Nemotron 3 Embed 1B es un modelo de texto de NVIDIA para búsqueda semántica y comparación de fragmentos. Codifica preguntas, documentos y código en vectores numéricos densos. Se utilizan para localizar contexto en colecciones amplias, incorporarlo a una respuesta o recuperar información guardada para el siguiente paso de un agente.
Está orientado a búsqueda multilingüe y entre idiomas: una pregunta y el material adecuado pueden estar en idiomas diferentes. Ruso forma parte de los 34 idiomas publicados junto con inglés, ucraniano, chino, japonés, árabe y otros. Es útil para bases de conocimiento cuyos documentos técnicos y consultas no están unificados en un idioma.
Los usos incluyen buscar documentación, comparar textos y recuperar código mediante una descripción. La ventana amplia admite documentos largos, contexto de programación e historial de varios pasos. El material encontrado vuelve al flujo como contexto; el siguiente componente genera explicaciones y respuestas finales.
La entrada son cadenas de texto. Cada una produce un vector de 2048 números. La secuencia máxima es de 32768 tokens; materiales más largos deben dividirse o reducirse. La preparación distingue pregunta y documento: el modelo aprende a relacionar esas funciones y una misma cadena no debe presentarse sin considerar su finalidad.
Los vectores se normalizan por su longitud. En esa representación, producto escalar y similitud coseno ofrecen comparaciones equivalentes. Se pueden conservar las primeras 1024 o 512 coordenadas, pero después del truncado hay que normalizar de nuevo. Es una propiedad del procesamiento del resultado; colección y consultas deben utilizar dimensiones coherentes.
El codificador contiene unos 1,14 mil millones de parámetros. Se obtiene de un modelo basado en Ministral 3 3B mediante dos etapas de reducción estructural y destilación. La atención bidireccional considera toda la entrada y promedia representaciones de tokens en un vector común.
NVIDIA publica BF16 y NVFP4. Sus espacios de representaciones son próximos, pero cambiar de variante requiere comprobar los documentos propios. Ni similitud numérica ni contexto amplio garantizan elegir siempre el fragmento correcto.
", "aboutText": "Nemotron 3 Embed 1B es un modelo de texto de NVIDIA para búsqueda semántica y comparación de fragmentos. Codifica preguntas, documentos y código en vectores numéricos densos. Se utilizan para localizar contexto en colecciones amplias, incorporarlo a una respuesta o recuperar información guardada para el siguiente paso de un agente.\n\n### Conocimientos multilingües y código\n\nEstá orientado a búsqueda multilingüe y entre idiomas: una pregunta y el material adecuado pueden estar en idiomas diferentes. Ruso forma parte de los 34 idiomas publicados junto con inglés, ucraniano, chino, japonés, árabe y otros. Es útil para bases de conocimiento cuyos documentos técnicos y consultas no están unificados en un idioma.\n\nLos usos incluyen buscar documentación, comparar textos y recuperar código mediante una descripción. La ventana amplia admite documentos largos, contexto de programación e historial de varios pasos. El material encontrado vuelve al flujo como contexto; el siguiente componente genera explicaciones y respuestas finales.\n\n### Del texto al vector\n\nLa entrada son cadenas de texto. Cada una produce un vector de 2048 números. La secuencia máxima es de 32768 tokens; materiales más largos deben dividirse o reducirse. La preparación distingue pregunta y documento: el modelo aprende a relacionar esas funciones y una misma cadena no debe presentarse sin considerar su finalidad.\n\nLos vectores se normalizan por su longitud. En esa representación, producto escalar y similitud coseno ofrecen comparaciones equivalentes. Se pueden conservar las primeras 1024 o 512 coordenadas, pero después del truncado hay que normalizar de nuevo. Es una propiedad del procesamiento del resultado; colección y consultas deben utilizar dimensiones coherentes.\n\n### Arquitectura compacta\n\nEl codificador contiene unos 1,14 mil millones de parámetros. Se obtiene de un modelo basado en Ministral 3 3B mediante dos etapas de reducción estructural y destilación. La atención bidireccional considera toda la entrada y promedia representaciones de tokens en un vector común.\n\nNVIDIA publica BF16 y NVFP4. Sus espacios de representaciones son próximos, pero cambiar de variante requiere comprobar los documentos propios. Ni similitud numérica ni contexto amplio garantizan elegir siempre el fragmento correcto.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f5c5e308133151a883c7611246ae5be1da94bda46442fe4939fc258d4f8af0e4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "nvidia/nemotron-3-embed-1bNemotron 3 Embed 1B convierte texto en vectores para búsqueda multilingüe, búsqueda de código y RAG. Procesa secuencias de hasta 32768 tokens y devuelve representaciones de 2048 números.
