Llama Nemotron Embed VL 1B v2 fue desarrollado por NVIDIA para encontrar material que ayude a responder preguntas. La consulta es texto. El catálogo actual de Ailoot ofrece entrada de texto: pregunta y material se codifican como texto. El fabricante también describe documentos como imágenes de páginas o imágenes con texto extraído. Esas opciones necesitan un método independiente compatible con imágenes. Con la entrada adecuada representa tablas, gráficos e infografías en un espacio común de vectores.
Es adecuado para asistentes sobre colecciones grandes, documentación interna e investigación. La codificación produce un vector numérico. La página o fragmento recuperado puede enviarse después a un modelo que responda: Embed VL realiza la etapa de búsqueda de contexto.
Consulta y documento se codifican por separado. Permite procesar la colección previamente y guardar vectores junto con páginas; cada pregunta nueva solo requiere calcular su vector. La similitud selecciona material por significado. Las funciones de consulta y documento son distintas y deben mantenerse al preparar datos.
Cada entrada produce un vector de hasta 2048 números. El modo de texto utiliza 8192 tokens. El método visual del fabricante que combina imagen y texto describe un presupuesto total de 10240 tokens para ambas partes; no es el límite de texto del método de Ailoot. La imagen se divide en fragmentos: la configuración descrita admite hasta seis y una copia reducida de toda la página, unos 1792 tokens visuales en total. Los textos largos deben dividirse o reducirse.
La parte lingüística se basa en Llama 3.2 1B y la visual en SigLIP2. Se combinan en un codificador que promedia representaciones de tokens y devuelve un vector único. El entrenamiento contrastivo acerca una pregunta a la página adecuada y la aleja de material irrelevante. La búsqueda sigue siendo probabilística: la proximidad no garantiza que un fragmento contenga la respuesta correcta.
", "aboutText": "### Encontrar una página a partir de una pregunta\n\nLlama Nemotron Embed VL 1B v2 fue desarrollado por NVIDIA para encontrar material que ayude a responder preguntas. La consulta es texto. El catálogo actual de Ailoot ofrece entrada de texto: pregunta y material se codifican como texto. El fabricante también describe documentos como imágenes de páginas o imágenes con texto extraído. Esas opciones necesitan un método independiente compatible con imágenes. Con la entrada adecuada representa tablas, gráficos e infografías en un espacio común de vectores.\n\nEs adecuado para asistentes sobre colecciones grandes, documentación interna e investigación. La codificación produce un vector numérico. La página o fragmento recuperado puede enviarse después a un modelo que responda: Embed VL realiza la etapa de búsqueda de contexto.\n\n### Formas de documento del fabricante\n\n- Documento de texto: sección, fragmento o texto de una página ya reconocido.\n- Imagen: página completa con texto, tablas y gráficos.\n- Imagen con texto: apariencia visual y contenido escrito de la página combinados en una representación.\n\nConsulta y documento se codifican por separado. Permite procesar la colección previamente y guardar vectores junto con páginas; cada pregunta nueva solo requiere calcular su vector. La similitud selecciona material por significado. Las funciones de consulta y documento son distintas y deben mantenerse al preparar datos.\n\n### Dimensión y longitud de entrada\n\nCada entrada produce un vector de hasta 2048 números. El modo de texto utiliza 8192 tokens. El método visual del fabricante que combina imagen y texto describe un presupuesto total de 10240 tokens para ambas partes; no es el límite de texto del método de Ailoot. La imagen se divide en fragmentos: la configuración descrita admite hasta seis y una copia reducida de toda la página, unos 1792 tokens visuales en total. Los textos largos deben dividirse o reducirse.\n\nLa parte lingüística se basa en Llama 3.2 1B y la visual en SigLIP2. Se combinan en un codificador que promedia representaciones de tokens y devuelve un vector único. El entrenamiento contrastivo acerca una pregunta a la página adecuada y la aleja de material irrelevante. La búsqueda sigue siendo probabilística: la proximidad no garantiza que un fragmento contenga la respuesta correcta.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c51f003be0fcb25f173afe8dcb50637760825d750da028845f383833c7df3de9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Llama Nemotron Embed VL v2 crea vectores para búsqueda semántica en documentos. El catálogo actual de Ailoot ofrece entrada de texto para consultas y materiales.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Llama Nemotron Embed VL 1B v2 fue desarrollado por NVIDIA para encontrar material que ayude a responder preguntas. La consulta es texto. El catálogo actual de Ailoot ofrece entrada de texto: pregunta y material se codifican como texto. El fabricante también describe documentos como imágenes de páginas o imágenes con texto extraído. Esas opciones necesitan un método independiente compatible con imágenes. Con la entrada adecuada representa tablas, gráficos e infografías en un espacio común de vectores.
Es adecuado para asistentes sobre colecciones grandes, documentación interna e investigación. La codificación produce un vector numérico. La página o fragmento recuperado puede enviarse después a un modelo que responda: Embed VL realiza la etapa de búsqueda de contexto.
Consulta y documento se codifican por separado. Permite procesar la colección previamente y guardar vectores junto con páginas; cada pregunta nueva solo requiere calcular su vector. La similitud selecciona material por significado. Las funciones de consulta y documento son distintas y deben mantenerse al preparar datos.
Cada entrada produce un vector de hasta 2048 números. El modo de texto utiliza 8192 tokens. El método visual del fabricante que combina imagen y texto describe un presupuesto total de 10240 tokens para ambas partes; no es el límite de texto del método de Ailoot. La imagen se divide en fragmentos: la configuración descrita admite hasta seis y una copia reducida de toda la página, unos 1792 tokens visuales en total. Los textos largos deben dividirse o reducirse.
La parte lingüística se basa en Llama 3.2 1B y la visual en SigLIP2. Se combinan en un codificador que promedia representaciones de tokens y devuelve un vector único. El entrenamiento contrastivo acerca una pregunta a la página adecuada y la aleja de material irrelevante. La búsqueda sigue siendo probabilística: la proximidad no garantiza que un fragmento contenga la respuesta correcta.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites nvidia/llama-nemotron-embed-vl-1b-v2 | Predeterminado— |
Campoinput | Tipostring|string[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Cada cadena debe quedar no vacía después de quitar los espacios de los extremos; se rechazan las URI de datos; el presupuesto aceptado mide los bytes UTF8 pertinentes. | Predeterminado— |
Campoinput_type | Tipostring | RequisitoOpcional | Valores y límites query, passage | Predeterminadoquery |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores y límites float, base64 | Predeterminadofloat |
Campotruncate | Tipostring | RequisitoOpcional | Valores y límites NONE, START, END | Predeterminado— |
Campodimensions | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 | Predeterminado— |
Campouser | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
text_to_embedding
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, input |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/embeddingsAiloot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Decodifica los vectores base64 solo cuando se haya solicitado ese formato; conserva cada vector y su índice original.
No se incorpora ningún endpoint de tareas de embeddings.
| Campo | Tipo |
|---|---|
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[]|base64 float32 vector |
Campomodel | Tipostring |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Usa las rutas de método indicadas arriba.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlLlama Nemotron Embed VL v2 crea vectores para búsqueda semántica en documentos. El catálogo actual de Ailoot ofrece entrada de texto para consultas y materiales.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Llama Nemotron Embed VL 1B v2 fue desarrollado por NVIDIA para encontrar material que ayude a responder preguntas. La consulta es texto. El catálogo actual de Ailoot ofrece entrada de texto: pregunta y material se codifican como texto. El fabricante también describe documentos como imágenes de páginas o imágenes con texto extraído. Esas opciones necesitan un método independiente compatible con imágenes. Con la entrada adecuada representa tablas, gráficos e infografías en un espacio común de vectores.
Es adecuado para asistentes sobre colecciones grandes, documentación interna e investigación. La codificación produce un vector numérico. La página o fragmento recuperado puede enviarse después a un modelo que responda: Embed VL realiza la etapa de búsqueda de contexto.
Consulta y documento se codifican por separado. Permite procesar la colección previamente y guardar vectores junto con páginas; cada pregunta nueva solo requiere calcular su vector. La similitud selecciona material por significado. Las funciones de consulta y documento son distintas y deben mantenerse al preparar datos.
Cada entrada produce un vector de hasta 2048 números. El modo de texto utiliza 8192 tokens. El método visual del fabricante que combina imagen y texto describe un presupuesto total de 10240 tokens para ambas partes; no es el límite de texto del método de Ailoot. La imagen se divide en fragmentos: la configuración descrita admite hasta seis y una copia reducida de toda la página, unos 1792 tokens visuales en total. Los textos largos deben dividirse o reducirse.
La parte lingüística se basa en Llama 3.2 1B y la visual en SigLIP2. Se combinan en un codificador que promedia representaciones de tokens y devuelve un vector único. El entrenamiento contrastivo acerca una pregunta a la página adecuada y la aleja de material irrelevante. La búsqueda sigue siendo probabilística: la proximidad no garantiza que un fragmento contenga la respuesta correcta.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites nemotron-embed-vl | Predeterminado— |
Campoinput | Tipostring|string[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Cada cadena debe quedar no vacía después de quitar los espacios de los extremos; se rechazan las URI de datos; el presupuesto aceptado mide los bytes UTF8 pertinentes. | Predeterminado— |
Campoinput_type | Tipostring | RequisitoOpcional | Valores y límites query, passage | Predeterminadoquery |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores y límites float, base64 | Predeterminadofloat |
Campotruncate | Tipostring | RequisitoOpcional | Valores y límites NONE, START, END | Predeterminado— |
Campodimensions | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 | Predeterminado— |
Campouser | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
text_to_embedding
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, input |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/embeddingsAiloot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Decodifica los vectores base64 solo cuando se haya solicitado ese formato; conserva cada vector y su índice original.
No se incorpora ningún endpoint de tareas de embeddings.
| Campo | Tipo |
|---|---|
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[]|base64 float32 vector |
Campomodel | Tipostring |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Usa las rutas de método indicadas arriba.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestLlama Nemotron Embed VL v2 crea vectores para búsqueda semántica en documentos. El catálogo actual de Ailoot ofrece entrada de texto para consultas y materiales.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Llama Nemotron Embed VL 1B v2 fue desarrollado por NVIDIA para encontrar material que ayude a responder preguntas. La consulta es texto. El catálogo actual de Ailoot ofrece entrada de texto: pregunta y material se codifican como texto. El fabricante también describe documentos como imágenes de páginas o imágenes con texto extraído. Esas opciones necesitan un método independiente compatible con imágenes. Con la entrada adecuada representa tablas, gráficos e infografías en un espacio común de vectores.
Es adecuado para asistentes sobre colecciones grandes, documentación interna e investigación. La codificación produce un vector numérico. La página o fragmento recuperado puede enviarse después a un modelo que responda: Embed VL realiza la etapa de búsqueda de contexto.
Consulta y documento se codifican por separado. Permite procesar la colección previamente y guardar vectores junto con páginas; cada pregunta nueva solo requiere calcular su vector. La similitud selecciona material por significado. Las funciones de consulta y documento son distintas y deben mantenerse al preparar datos.
Cada entrada produce un vector de hasta 2048 números. El modo de texto utiliza 8192 tokens. El método visual del fabricante que combina imagen y texto describe un presupuesto total de 10240 tokens para ambas partes; no es el límite de texto del método de Ailoot. La imagen se divide en fragmentos: la configuración descrita admite hasta seis y una copia reducida de toda la página, unos 1792 tokens visuales en total. Los textos largos deben dividirse o reducirse.
La parte lingüística se basa en Llama 3.2 1B y la visual en SigLIP2. Se combinan en un codificador que promedia representaciones de tokens y devuelve un vector único. El entrenamiento contrastivo acerca una pregunta a la página adecuada y la aleja de material irrelevante. La búsqueda sigue siendo probabilística: la proximidad no garantiza que un fragmento contenga la respuesta correcta.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites nemotron-embed-vl-latest | Predeterminado— |
Campoinput | Tipostring|string[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Cada cadena debe quedar no vacía después de quitar los espacios de los extremos; se rechazan las URI de datos; el presupuesto aceptado mide los bytes UTF8 pertinentes. | Predeterminado— |
Campoinput_type | Tipostring | RequisitoOpcional | Valores y límites query, passage | Predeterminadoquery |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores y límites float, base64 | Predeterminadofloat |
Campotruncate | Tipostring | RequisitoOpcional | Valores y límites NONE, START, END | Predeterminado— |
Campodimensions | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 | Predeterminado— |
Campouser | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
text_to_embedding
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratomodel, input |
Parámetrooptional_controls | Contratonull |
Parámetrocontent_type | Contratoapplication/json |
Ciclo de vida: exact retained published method
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/embeddingsAiloot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Decodifica los vectores base64 solo cuando se haya solicitado ese formato; conserva cada vector y su índice original.
No se incorpora ningún endpoint de tareas de embeddings.
| Campo | Tipo |
|---|---|
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[]|base64 float32 vector |
Campomodel | Tipostring |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Usa las rutas de método indicadas arriba.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest