Nemotron 3 Embed 1B es la familia de embeddings de texto de NVIDIA para recuperación multilingüe y entre idiomas y similaridad semántica. Transforma una pregunta o pasaje en un vector denso que un sistema de búsqueda puede comparar con otras representaciones textuales. El fabricante evalúa las ediciones 1B documentadas en treinta y cuatro configuraciones de idiomas y variantes lingüísticas, incluidos inglés, árabe, chino, ruso, japonés, coreano e Hinglish.
La ficha del modelo del fabricante describe un transformer podado y bidireccional derivado de Ministral 3. Tiene aproximadamente 1.14 mil millones de parámetros y promedia las representaciones a nivel de token para obtener un embedding por texto. La salida nativa es un vector de punto flotante de 2048 dimensiones. Esta es una representación de recuperación, en lugar de una respuesta escrita a la pregunta de la que se genera el embedding.
El fabricante también permite conservar la primera parte de esa representación, por ejemplo 1024 o 512 dimensiones. El vector acortado debe normalizarse otra vez con L2 después del corte. Mantén coherentes la longitud de representación elegida y la normalización entre los lados de consulta y corpus de una tarea de búsqueda. La longitud de un vector y la longitud de secuencia de entrada son propiedades separadas.
La convención documentada de recuperación utiliza «query:» para una pregunta y «passage:» para texto documental. Los ejemplos del productor aplican esos roles antes de codificar y comparan vectores normalizados con un producto escalar, equivalente a la similaridad del coseno. Utiliza la preparación que espera el flujo seleccionado, en lugar de mezclar una representación del corpus en bruto con una consulta preparada de otro modo.
Una colección práctica puede contener explicaciones técnicas, políticas o documentación relacionada con código. Una pregunta sobre cómo gestiona una función un caso particular debe recuperar el pasaje de origen o extracto de código que describe ese comportamiento. Conserva los identificadores, encabezados y condiciones pertinentes junto al texto real del pasaje. El vector permite buscar el candidato; la fuente conservada es lo que utiliza un lector o una etapa posterior de respuesta RAG.
La longitud máxima de secuencia documentada es de 32,768 tokens. Elige deliberadamente los límites de pasajes incluso cuando el modelo pueda alojar una cantidad considerable de texto. Una sección completa puede conservar una definición y sus excepciones; un extracto específico puede facilitar la inspección de una respuesta concreta. Las entradas que superen la ventana del modelo necesitan división en fragmentos o truncamiento, por lo que la parte final omitida no debe tratarse como contenido representado.
Mantén cada elemento con embedding vinculado a su documento principal y versión. Para un informe, conserva el título de sección y la explicación que rodea a la conclusión sobre la que trata la pregunta. Para una búsqueda de código, mantén el nombre de la función, la interfaz pertinente y el comportamiento junto al extracto. Esto proporciona un artefacto de origen concreto cuando la etapa de recuperación devuelve un candidato.
NVIDIA documenta versiones BF16 y NVFP4 de la familia 1B. Su ficha del modelo cuantizado afirma que ambas ediciones comparten un espacio de embeddings y recomienda comprobar la calidad de recuperación con material representativo al cambiar versiones. La representación común declarada es una afirmación del fabricante sobre ese par con nombre definido, no una regla general para todos los modelos con 2048 valores de salida.
El resultado útil es un vector de consulta o una colección indexada de origen con su modelo, dimensión elegida y preparación registrados. Devuelve el texto candidato junto con su identificador y examina si aporta la información requerida. El fabricante señala expresamente que un modelo de recuperación no garantiza el pasaje correcto para cada pregunta; una etapa posterior de reordenación o respuesta trabaja con esos candidatos como su propia tarea.
", "aboutText": "Nemotron 3 Embed 1B es la familia de embeddings de texto de NVIDIA para recuperación multilingüe y entre idiomas y similaridad semántica. Transforma una pregunta o pasaje en un vector denso que un sistema de búsqueda puede comparar con otras representaciones textuales. El fabricante evalúa las ediciones 1B documentadas en treinta y cuatro configuraciones de idiomas y variantes lingüísticas, incluidos inglés, árabe, chino, ruso, japonés, coreano e Hinglish.\n\n### Codificador y representación\n\nLa ficha del modelo del fabricante describe un transformer podado y bidireccional derivado de Ministral 3. Tiene aproximadamente 1.14 mil millones de parámetros y promedia las representaciones a nivel de token para obtener un embedding por texto. La salida nativa es un vector de punto flotante de 2048 dimensiones. Esta es una representación de recuperación, en lugar de una respuesta escrita a la pregunta de la que se genera el embedding.\n\nEl fabricante también permite conservar la primera parte de esa representación, por ejemplo 1024 o 512 dimensiones. El vector acortado debe normalizarse otra vez con L2 después del corte. Mantén coherentes la longitud de representación elegida y la normalización entre los lados de consulta y corpus de una tarea de búsqueda. La longitud de un vector y la longitud de secuencia de entrada son propiedades separadas.\n\n### Preparación de consultas y pasajes\n\nLa convención documentada de recuperación utiliza «query:» para una pregunta y «passage:» para texto documental. Los ejemplos del productor aplican esos roles antes de codificar y comparan vectores normalizados con un producto escalar, equivalente a la similaridad del coseno. Utiliza la preparación que espera el flujo seleccionado, en lugar de mezclar una representación del corpus en bruto con una consulta preparada de otro modo.\n\nUna colección práctica puede contener explicaciones técnicas, políticas o documentación relacionada con código. Una pregunta sobre cómo gestiona una función un caso particular debe recuperar el pasaje de origen o extracto de código que describe ese comportamiento. Conserva los identificadores, encabezados y condiciones pertinentes junto al texto real del pasaje. El vector permite buscar el candidato; la fuente conservada es lo que utiliza un lector o una etapa posterior de respuesta RAG.\n\n### Material de origen más largo\n\nLa longitud máxima de secuencia documentada es de 32,768 tokens. Elige deliberadamente los límites de pasajes incluso cuando el modelo pueda alojar una cantidad considerable de texto. Una sección completa puede conservar una definición y sus excepciones; un extracto específico puede facilitar la inspección de una respuesta concreta. Las entradas que superen la ventana del modelo necesitan división en fragmentos o truncamiento, por lo que la parte final omitida no debe tratarse como contenido representado.\n\nMantén cada elemento con embedding vinculado a su documento principal y versión. Para un informe, conserva el título de sección y la explicación que rodea a la conclusión sobre la que trata la pregunta. Para una búsqueda de código, mantén el nombre de la función, la interfaz pertinente y el comportamiento junto al extracto. Esto proporciona un artefacto de origen concreto cuando la etapa de recuperación devuelve un candidato.\n\n### Ediciones de familia y uso de resultados\n\nNVIDIA documenta versiones BF16 y NVFP4 de la familia 1B. Su ficha del modelo cuantizado afirma que ambas ediciones comparten un espacio de embeddings y recomienda comprobar la calidad de recuperación con material representativo al cambiar versiones. La representación común declarada es una afirmación del fabricante sobre ese par con nombre definido, no una regla general para todos los modelos con 2048 valores de salida.\n\nEl resultado útil es un vector de consulta o una colección indexada de origen con su modelo, dimensión elegida y preparación registrados. Devuelve el texto candidato junto con su identificador y examina si aporta la información requerida. El fabricante señala expresamente que un modelo de recuperación no garantiza el pasaje correcto para cada pregunta; una etapa posterior de reordenación o respuesta trabaja con esos candidatos como su propia tarea.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5c831881e7b30cd64024b455cb31c8d3ba6f65af5bc497b24c4362b54b970ee3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "nvidia/nemotron-3-embed-1b:freeNVIDIA Nemotron 3 Embed 1B representa consultas y pasajes multilingües como vectores de 2048 dimensiones para búsqueda y RAG. Su familia documentada admite secuencias de 32,768 tokens y dimensiones vectoriales reducidas con renormalización.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Nemotron 3 Embed 1B es la familia de embeddings de texto de NVIDIA para recuperación multilingüe y entre idiomas y similaridad semántica. Transforma una pregunta o pasaje en un vector denso que un sistema de búsqueda puede comparar con otras representaciones textuales. El fabricante evalúa las ediciones 1B documentadas en treinta y cuatro configuraciones de idiomas y variantes lingüísticas, incluidos inglés, árabe, chino, ruso, japonés, coreano e Hinglish.
La ficha del modelo del fabricante describe un transformer podado y bidireccional derivado de Ministral 3. Tiene aproximadamente 1.14 mil millones de parámetros y promedia las representaciones a nivel de token para obtener un embedding por texto. La salida nativa es un vector de punto flotante de 2048 dimensiones. Esta es una representación de recuperación, en lugar de una respuesta escrita a la pregunta de la que se genera el embedding.
El fabricante también permite conservar la primera parte de esa representación, por ejemplo 1024 o 512 dimensiones. El vector acortado debe normalizarse otra vez con L2 después del corte. Mantén coherentes la longitud de representación elegida y la normalización entre los lados de consulta y corpus de una tarea de búsqueda. La longitud de un vector y la longitud de secuencia de entrada son propiedades separadas.
La convención documentada de recuperación utiliza «query:» para una pregunta y «passage:» para texto documental. Los ejemplos del productor aplican esos roles antes de codificar y comparan vectores normalizados con un producto escalar, equivalente a la similaridad del coseno. Utiliza la preparación que espera el flujo seleccionado, en lugar de mezclar una representación del corpus en bruto con una consulta preparada de otro modo.
Una colección práctica puede contener explicaciones técnicas, políticas o documentación relacionada con código. Una pregunta sobre cómo gestiona una función un caso particular debe recuperar el pasaje de origen o extracto de código que describe ese comportamiento. Conserva los identificadores, encabezados y condiciones pertinentes junto al texto real del pasaje. El vector permite buscar el candidato; la fuente conservada es lo que utiliza un lector o una etapa posterior de respuesta RAG.
La longitud máxima de secuencia documentada es de 32,768 tokens. Elige deliberadamente los límites de pasajes incluso cuando el modelo pueda alojar una cantidad considerable de texto. Una sección completa puede conservar una definición y sus excepciones; un extracto específico puede facilitar la inspección de una respuesta concreta. Las entradas que superen la ventana del modelo necesitan división en fragmentos o truncamiento, por lo que la parte final omitida no debe tratarse como contenido representado.
Mantén cada elemento con embedding vinculado a su documento principal y versión. Para un informe, conserva el título de sección y la explicación que rodea a la conclusión sobre la que trata la pregunta. Para una búsqueda de código, mantén el nombre de la función, la interfaz pertinente y el comportamiento junto al extracto. Esto proporciona un artefacto de origen concreto cuando la etapa de recuperación devuelve un candidato.
NVIDIA documenta versiones BF16 y NVFP4 de la familia 1B. Su ficha del modelo cuantizado afirma que ambas ediciones comparten un espacio de embeddings y recomienda comprobar la calidad de recuperación con material representativo al cambiar versiones. La representación común declarada es una afirmación del fabricante sobre ese par con nombre definido, no una regla general para todos los modelos con 2048 valores de salida.
El resultado útil es un vector de consulta o una colección indexada de origen con su modelo, dimensión elegida y preparación registrados. Devuelve el texto candidato junto con su identificador y examina si aporta la información requerida. El fabricante señala expresamente que un modelo de recuperación no garantiza el pasaje correcto para cada pregunta; una etapa posterior de reordenación o respuesta trabaja con esos candidatos como su propia tarea.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites nvidia/nemotron-3-embed-1b:free | Predeterminado— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Lote homogéneo no vacío. Los ID de tokens son números enteros no negativos. Presupuesto de entrada: Máximo: 32,768 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un arreglo de tokens | Predeterminado— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores y límites float | Predeterminadofloat |
Campodimensions | Tipointeger | RequisitoNo compatible | Valores y límites Mínimo: 1 | Predeterminado— |
Campouser | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options rechazado | Predeterminado— |
text_to_embedding
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input |
Parámetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parámetroencoding_format | Contratofloat |
Parámetrodimensions_override | Contratofalse |
Parámetromax_input_budget_units | Contrato32768 |
Parámetromultimodal_objects | Contratofalse |
Parámetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Conserva todos los índices y dimensiones de los vectores.
El nombre de un modelo multimodal no habilita objetos de imagen en esta ruta exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/nemotron-3-embed-1b: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/nemotron-3-embed-1b:free',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada vector con su índice. La cantidad de vectores debe ser igual a la cantidad de entradas; las dimensiones deben ser consistentes.
No se incorpora ningún endpoint de tareas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
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 Ultra nvidia/nemotron-3-embed-1b:free
Usa las rutas de método indicadas arriba.