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 un modelo de texto de NVIDIA para búsqueda semántica y comparación de fragmentos. Codifica preguntas, documentos y código en vectores numéricos densos. Se utilizan para localizar contexto en colecciones amplias, incorporarlo a una respuesta o recuperar información guardada para el siguiente paso de un agente.
Está orientado a búsqueda multilingüe y entre idiomas: una pregunta y el material adecuado pueden estar en idiomas diferentes. Ruso forma parte de los 34 idiomas publicados junto con inglés, ucraniano, chino, japonés, árabe y otros. Es útil para bases de conocimiento cuyos documentos técnicos y consultas no están unificados en un idioma.
Los usos incluyen buscar documentación, comparar textos y recuperar código mediante una descripción. La ventana amplia admite documentos largos, contexto de programación e historial de varios pasos. El material encontrado vuelve al flujo como contexto; el siguiente componente genera explicaciones y respuestas finales.
La entrada son cadenas de texto. Cada una produce un vector de 2048 números. La secuencia máxima es de 32768 tokens; materiales más largos deben dividirse o reducirse. La preparación distingue pregunta y documento: el modelo aprende a relacionar esas funciones y una misma cadena no debe presentarse sin considerar su finalidad.
Los vectores se normalizan por su longitud. En esa representación, producto escalar y similitud coseno ofrecen comparaciones equivalentes. Se pueden conservar las primeras 1024 o 512 coordenadas, pero después del truncado hay que normalizar de nuevo. Es una propiedad del procesamiento del resultado; colección y consultas deben utilizar dimensiones coherentes.
El codificador contiene unos 1,14 mil millones de parámetros. Se obtiene de un modelo basado en Ministral 3 3B mediante dos etapas de reducción estructural y destilación. La atención bidireccional considera toda la entrada y promedia representaciones de tokens en un vector común.
NVIDIA publica BF16 y NVFP4. Sus espacios de representaciones son próximos, pero cambiar de variante requiere comprobar los documentos propios. Ni similitud numérica ni contexto amplio garantizan elegir siempre el fragmento correcto.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites nvidia/nemotron-3-embed-1b | Predeterminado— |
Campoinput | Tipostring|string[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Todas las cadenas deben ser no vacías después de eliminar los espacios de los extremos; se rechazan las URI data; 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 importe 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/nemotron-3-embed-1b", "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.
Descodifica los vectores base64 solo cuando se haya solicitado ese formato; conserva todos los vectores y sus índices originales.
No se introduce ningún endpoint de trabajos 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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Usa las rutas de método indicadas arriba.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embedNemotron 3 Embed 1B convierte texto en vectores para búsqueda multilingüe, búsqueda de código y RAG. Procesa secuencias de hasta 32768 tokens y devuelve representaciones de 2048 números.
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 un modelo de texto de NVIDIA para búsqueda semántica y comparación de fragmentos. Codifica preguntas, documentos y código en vectores numéricos densos. Se utilizan para localizar contexto en colecciones amplias, incorporarlo a una respuesta o recuperar información guardada para el siguiente paso de un agente.
Está orientado a búsqueda multilingüe y entre idiomas: una pregunta y el material adecuado pueden estar en idiomas diferentes. Ruso forma parte de los 34 idiomas publicados junto con inglés, ucraniano, chino, japonés, árabe y otros. Es útil para bases de conocimiento cuyos documentos técnicos y consultas no están unificados en un idioma.
Los usos incluyen buscar documentación, comparar textos y recuperar código mediante una descripción. La ventana amplia admite documentos largos, contexto de programación e historial de varios pasos. El material encontrado vuelve al flujo como contexto; el siguiente componente genera explicaciones y respuestas finales.
La entrada son cadenas de texto. Cada una produce un vector de 2048 números. La secuencia máxima es de 32768 tokens; materiales más largos deben dividirse o reducirse. La preparación distingue pregunta y documento: el modelo aprende a relacionar esas funciones y una misma cadena no debe presentarse sin considerar su finalidad.
Los vectores se normalizan por su longitud. En esa representación, producto escalar y similitud coseno ofrecen comparaciones equivalentes. Se pueden conservar las primeras 1024 o 512 coordenadas, pero después del truncado hay que normalizar de nuevo. Es una propiedad del procesamiento del resultado; colección y consultas deben utilizar dimensiones coherentes.
El codificador contiene unos 1,14 mil millones de parámetros. Se obtiene de un modelo basado en Ministral 3 3B mediante dos etapas de reducción estructural y destilación. La atención bidireccional considera toda la entrada y promedia representaciones de tokens en un vector común.
NVIDIA publica BF16 y NVFP4. Sus espacios de representaciones son próximos, pero cambiar de variante requiere comprobar los documentos propios. Ni similitud numérica ni contexto amplio garantizan elegir siempre el fragmento correcto.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites nemotron-3-embed | Predeterminado— |
Campoinput | Tipostring|string[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Todas las cadenas deben ser no vacías después de eliminar los espacios de los extremos; se rechazan las URI data; 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 importe 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-3-embed", "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.
Descodifica los vectores base64 solo cuando se haya solicitado ese formato; conserva todos los vectores y sus índices originales.
No se introduce ningún endpoint de trabajos 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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Usa las rutas de método indicadas arriba.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embed-latestNemotron 3 Embed 1B convierte texto en vectores para búsqueda multilingüe, búsqueda de código y RAG. Procesa secuencias de hasta 32768 tokens y devuelve representaciones de 2048 números.
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 un modelo de texto de NVIDIA para búsqueda semántica y comparación de fragmentos. Codifica preguntas, documentos y código en vectores numéricos densos. Se utilizan para localizar contexto en colecciones amplias, incorporarlo a una respuesta o recuperar información guardada para el siguiente paso de un agente.
Está orientado a búsqueda multilingüe y entre idiomas: una pregunta y el material adecuado pueden estar en idiomas diferentes. Ruso forma parte de los 34 idiomas publicados junto con inglés, ucraniano, chino, japonés, árabe y otros. Es útil para bases de conocimiento cuyos documentos técnicos y consultas no están unificados en un idioma.
Los usos incluyen buscar documentación, comparar textos y recuperar código mediante una descripción. La ventana amplia admite documentos largos, contexto de programación e historial de varios pasos. El material encontrado vuelve al flujo como contexto; el siguiente componente genera explicaciones y respuestas finales.
La entrada son cadenas de texto. Cada una produce un vector de 2048 números. La secuencia máxima es de 32768 tokens; materiales más largos deben dividirse o reducirse. La preparación distingue pregunta y documento: el modelo aprende a relacionar esas funciones y una misma cadena no debe presentarse sin considerar su finalidad.
Los vectores se normalizan por su longitud. En esa representación, producto escalar y similitud coseno ofrecen comparaciones equivalentes. Se pueden conservar las primeras 1024 o 512 coordenadas, pero después del truncado hay que normalizar de nuevo. Es una propiedad del procesamiento del resultado; colección y consultas deben utilizar dimensiones coherentes.
El codificador contiene unos 1,14 mil millones de parámetros. Se obtiene de un modelo basado en Ministral 3 3B mediante dos etapas de reducción estructural y destilación. La atención bidireccional considera toda la entrada y promedia representaciones de tokens en un vector común.
NVIDIA publica BF16 y NVFP4. Sus espacios de representaciones son próximos, pero cambiar de variante requiere comprobar los documentos propios. Ni similitud numérica ni contexto amplio garantizan elegir siempre el fragmento correcto.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites nemotron-3-embed-latest | Predeterminado— |
Campoinput | Tipostring|string[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Todas las cadenas deben ser no vacías después de eliminar los espacios de los extremos; se rechazan las URI data; 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 importe 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-3-embed-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.
Descodifica los vectores base64 solo cuando se haya solicitado ese formato; conserva todos los vectores y sus índices originales.
No se introduce ningún endpoint de trabajos 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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Usa las rutas de método indicadas arriba.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest