμένο κείμενο μιας σελίδας.\n- Εικόνα: ολόκληρη σελίδα με το κείμενο, τους πίνακες και τα γραφικά της στοιχεία.\n- Εικόνα με κείμενο: η οπτική μορφή της σελίδας και το κειμενικό περιεχόμενό της συνδυάζονται σε μία αναπαράσταση.\n\nΤο ερώτημα και το έγγραφο κωδικοποιούνται ανεξάρτητα. Έτσι, η συλλογή μπορεί να υποστεί επεξεργασία εκ των προτέρων, τα διανύσματα να αποθηκευτούν μαζί με τις αρχικές σελίδες και, σε κάθε νέα ερώτηση, να υπολογίζεται μόνο το διάνυσμα του ερωτήματος. Η ομοιότητα των διανυσμάτων βοηθά να επιλέγεται υλικό βάσει νοήματος. Οι κειμενικοί ρόλοι του ερωτήματος και του εγγράφου διαφέρουν και αυτό πρέπει να διατηρείται κατά την προετοιμασία των δεδομένων.\n\n### Διάσταση αναπαράστασης και μήκος εισόδου\n\nΚάθε είσοδος μετατρέπεται σε ένα διάνυσμα με διάσταση έως 2048 αριθμούς. Στη λειτουργία κειμένου χρησιμοποιείται προϋπολογισμός 8192 tokens. Για την οπτική μέθοδο του κατασκευαστή που συνδυάζει εικόνα και κείμενο περιγράφεται κοινός προϋπολογισμός 10240 tokens, που περιλαμβάνει και τα δύο μέρη· αυτό δεν είναι το όριο κειμένου της μεθόδου Ailoot. Η εικόνα διαιρείται σε τμήματα: στην περιγραφόμενη διαμόρφωση επιτρέπονται έως έξι τμήματα και ένα μικρό αντίγραφο ολόκληρης της σελίδας, συνολικά περίπου 1792 οπτικά tokens. Τα μεγάλα κείμενα πρέπει να χωρίζονται ή να συντομεύονται.\n\nΤο γλωσσικό μέρος βασίζεται στο Llama 3.2 1B και το οπτικό στο SigLIP2. Συνδυάζονται σε έναν κωδικοποιητή που υπολογίζει τον μέσο όρο των αναπαραστάσεων των tokens εισόδου και δίνει ένα ενιαίο διάνυσμα. Η αντιθετική εκπαίδευση φέρνει την ερώτηση κοντά στην κατάλληλη σελίδα και τη διαχωρίζει από μη συναφές υλικό. Η αναζήτηση παραμένει πιθανοκρατική: η εγγύτητα διανυσμάτων δεν εγγυάται ότι το επιλεγμένο απόσπασμα περιέχει τη σωστή απάντηση.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e252d23e4083e2b0d9da65d080a25cdbbe7c680162ed11bdca0120c491ab88ab", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Το Llama Nemotron Embed VL v2 δημιουργεί διανύσματα για σημασιολογική αναζήτηση σε έγγραφα. Στον τρέχοντα κατάλογο Ailoot παρέχεται είσοδος κειμένου για ερωτήματα και υλικό.
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 αναπτύχθηκε από τη NVIDIA για αναζήτηση υλικού που βοηθά να απαντηθεί μια ερώτηση. Το ερώτημα διατυπώνεται ως κείμενο. Στον τρέχοντα κατάλογο Ailoot, το μοντέλο παρέχεται με είσοδο κειμένου: η ερώτηση και το υλικό κωδικοποιούνται ως κείμενο. Ο κατασκευαστής περιγράφει επίσης έγγραφο ως εικόνα σελίδας ή εικόνα μαζί με εξαγόμενο κείμενο. Αυτές οι οπτικές παραλλαγές απαιτούν χωριστή μέθοδο με υποστήριξη εικόνων. Με την κατάλληλη είσοδο, το μοντέλο αναπαριστά πίνακες, γραφήματα και πληροφοριογραφήματα σε κοινό διανυσματικό χώρο.
Αυτή η αναζήτηση είναι κατάλληλη για βοηθούς ερωταποκρίσεων σε μεγάλες συλλογές εγγράφων, εσωτερικά εγχειρίδια και ερευνητικό υλικό. Το αποτέλεσμα της κωδικοποίησης είναι αριθμητικό διάνυσμα. Η σελίδα ή το απόσπασμα που βρέθηκε μπορεί κατόπιν να δοθεί σε μοντέλο που σχηματίζει την απάντηση: το ίδιο το Embed VL εκτελεί το στάδιο αναζήτησης συμφραζομένων.
Το ερώτημα και το έγγραφο κωδικοποιούνται ανεξάρτητα. Έτσι, η συλλογή μπορεί να υποστεί επεξεργασία εκ των προτέρων, τα διανύσματα να αποθηκευτούν μαζί με τις αρχικές σελίδες και, σε κάθε νέα ερώτηση, να υπολογίζεται μόνο το διάνυσμα του ερωτήματος. Η ομοιότητα των διανυσμάτων βοηθά να επιλέγεται υλικό βάσει νοήματος. Οι κειμενικοί ρόλοι του ερωτήματος και του εγγράφου διαφέρουν και αυτό πρέπει να διατηρείται κατά την προετοιμασία των δεδομένων.
Κάθε είσοδος μετατρέπεται σε ένα διάνυσμα με διάσταση έως 2048 αριθμούς. Στη λειτουργία κειμένου χρησιμοποιείται προϋπολογισμός 8192 tokens. Για την οπτική μέθοδο του κατασκευαστή που συνδυάζει εικόνα και κείμενο περιγράφεται κοινός προϋπολογισμός 10240 tokens, που περιλαμβάνει και τα δύο μέρη· αυτό δεν είναι το όριο κειμένου της μεθόδου Ailoot. Η εικόνα διαιρείται σε τμήματα: στην περιγραφόμενη διαμόρφωση επιτρέπονται έως έξι τμήματα και ένα μικρό αντίγραφο ολόκληρης της σελίδας, συνολικά περίπου 1792 οπτικά tokens. Τα μεγάλα κείμενα πρέπει να χωρίζονται ή να συντομεύονται.
Το γλωσσικό μέρος βασίζεται στο Llama 3.2 1B και το οπτικό στο SigLIP2. Συνδυάζονται σε έναν κωδικοποιητή που υπολογίζει τον μέσο όρο των αναπαραστάσεων των tokens εισόδου και δίνει ένα ενιαίο διάνυσμα. Η αντιθετική εκπαίδευση φέρνει την ερώτηση κοντά στην κατάλληλη σελίδα και τη διαχωρίζει από μη συναφές υλικό. Η αναζήτηση παραμένει πιθανοκρατική: η εγγύτητα διανυσμάτων δεν εγγυάται ότι το επιλεγμένο απόσπασμα περιέχει τη σωστή απάντηση.
POST /v1/embeddingstextembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια nvidia/llama-nemotron-embed-vl-1b-v2 | Προεπιλογή— |
Πεδίοinput | Τύποςstring|string[] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1 Συνθήκες: Κάθε συμβολοσειρά πρέπει να είναι μη κενή μετά την αφαίρεση περιφερειακών κενών· τα URI δεδομένων απορρίπτονται· ο αποδεκτός προϋπολογισμός μετρά τα σχετικά byte UTF8. | Προεπιλογή— |
Πεδίοinput_type | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια query, passage | Προεπιλογήquery |
Πεδίοencoding_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια float, base64 | Προεπιλογήfloat |
Πεδίοtruncate | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια NONE, START, END | Προεπιλογή— |
Πεδίοdimensions | Τύποςinteger | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Ελάχιστο: 1 | Προεπιλογή— |
Πεδίοuser | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
text_to_embedding
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςmaterial_types | Σύμβασηtext |
Παράμετροςrequired | Σύμβασηmodel, input |
Παράμετροςoptional_controls | Σύμβασηnull |
Παράμετροςcontent_type | Σύμβασηapplication/json |
Κύκλος ζωής: exact retained published method
Οι δομές και τα ID των μεθόδων είναι ακριβή· η δυνατότητα του προμηθευτή είναι ξεχωριστή από την αποδοχή αιτημάτων.
POST /v1/embeddingsΤο 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: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${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
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Αποκωδικοποιήστε διανύσματα base64 μόνο όταν ζητήθηκε αυτή η μορφή· διατηρήστε κάθε διάνυσμα και τον αρχικό δείκτη του.
Δεν εισάγεται endpoint εργασιών ενσωμάτωσης.
| Πεδίο | Τύπος |
|---|---|
Πεδίοdata[].index | Τύποςinteger |
Πεδίοdata[].embedding | Τύποςfinite float[]|base64 float32 vector |
Πεδίοmodel | Τύποςstring |
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 nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlΤο Llama Nemotron Embed VL v2 δημιουργεί διανύσματα για σημασιολογική αναζήτηση σε έγγραφα. Στον τρέχοντα κατάλογο Ailoot παρέχεται είσοδος κειμένου για ερωτήματα και υλικό.
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 αναπτύχθηκε από τη NVIDIA για αναζήτηση υλικού που βοηθά να απαντηθεί μια ερώτηση. Το ερώτημα διατυπώνεται ως κείμενο. Στον τρέχοντα κατάλογο Ailoot, το μοντέλο παρέχεται με είσοδο κειμένου: η ερώτηση και το υλικό κωδικοποιούνται ως κείμενο. Ο κατασκευαστής περιγράφει επίσης έγγραφο ως εικόνα σελίδας ή εικόνα μαζί με εξαγόμενο κείμενο. Αυτές οι οπτικές παραλλαγές απαιτούν χωριστή μέθοδο με υποστήριξη εικόνων. Με την κατάλληλη είσοδο, το μοντέλο αναπαριστά πίνακες, γραφήματα και πληροφοριογραφήματα σε κοινό διανυσματικό χώρο.
Αυτή η αναζήτηση είναι κατάλληλη για βοηθούς ερωταποκρίσεων σε μεγάλες συλλογές εγγράφων, εσωτερικά εγχειρίδια και ερευνητικό υλικό. Το αποτέλεσμα της κωδικοποίησης είναι αριθμητικό διάνυσμα. Η σελίδα ή το απόσπασμα που βρέθηκε μπορεί κατόπιν να δοθεί σε μοντέλο που σχηματίζει την απάντηση: το ίδιο το Embed VL εκτελεί το στάδιο αναζήτησης συμφραζομένων.
Το ερώτημα και το έγγραφο κωδικοποιούνται ανεξάρτητα. Έτσι, η συλλογή μπορεί να υποστεί επεξεργασία εκ των προτέρων, τα διανύσματα να αποθηκευτούν μαζί με τις αρχικές σελίδες και, σε κάθε νέα ερώτηση, να υπολογίζεται μόνο το διάνυσμα του ερωτήματος. Η ομοιότητα των διανυσμάτων βοηθά να επιλέγεται υλικό βάσει νοήματος. Οι κειμενικοί ρόλοι του ερωτήματος και του εγγράφου διαφέρουν και αυτό πρέπει να διατηρείται κατά την προετοιμασία των δεδομένων.
Κάθε είσοδος μετατρέπεται σε ένα διάνυσμα με διάσταση έως 2048 αριθμούς. Στη λειτουργία κειμένου χρησιμοποιείται προϋπολογισμός 8192 tokens. Για την οπτική μέθοδο του κατασκευαστή που συνδυάζει εικόνα και κείμενο περιγράφεται κοινός προϋπολογισμός 10240 tokens, που περιλαμβάνει και τα δύο μέρη· αυτό δεν είναι το όριο κειμένου της μεθόδου Ailoot. Η εικόνα διαιρείται σε τμήματα: στην περιγραφόμενη διαμόρφωση επιτρέπονται έως έξι τμήματα και ένα μικρό αντίγραφο ολόκληρης της σελίδας, συνολικά περίπου 1792 οπτικά tokens. Τα μεγάλα κείμενα πρέπει να χωρίζονται ή να συντομεύονται.
Το γλωσσικό μέρος βασίζεται στο Llama 3.2 1B και το οπτικό στο SigLIP2. Συνδυάζονται σε έναν κωδικοποιητή που υπολογίζει τον μέσο όρο των αναπαραστάσεων των tokens εισόδου και δίνει ένα ενιαίο διάνυσμα. Η αντιθετική εκπαίδευση φέρνει την ερώτηση κοντά στην κατάλληλη σελίδα και τη διαχωρίζει από μη συναφές υλικό. Η αναζήτηση παραμένει πιθανοκρατική: η εγγύτητα διανυσμάτων δεν εγγυάται ότι το επιλεγμένο απόσπασμα περιέχει τη σωστή απάντηση.
POST /v1/embeddingstextembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια nemotron-embed-vl | Προεπιλογή— |
Πεδίοinput | Τύποςstring|string[] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1 Συνθήκες: Κάθε συμβολοσειρά πρέπει να είναι μη κενή μετά την αφαίρεση περιφερειακών κενών· τα URI δεδομένων απορρίπτονται· ο αποδεκτός προϋπολογισμός μετρά τα σχετικά byte UTF8. | Προεπιλογή— |
Πεδίοinput_type | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια query, passage | Προεπιλογήquery |
Πεδίοencoding_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια float, base64 | Προεπιλογήfloat |
Πεδίοtruncate | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια NONE, START, END | Προεπιλογή— |
Πεδίοdimensions | Τύποςinteger | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Ελάχιστο: 1 | Προεπιλογή— |
Πεδίοuser | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
text_to_embedding
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςmaterial_types | Σύμβασηtext |
Παράμετροςrequired | Σύμβασηmodel, input |
Παράμετροςoptional_controls | Σύμβασηnull |
Παράμετροςcontent_type | Σύμβασηapplication/json |
Κύκλος ζωής: exact retained published method
Οι δομές και τα ID των μεθόδων είναι ακριβή· η δυνατότητα του προμηθευτή είναι ξεχωριστή από την αποδοχή αιτημάτων.
POST /v1/embeddingsΤο 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}"\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
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Αποκωδικοποιήστε διανύσματα base64 μόνο όταν ζητήθηκε αυτή η μορφή· διατηρήστε κάθε διάνυσμα και τον αρχικό δείκτη του.
Δεν εισάγεται endpoint εργασιών ενσωμάτωσης.
| Πεδίο | Τύπος |
|---|---|
Πεδίοdata[].index | Τύποςinteger |
Πεδίοdata[].embedding | Τύποςfinite float[]|base64 float32 vector |
Πεδίοmodel | Τύποςstring |
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 nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestΤο Llama Nemotron Embed VL v2 δημιουργεί διανύσματα για σημασιολογική αναζήτηση σε έγγραφα. Στον τρέχοντα κατάλογο Ailoot παρέχεται είσοδος κειμένου για ερωτήματα και υλικό.
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 αναπτύχθηκε από τη NVIDIA για αναζήτηση υλικού που βοηθά να απαντηθεί μια ερώτηση. Το ερώτημα διατυπώνεται ως κείμενο. Στον τρέχοντα κατάλογο Ailoot, το μοντέλο παρέχεται με είσοδο κειμένου: η ερώτηση και το υλικό κωδικοποιούνται ως κείμενο. Ο κατασκευαστής περιγράφει επίσης έγγραφο ως εικόνα σελίδας ή εικόνα μαζί με εξαγόμενο κείμενο. Αυτές οι οπτικές παραλλαγές απαιτούν χωριστή μέθοδο με υποστήριξη εικόνων. Με την κατάλληλη είσοδο, το μοντέλο αναπαριστά πίνακες, γραφήματα και πληροφοριογραφήματα σε κοινό διανυσματικό χώρο.
Αυτή η αναζήτηση είναι κατάλληλη για βοηθούς ερωταποκρίσεων σε μεγάλες συλλογές εγγράφων, εσωτερικά εγχειρίδια και ερευνητικό υλικό. Το αποτέλεσμα της κωδικοποίησης είναι αριθμητικό διάνυσμα. Η σελίδα ή το απόσπασμα που βρέθηκε μπορεί κατόπιν να δοθεί σε μοντέλο που σχηματίζει την απάντηση: το ίδιο το Embed VL εκτελεί το στάδιο αναζήτησης συμφραζομένων.
Το ερώτημα και το έγγραφο κωδικοποιούνται ανεξάρτητα. Έτσι, η συλλογή μπορεί να υποστεί επεξεργασία εκ των προτέρων, τα διανύσματα να αποθηκευτούν μαζί με τις αρχικές σελίδες και, σε κάθε νέα ερώτηση, να υπολογίζεται μόνο το διάνυσμα του ερωτήματος. Η ομοιότητα των διανυσμάτων βοηθά να επιλέγεται υλικό βάσει νοήματος. Οι κειμενικοί ρόλοι του ερωτήματος και του εγγράφου διαφέρουν και αυτό πρέπει να διατηρείται κατά την προετοιμασία των δεδομένων.
Κάθε είσοδος μετατρέπεται σε ένα διάνυσμα με διάσταση έως 2048 αριθμούς. Στη λειτουργία κειμένου χρησιμοποιείται προϋπολογισμός 8192 tokens. Για την οπτική μέθοδο του κατασκευαστή που συνδυάζει εικόνα και κείμενο περιγράφεται κοινός προϋπολογισμός 10240 tokens, που περιλαμβάνει και τα δύο μέρη· αυτό δεν είναι το όριο κειμένου της μεθόδου Ailoot. Η εικόνα διαιρείται σε τμήματα: στην περιγραφόμενη διαμόρφωση επιτρέπονται έως έξι τμήματα και ένα μικρό αντίγραφο ολόκληρης της σελίδας, συνολικά περίπου 1792 οπτικά tokens. Τα μεγάλα κείμενα πρέπει να χωρίζονται ή να συντομεύονται.
Το γλωσσικό μέρος βασίζεται στο Llama 3.2 1B και το οπτικό στο SigLIP2. Συνδυάζονται σε έναν κωδικοποιητή που υπολογίζει τον μέσο όρο των αναπαραστάσεων των tokens εισόδου και δίνει ένα ενιαίο διάνυσμα. Η αντιθετική εκπαίδευση φέρνει την ερώτηση κοντά στην κατάλληλη σελίδα και τη διαχωρίζει από μη συναφές υλικό. Η αναζήτηση παραμένει πιθανοκρατική: η εγγύτητα διανυσμάτων δεν εγγυάται ότι το επιλεγμένο απόσπασμα περιέχει τη σωστή απάντηση.
POST /v1/embeddingstextembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια nemotron-embed-vl-latest | Προεπιλογή— |
Πεδίοinput | Τύποςstring|string[] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1 Συνθήκες: Κάθε συμβολοσειρά πρέπει να είναι μη κενή μετά την αφαίρεση περιφερειακών κενών· τα URI δεδομένων απορρίπτονται· ο αποδεκτός προϋπολογισμός μετρά τα σχετικά byte UTF8. | Προεπιλογή— |
Πεδίοinput_type | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια query, passage | Προεπιλογήquery |
Πεδίοencoding_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια float, base64 | Προεπιλογήfloat |
Πεδίοtruncate | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια NONE, START, END | Προεπιλογή— |
Πεδίοdimensions | Τύποςinteger | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Ελάχιστο: 1 | Προεπιλογή— |
Πεδίοuser | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
text_to_embedding
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςmaterial_types | Σύμβασηtext |
Παράμετροςrequired | Σύμβασηmodel, input |
Παράμετροςoptional_controls | Σύμβασηnull |
Παράμετροςcontent_type | Σύμβασηapplication/json |
Κύκλος ζωής: exact retained published method
Οι δομές και τα ID των μεθόδων είναι ακριβή· η δυνατότητα του προμηθευτή είναι ξεχωριστή από την αποδοχή αιτημάτων.
POST /v1/embeddingsΤο 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}"\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
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Αποκωδικοποιήστε διανύσματα base64 μόνο όταν ζητήθηκε αυτή η μορφή· διατηρήστε κάθε διάνυσμα και τον αρχικό δείκτη του.
Δεν εισάγεται endpoint εργασιών ενσωμάτωσης.
| Πεδίο | Τύπος |
|---|---|
Πεδίοdata[].index | Τύποςinteger |
Πεδίοdata[].embedding | Τύποςfinite float[]|base64 float32 vector |
Πεδίοmodel | Τύποςstring |
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 nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest