{ "aboutHtml": "

Sopivan sivun löytäminen kysymyksen perusteella

NVIDIA kehitti Llama Nemotron Embed VL 1B v2 -mallin kysymykseen vastaamista tukevien aineistojen hakuun. Kysely annetaan tekstinä. Ailootin nykyisessä luettelossa mallille on tarjolla tekstisyöte: kysymys ja aineisto koodataan tekstinä. Valmistaja kuvaa myös asiakirjan sivukuvana tai kuvana yhdessä poimitun tekstin kanssa. Nämä visuaaliset vaihtoehdot vaativat erillisen kuvia tukevan menetelmän. Sopivalla syötteellä malli esittää taulukot, kuvaajat ja infografiikan yhteisessä vektoriavaruudessa.

Haku sopii suuren asiakirjakokoelman kysymys-vastausavustajiin, sisäisiin käsikirjoihin ja tutkimusaineistoihin. Koodauksen tulos on numeerinen vektori. Löydetty sivu tai jakso voidaan antaa vastausta muodostavalle mallille: Embed VL itse hoitaa kontekstin hakuvaiheen.

Valmistajan asiakirjavaihtoehdot

Kysely ja asiakirja koodataan toisistaan riippumatta. Kokoelma voidaan siis käsitellä ennakkoon ja vektorit tallentaa lähtösivujen kanssa, jolloin uudelle kysymykselle lasketaan vain kyselyvektori. Vektorien samankaltaisuus auttaa valitsemaan aineistot merkityksen perusteella. Kyselyn ja asiakirjan tekstiroolit eroavat, mikä on tärkeää säilyttää aineiston valmistelussa.

Esityksen koko ja syötteen pituus

Jokainen syöte muuntuu yhdeksi vektoriksi, jonka ulottuvuus on enintään 2048 lukua. Tekstitilan budjetti on 8192 tokenia. Valmistajan kuvan ja tekstin yhdistävälle visuaaliselle menetelmälle kuvataan 10240 tokenin yhteisbudjetti, johon kuuluvat molemmat osat; tämä ei ole Ailoot-menetelmän tekstiraja. Kuva jaetaan osiin: kuvatussa konfiguraatiossa sallitaan enintään kuusi osaa ja pienennetty kopio koko sivusta, yhteensä noin 1792 visuaalista tokenia. Pitkät tekstit on jaettava tai lyhennettävä.

Kieliosa perustuu Llama 3.2 1B -malliin ja kuvaosa SigLIP2-malliin. Ne yhdistyvät enkooderiksi, joka keskiarvoistaa syötetokenien esitykset ja tuottaa yhden vektorin. Kontrastiivinen koulutus lähentää kysymystä sopivaan sivuun ja etäännyttää sitä epäolennaisista aineistoista. Haku on edelleen todennäköisyyspohjaista: vektorien läheisyys ei takaa, että valittu jakso sisältää oikean vastauksen.

", "aboutText": "### Sopivan sivun löytäminen kysymyksen perusteella\n\nNVIDIA kehitti Llama Nemotron Embed VL 1B v2 -mallin kysymykseen vastaamista tukevien aineistojen hakuun. Kysely annetaan tekstinä. Ailootin nykyisessä luettelossa mallille on tarjolla tekstisyöte: kysymys ja aineisto koodataan tekstinä. Valmistaja kuvaa myös asiakirjan sivukuvana tai kuvana yhdessä poimitun tekstin kanssa. Nämä visuaaliset vaihtoehdot vaativat erillisen kuvia tukevan menetelmän. Sopivalla syötteellä malli esittää taulukot, kuvaajat ja infografiikan yhteisessä vektoriavaruudessa.\n\nHaku sopii suuren asiakirjakokoelman kysymys-vastausavustajiin, sisäisiin käsikirjoihin ja tutkimusaineistoihin. Koodauksen tulos on numeerinen vektori. Löydetty sivu tai jakso voidaan antaa vastausta muodostavalle mallille: Embed VL itse hoitaa kontekstin hakuvaiheen.\n\n### Valmistajan asiakirjavaihtoehdot\n\n- Tekstiasiakirja: erillinen osio, jakso tai jo tunnistettu sivuteksti.\n- Kuva: kokonainen sivu teksteineen, taulukoineen ja graafisine elementteineen.\n- Kuva ja teksti: sivun visuaalinen ilme ja tekstisisältö yhdistetään yhteen esitykseen.\n\nKysely ja asiakirja koodataan toisistaan riippumatta. Kokoelma voidaan siis käsitellä ennakkoon ja vektorit tallentaa lähtösivujen kanssa, jolloin uudelle kysymykselle lasketaan vain kyselyvektori. Vektorien samankaltaisuus auttaa valitsemaan aineistot merkityksen perusteella. Kyselyn ja asiakirjan tekstiroolit eroavat, mikä on tärkeää säilyttää aineiston valmistelussa.\n\n### Esityksen koko ja syötteen pituus\n\nJokainen syöte muuntuu yhdeksi vektoriksi, jonka ulottuvuus on enintään 2048 lukua. Tekstitilan budjetti on 8192 tokenia. Valmistajan kuvan ja tekstin yhdistävälle visuaaliselle menetelmälle kuvataan 10240 tokenin yhteisbudjetti, johon kuuluvat molemmat osat; tämä ei ole Ailoot-menetelmän tekstiraja. Kuva jaetaan osiin: kuvatussa konfiguraatiossa sallitaan enintään kuusi osaa ja pienennetty kopio koko sivusta, yhteensä noin 1792 visuaalista tokenia. Pitkät tekstit on jaettava tai lyhennettävä.\n\nKieliosa perustuu Llama 3.2 1B -malliin ja kuvaosa SigLIP2-malliin. Ne yhdistyvät enkooderiksi, joka keskiarvoistaa syötetokenien esitykset ja tuottaa yhden vektorin. Kontrastiivinen koulutus lähentää kysymystä sopivaan sivuun ja etäännyttää sitä epäolennaisista aineistoista. Haku on edelleen todennäköisyyspohjaista: vektorien läheisyys ei takaa, että valittu jakso sisältää oikean vastauksen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b23f5155d99a77e33f1b1cb2d4035e34ee4322f8b36e93704a4a8bb58c432f53", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fi", "methods": [ { "html": "
NV

Llama Nemotron Embed VL 1B v2

NVIDIA /nvidia/llama-nemotron-embed-vl-1b-v2

Aloitus

Llama Nemotron Embed VL v2 luo vektoreita asiakirjojen semanttiseen hakuun. Ailootin nykyisessä luettelossa kyselyille ja aineistoille on tarjolla tekstisyöte.

Hyväksytyt syötteet
Teksti
Tulokset
embedding
Tietoa mallista

Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.

Sopivan sivun löytäminen kysymyksen perusteella

NVIDIA kehitti Llama Nemotron Embed VL 1B v2 -mallin kysymykseen vastaamista tukevien aineistojen hakuun. Kysely annetaan tekstinä. Ailootin nykyisessä luettelossa mallille on tarjolla tekstisyöte: kysymys ja aineisto koodataan tekstinä. Valmistaja kuvaa myös asiakirjan sivukuvana tai kuvana yhdessä poimitun tekstin kanssa. Nämä visuaaliset vaihtoehdot vaativat erillisen kuvia tukevan menetelmän. Sopivalla syötteellä malli esittää taulukot, kuvaajat ja infografiikan yhteisessä vektoriavaruudessa.

Haku sopii suuren asiakirjakokoelman kysymys-vastausavustajiin, sisäisiin käsikirjoihin ja tutkimusaineistoihin. Koodauksen tulos on numeerinen vektori. Löydetty sivu tai jakso voidaan antaa vastausta muodostavalle mallille: Embed VL itse hoitaa kontekstin hakuvaiheen.

Valmistajan asiakirjavaihtoehdot

  • Tekstiasiakirja: erillinen osio, jakso tai jo tunnistettu sivuteksti.
  • Kuva: kokonainen sivu teksteineen, taulukoineen ja graafisine elementteineen.
  • Kuva ja teksti: sivun visuaalinen ilme ja tekstisisältö yhdistetään yhteen esitykseen.

Kysely ja asiakirja koodataan toisistaan riippumatta. Kokoelma voidaan siis käsitellä ennakkoon ja vektorit tallentaa lähtösivujen kanssa, jolloin uudelle kysymykselle lasketaan vain kyselyvektori. Vektorien samankaltaisuus auttaa valitsemaan aineistot merkityksen perusteella. Kyselyn ja asiakirjan tekstiroolit eroavat, mikä on tärkeää säilyttää aineiston valmistelussa.

Esityksen koko ja syötteen pituus

Jokainen syöte muuntuu yhdeksi vektoriksi, jonka ulottuvuus on enintään 2048 lukua. Tekstitilan budjetti on 8192 tokenia. Valmistajan kuvan ja tekstin yhdistävälle visuaaliselle menetelmälle kuvataan 10240 tokenin yhteisbudjetti, johon kuuluvat molemmat osat; tämä ei ole Ailoot-menetelmän tekstiraja. Kuva jaetaan osiin: kuvatussa konfiguraatiossa sallitaan enintään kuusi osaa ja pienennetty kopio koko sivusta, yhteensä noin 1792 visuaalista tokenia. Pitkät tekstit on jaettava tai lyhennettävä.

Kieliosa perustuu Llama 3.2 1B -malliin ja kuvaosa SigLIP2-malliin. Ne yhdistyvät enkooderiksi, joka keskiarvoistaa syötetokenien esitykset ja tuottaa yhden vektorin. Kontrastiivinen koulutus lähentää kysymystä sopivaan sivuun ja etäännyttää sitä epäolennaisista aineistoista. Haku on edelleen todennäköisyyspohjaista: vektorien läheisyys ei takaa, että valittu jakso sisältää oikean vastauksen.

Saatavilla Ailootissa · syötteet & menetelmät

Ailoot · Vektoriesitykset POST /v1/embeddings
Syötetyypit
text
Tulostyypit
embedding
Konteksti
4 096 tokens
Tulosteen muoto
json
KenttäTyyppiVaatimusArvot & rajatOletus
KenttämodelTyyppistringVaatimusPakollinenArvot & rajat
nvidia/llama-nemotron-embed-vl-1b-v2
Oletus—
KenttäinputTyyppistring|string[]VaatimusPakollinenArvot & rajat
Kohteiden vähimmäismäärä: 1
Ehdot: Jokaisen merkkijonon on oltava ei-tyhjä reunojen tyhjemerkkien poiston jälkeen; data-URI:t hylätään; hyväksytty budjetti mittaa asiaankuuluvia UTF8-tavuja.
Oletus—
Kenttäinput_typeTyyppistringVaatimusValinnainenArvot & rajat
query, passage
Oletusquery
Kenttäencoding_formatTyyppistringVaatimusValinnainenArvot & rajat
float, base64
Oletusfloat
KenttätruncateTyyppistringVaatimusValinnainenArvot & rajat
NONE, START, END
Oletus—
KenttädimensionsTyyppiintegerVaatimusValinnainenArvot & rajat
Vähimmäismäärä: 1
Oletus—
KenttäuserTyyppistringVaatimusValinnainenArvot & rajatOletus—
Syöteaineistojen yhdistelmät

text_to_embedding

Menetelmän parametrit ja elinkaari
ParametriSopimus
Parametrimaterial_typesSopimustext
ParametrirequiredSopimusmodel, input
Parametrioptional_controlsSopimusnull
Parametricontent_typeSopimusapplication/json

Elinkaari: exact retained published method

Menetelmien rakenteet ja ID:t ovat täsmällisiä; toimittajan kyvykkyys on erillinen pyynnön hyväksymisestä.

Hinnoittelu

Ailoot-menetelmien hinnat

Ailoot VektoriesityksetPOST /v1/embeddings
Syöte
0,0001 $ / 1K

Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →

Esimerkkipyynnöt

Ailoot · Vektoriesitykset

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\n

Vastaanota ja tallenna tulokset

Ailoot · Vektoriesitykset

json

Säilytä kaikki valmistuneet tulokset

Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.

Pura base64-vektorit vain, jos kyseistä muotoa pyydettiin; säilytä jokainen vektori ja sen alkuperäinen indeksi.

Jos alkuperäinen vastaus on tarkistettava

Uutta upotustehtävien päätepistettä ei oteta käyttöön.

Vastauksen kentät
KenttäTyyppi
Kenttädata[].indexTyyppiinteger
Kenttädata[].embeddingTyyppifinite float[]|base64 float32 vector
KenttämodelTyyppistring
KenttäusageTyyppiobject
Virheet ja seuraavat vaiheet
VastausEhtoSeuraava vaihe
Vastaus400 · invalid_request_errorEhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvoSeuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä.

Aliakset

Mallin aliakset

Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest

Menetelmäpolkujen aliakset

Käytä yllä näytettyjä menetelmäpolkuja.

Liittyvät kutsujan ID:t

nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest

", "method_identity": { "effective_request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nvidia%2Fllama-nemotron-embed-vl-1b-v2", "ordinal": 0, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "Virheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo", "http_status": 400, "recovery": "Korjaa ilmoitetut kentät ennen uutta luontipyyntöä.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Uutta upotustehtävien päätepistettä ei oteta käyttöön." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Pura base64-vektorit vain, jos kyseistä muotoa pyydettiin; säilytä jokainen vektori ja sen alkuperäinen indeksi.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nvidia/llama-nemotron-embed-vl-1b-v2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "Jokaisen merkkijonon on oltava ei-tyhjä reunojen tyhjemerkkien poiston jälkeen; data-URI:t hylätään; hyväksytty budjetti mittaa asiaankuuluvia UTF8-tavuja.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]" }, { "availability": "source_interface", "default": "query", "default_known": true, "enum": [ "query", "passage" ], "enum_known": true, "name": "input_type", "required": false, "type": "string" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float", "base64" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "NONE", "START", "END" ], "enum_known": true, "name": "truncate", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "image objects", "data URI text inputs", "token integer arrays on this NVIDIA adapter" ] }, "hints": [ "Menetelmien rakenteet ja ID:t ovat täsmällisiä; toimittajan kyvykkyys on erillinen pyynnön hyväksymisestä." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "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\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "Vektoriesitykset", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } }, { "html": "
NV

Llama Nemotron Embed VL 1B v2

NVIDIA /nemotron-embed-vl

Aloitus

Llama Nemotron Embed VL v2 luo vektoreita asiakirjojen semanttiseen hakuun. Ailootin nykyisessä luettelossa kyselyille ja aineistoille on tarjolla tekstisyöte.

Hyväksytyt syötteet
Teksti
Tulokset
embedding
Tietoa mallista

Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.

Sopivan sivun löytäminen kysymyksen perusteella

NVIDIA kehitti Llama Nemotron Embed VL 1B v2 -mallin kysymykseen vastaamista tukevien aineistojen hakuun. Kysely annetaan tekstinä. Ailootin nykyisessä luettelossa mallille on tarjolla tekstisyöte: kysymys ja aineisto koodataan tekstinä. Valmistaja kuvaa myös asiakirjan sivukuvana tai kuvana yhdessä poimitun tekstin kanssa. Nämä visuaaliset vaihtoehdot vaativat erillisen kuvia tukevan menetelmän. Sopivalla syötteellä malli esittää taulukot, kuvaajat ja infografiikan yhteisessä vektoriavaruudessa.

Haku sopii suuren asiakirjakokoelman kysymys-vastausavustajiin, sisäisiin käsikirjoihin ja tutkimusaineistoihin. Koodauksen tulos on numeerinen vektori. Löydetty sivu tai jakso voidaan antaa vastausta muodostavalle mallille: Embed VL itse hoitaa kontekstin hakuvaiheen.

Valmistajan asiakirjavaihtoehdot

  • Tekstiasiakirja: erillinen osio, jakso tai jo tunnistettu sivuteksti.
  • Kuva: kokonainen sivu teksteineen, taulukoineen ja graafisine elementteineen.
  • Kuva ja teksti: sivun visuaalinen ilme ja tekstisisältö yhdistetään yhteen esitykseen.

Kysely ja asiakirja koodataan toisistaan riippumatta. Kokoelma voidaan siis käsitellä ennakkoon ja vektorit tallentaa lähtösivujen kanssa, jolloin uudelle kysymykselle lasketaan vain kyselyvektori. Vektorien samankaltaisuus auttaa valitsemaan aineistot merkityksen perusteella. Kyselyn ja asiakirjan tekstiroolit eroavat, mikä on tärkeää säilyttää aineiston valmistelussa.

Esityksen koko ja syötteen pituus

Jokainen syöte muuntuu yhdeksi vektoriksi, jonka ulottuvuus on enintään 2048 lukua. Tekstitilan budjetti on 8192 tokenia. Valmistajan kuvan ja tekstin yhdistävälle visuaaliselle menetelmälle kuvataan 10240 tokenin yhteisbudjetti, johon kuuluvat molemmat osat; tämä ei ole Ailoot-menetelmän tekstiraja. Kuva jaetaan osiin: kuvatussa konfiguraatiossa sallitaan enintään kuusi osaa ja pienennetty kopio koko sivusta, yhteensä noin 1792 visuaalista tokenia. Pitkät tekstit on jaettava tai lyhennettävä.

Kieliosa perustuu Llama 3.2 1B -malliin ja kuvaosa SigLIP2-malliin. Ne yhdistyvät enkooderiksi, joka keskiarvoistaa syötetokenien esitykset ja tuottaa yhden vektorin. Kontrastiivinen koulutus lähentää kysymystä sopivaan sivuun ja etäännyttää sitä epäolennaisista aineistoista. Haku on edelleen todennäköisyyspohjaista: vektorien läheisyys ei takaa, että valittu jakso sisältää oikean vastauksen.

Saatavilla Ailootissa · syötteet & menetelmät

Ailoot · Vektoriesitykset POST /v1/embeddings
Syötetyypit
text
Tulostyypit
embedding
Konteksti
4 096 tokens
Tulosteen muoto
json
KenttäTyyppiVaatimusArvot & rajatOletus
KenttämodelTyyppistringVaatimusPakollinenArvot & rajat
nemotron-embed-vl
Oletus—
KenttäinputTyyppistring|string[]VaatimusPakollinenArvot & rajat
Kohteiden vähimmäismäärä: 1
Ehdot: Jokaisen merkkijonon on oltava ei-tyhjä reunojen tyhjemerkkien poiston jälkeen; data-URI:t hylätään; hyväksytty budjetti mittaa asiaankuuluvia UTF8-tavuja.
Oletus—
Kenttäinput_typeTyyppistringVaatimusValinnainenArvot & rajat
query, passage
Oletusquery
Kenttäencoding_formatTyyppistringVaatimusValinnainenArvot & rajat
float, base64
Oletusfloat
KenttätruncateTyyppistringVaatimusValinnainenArvot & rajat
NONE, START, END
Oletus—
KenttädimensionsTyyppiintegerVaatimusValinnainenArvot & rajat
Vähimmäismäärä: 1
Oletus—
KenttäuserTyyppistringVaatimusValinnainenArvot & rajatOletus—
Syöteaineistojen yhdistelmät

text_to_embedding

Menetelmän parametrit ja elinkaari
ParametriSopimus
Parametrimaterial_typesSopimustext
ParametrirequiredSopimusmodel, input
Parametrioptional_controlsSopimusnull
Parametricontent_typeSopimusapplication/json

Elinkaari: exact retained published method

Menetelmien rakenteet ja ID:t ovat täsmällisiä; toimittajan kyvykkyys on erillinen pyynnön hyväksymisestä.

Hinnoittelu

Ailoot-menetelmien hinnat

Ailoot VektoriesityksetPOST /v1/embeddings
Syöte
0,0001 $ / 1K

Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →

Esimerkkipyynnöt

Ailoot · Vektoriesitykset

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\n

Vastaanota ja tallenna tulokset

Ailoot · Vektoriesitykset

json

Säilytä kaikki valmistuneet tulokset

Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.

Pura base64-vektorit vain, jos kyseistä muotoa pyydettiin; säilytä jokainen vektori ja sen alkuperäinen indeksi.

Jos alkuperäinen vastaus on tarkistettava

Uutta upotustehtävien päätepistettä ei oteta käyttöön.

Vastauksen kentät
KenttäTyyppi
Kenttädata[].indexTyyppiinteger
Kenttädata[].embeddingTyyppifinite float[]|base64 float32 vector
KenttämodelTyyppistring
KenttäusageTyyppiobject
Virheet ja seuraavat vaiheet
VastausEhtoSeuraava vaihe
Vastaus400 · invalid_request_errorEhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvoSeuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä.

Aliakset

Mallin aliakset

Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest

Menetelmäpolkujen aliakset

Käytä yllä näytettyjä menetelmäpolkuja.

Liittyvät kutsujan ID:t

nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest

", "method_identity": { "effective_request_model_id": "nemotron-embed-vl", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nemotron-embed-vl", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nemotron-embed-vl", "ordinal": 1, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "Virheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo", "http_status": 400, "recovery": "Korjaa ilmoitetut kentät ennen uutta luontipyyntöä.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Uutta upotustehtävien päätepistettä ei oteta käyttöön." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Pura base64-vektorit vain, jos kyseistä muotoa pyydettiin; säilytä jokainen vektori ja sen alkuperäinen indeksi.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-embed-vl" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "Jokaisen merkkijonon on oltava ei-tyhjä reunojen tyhjemerkkien poiston jälkeen; data-URI:t hylätään; hyväksytty budjetti mittaa asiaankuuluvia UTF8-tavuja.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]" }, { "availability": "source_interface", "default": "query", "default_known": true, "enum": [ "query", "passage" ], "enum_known": true, "name": "input_type", "required": false, "type": "string" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float", "base64" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "NONE", "START", "END" ], "enum_known": true, "name": "truncate", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "image objects", "data URI text inputs", "token integer arrays on this NVIDIA adapter" ] }, "hints": [ "Menetelmien rakenteet ja ID:t ovat täsmällisiä; toimittajan kyvykkyys on erillinen pyynnön hyväksymisestä." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "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\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "Vektoriesitykset", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-embed-vl", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } }, { "html": "
NV

Llama Nemotron Embed VL 1B v2

NVIDIA /nemotron-embed-vl-latest

Aloitus

Llama Nemotron Embed VL v2 luo vektoreita asiakirjojen semanttiseen hakuun. Ailootin nykyisessä luettelossa kyselyille ja aineistoille on tarjolla tekstisyöte.

Hyväksytyt syötteet
Teksti
Tulokset
embedding
Tietoa mallista

Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.

Sopivan sivun löytäminen kysymyksen perusteella

NVIDIA kehitti Llama Nemotron Embed VL 1B v2 -mallin kysymykseen vastaamista tukevien aineistojen hakuun. Kysely annetaan tekstinä. Ailootin nykyisessä luettelossa mallille on tarjolla tekstisyöte: kysymys ja aineisto koodataan tekstinä. Valmistaja kuvaa myös asiakirjan sivukuvana tai kuvana yhdessä poimitun tekstin kanssa. Nämä visuaaliset vaihtoehdot vaativat erillisen kuvia tukevan menetelmän. Sopivalla syötteellä malli esittää taulukot, kuvaajat ja infografiikan yhteisessä vektoriavaruudessa.

Haku sopii suuren asiakirjakokoelman kysymys-vastausavustajiin, sisäisiin käsikirjoihin ja tutkimusaineistoihin. Koodauksen tulos on numeerinen vektori. Löydetty sivu tai jakso voidaan antaa vastausta muodostavalle mallille: Embed VL itse hoitaa kontekstin hakuvaiheen.

Valmistajan asiakirjavaihtoehdot

  • Tekstiasiakirja: erillinen osio, jakso tai jo tunnistettu sivuteksti.
  • Kuva: kokonainen sivu teksteineen, taulukoineen ja graafisine elementteineen.
  • Kuva ja teksti: sivun visuaalinen ilme ja tekstisisältö yhdistetään yhteen esitykseen.

Kysely ja asiakirja koodataan toisistaan riippumatta. Kokoelma voidaan siis käsitellä ennakkoon ja vektorit tallentaa lähtösivujen kanssa, jolloin uudelle kysymykselle lasketaan vain kyselyvektori. Vektorien samankaltaisuus auttaa valitsemaan aineistot merkityksen perusteella. Kyselyn ja asiakirjan tekstiroolit eroavat, mikä on tärkeää säilyttää aineiston valmistelussa.

Esityksen koko ja syötteen pituus

Jokainen syöte muuntuu yhdeksi vektoriksi, jonka ulottuvuus on enintään 2048 lukua. Tekstitilan budjetti on 8192 tokenia. Valmistajan kuvan ja tekstin yhdistävälle visuaaliselle menetelmälle kuvataan 10240 tokenin yhteisbudjetti, johon kuuluvat molemmat osat; tämä ei ole Ailoot-menetelmän tekstiraja. Kuva jaetaan osiin: kuvatussa konfiguraatiossa sallitaan enintään kuusi osaa ja pienennetty kopio koko sivusta, yhteensä noin 1792 visuaalista tokenia. Pitkät tekstit on jaettava tai lyhennettävä.

Kieliosa perustuu Llama 3.2 1B -malliin ja kuvaosa SigLIP2-malliin. Ne yhdistyvät enkooderiksi, joka keskiarvoistaa syötetokenien esitykset ja tuottaa yhden vektorin. Kontrastiivinen koulutus lähentää kysymystä sopivaan sivuun ja etäännyttää sitä epäolennaisista aineistoista. Haku on edelleen todennäköisyyspohjaista: vektorien läheisyys ei takaa, että valittu jakso sisältää oikean vastauksen.

Saatavilla Ailootissa · syötteet & menetelmät

Ailoot · Vektoriesitykset POST /v1/embeddings
Syötetyypit
text
Tulostyypit
embedding
Konteksti
4 096 tokens
Tulosteen muoto
json
KenttäTyyppiVaatimusArvot & rajatOletus
KenttämodelTyyppistringVaatimusPakollinenArvot & rajat
nemotron-embed-vl-latest
Oletus—
KenttäinputTyyppistring|string[]VaatimusPakollinenArvot & rajat
Kohteiden vähimmäismäärä: 1
Ehdot: Jokaisen merkkijonon on oltava ei-tyhjä reunojen tyhjemerkkien poiston jälkeen; data-URI:t hylätään; hyväksytty budjetti mittaa asiaankuuluvia UTF8-tavuja.
Oletus—
Kenttäinput_typeTyyppistringVaatimusValinnainenArvot & rajat
query, passage
Oletusquery
Kenttäencoding_formatTyyppistringVaatimusValinnainenArvot & rajat
float, base64
Oletusfloat
KenttätruncateTyyppistringVaatimusValinnainenArvot & rajat
NONE, START, END
Oletus—
KenttädimensionsTyyppiintegerVaatimusValinnainenArvot & rajat
Vähimmäismäärä: 1
Oletus—
KenttäuserTyyppistringVaatimusValinnainenArvot & rajatOletus—
Syöteaineistojen yhdistelmät

text_to_embedding

Menetelmän parametrit ja elinkaari
ParametriSopimus
Parametrimaterial_typesSopimustext
ParametrirequiredSopimusmodel, input
Parametrioptional_controlsSopimusnull
Parametricontent_typeSopimusapplication/json

Elinkaari: exact retained published method

Menetelmien rakenteet ja ID:t ovat täsmällisiä; toimittajan kyvykkyys on erillinen pyynnön hyväksymisestä.

Hinnoittelu

Ailoot-menetelmien hinnat

Ailoot VektoriesityksetPOST /v1/embeddings
Syöte
0,0001 $ / 1K

Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →

Esimerkkipyynnöt

Ailoot · Vektoriesitykset

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\n

Vastaanota ja tallenna tulokset

Ailoot · Vektoriesitykset

json

Säilytä kaikki valmistuneet tulokset

Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.

Pura base64-vektorit vain, jos kyseistä muotoa pyydettiin; säilytä jokainen vektori ja sen alkuperäinen indeksi.

Jos alkuperäinen vastaus on tarkistettava

Uutta upotustehtävien päätepistettä ei oteta käyttöön.

Vastauksen kentät
KenttäTyyppi
Kenttädata[].indexTyyppiinteger
Kenttädata[].embeddingTyyppifinite float[]|base64 float32 vector
KenttämodelTyyppistring
KenttäusageTyyppiobject
Virheet ja seuraavat vaiheet
VastausEhtoSeuraava vaihe
Vastaus400 · invalid_request_errorEhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvoSeuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä.

Aliakset

Mallin aliakset

Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest

Menetelmäpolkujen aliakset

Käytä yllä näytettyjä menetelmäpolkuja.

Liittyvät kutsujan ID:t

nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest

", "method_identity": { "effective_request_model_id": "nemotron-embed-vl-latest", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nemotron-embed-vl-latest", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nemotron-embed-vl-latest", "ordinal": 2, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "Virheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo", "http_status": 400, "recovery": "Korjaa ilmoitetut kentät ennen uutta luontipyyntöä.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Uutta upotustehtävien päätepistettä ei oteta käyttöön." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Pura base64-vektorit vain, jos kyseistä muotoa pyydettiin; säilytä jokainen vektori ja sen alkuperäinen indeksi.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-embed-vl-latest" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "Jokaisen merkkijonon on oltava ei-tyhjä reunojen tyhjemerkkien poiston jälkeen; data-URI:t hylätään; hyväksytty budjetti mittaa asiaankuuluvia UTF8-tavuja.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]" }, { "availability": "source_interface", "default": "query", "default_known": true, "enum": [ "query", "passage" ], "enum_known": true, "name": "input_type", "required": false, "type": "string" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float", "base64" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "NONE", "START", "END" ], "enum_known": true, "name": "truncate", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "image objects", "data URI text inputs", "token integer arrays on this NVIDIA adapter" ] }, "hints": [ "Menetelmien rakenteet ja ID:t ovat täsmällisiä; toimittajan kyvykkyys on erillinen pyynnön hyväksymisestä." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "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\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "Vektoriesitykset", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-embed-vl-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } } ], "model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "nativeProvenance": { "input_facts_canonical_sha256": "40bf5ee869e5b8e755e432bfd53b7d3c6b9e3f812650efe02455cf459ee6e5fa", "input_html_sha256": "97cd3d2b282cafe9f7110880c8a5669929591d38712afb640c5f982e129f132f", "private_audit_sha256": "e11a2aaa32dfde08f7e950e3f7939e27afe46f21e65d4ecc0be61da40de509a0", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fi/nvidia-llama-nemotron-embed-vl-1b-v2/", "description": "Llama Nemotron Embed VL v2 luo vektoreita asiakirjojen semanttiseen hakuun. Ailootin nykyisessä luettelossa kyselyille ja aineistoille on tarjolla tekstisyöte.", "locale": "fi", "md_url": "https://ailoot.ai/models/fi/nvidia-llama-nemotron-embed-vl-1b-v2/index.md", "title": "Llama Nemotron Embed VL 1B v2 — Ailoot", "url": "https://ailoot.ai/models/fi/nvidia-llama-nemotron-embed-vl-1b-v2/" }, "rawModel": { "about": "### Sopivan sivun löytäminen kysymyksen perusteella\n\nNVIDIA kehitti Llama Nemotron Embed VL 1B v2 -mallin kysymykseen vastaamista tukevien aineistojen hakuun. Kysely annetaan tekstinä. Ailootin nykyisessä luettelossa mallille on tarjolla tekstisyöte: kysymys ja aineisto koodataan tekstinä. Valmistaja kuvaa myös asiakirjan sivukuvana tai kuvana yhdessä poimitun tekstin kanssa. Nämä visuaaliset vaihtoehdot vaativat erillisen kuvia tukevan menetelmän. Sopivalla syötteellä malli esittää taulukot, kuvaajat ja infografiikan yhteisessä vektoriavaruudessa.\n\nHaku sopii suuren asiakirjakokoelman kysymys-vastausavustajiin, sisäisiin käsikirjoihin ja tutkimusaineistoihin. Koodauksen tulos on numeerinen vektori. Löydetty sivu tai jakso voidaan antaa vastausta muodostavalle mallille: Embed VL itse hoitaa kontekstin hakuvaiheen.\n\n### Valmistajan asiakirjavaihtoehdot\n\n- Tekstiasiakirja: erillinen osio, jakso tai jo tunnistettu sivuteksti.\n- Kuva: kokonainen sivu teksteineen, taulukoineen ja graafisine elementteineen.\n- Kuva ja teksti: sivun visuaalinen ilme ja tekstisisältö yhdistetään yhteen esitykseen.\n\nKysely ja asiakirja koodataan toisistaan riippumatta. Kokoelma voidaan siis käsitellä ennakkoon ja vektorit tallentaa lähtösivujen kanssa, jolloin uudelle kysymykselle lasketaan vain kyselyvektori. Vektorien samankaltaisuus auttaa valitsemaan aineistot merkityksen perusteella. Kyselyn ja asiakirjan tekstiroolit eroavat, mikä on tärkeää säilyttää aineiston valmistelussa.\n\n### Esityksen koko ja syötteen pituus\n\nJokainen syöte muuntuu yhdeksi vektoriksi, jonka ulottuvuus on enintään 2048 lukua. Tekstitilan budjetti on 8192 tokenia. Valmistajan kuvan ja tekstin yhdistävälle visuaaliselle menetelmälle kuvataan 10240 tokenin yhteisbudjetti, johon kuuluvat molemmat osat; tämä ei ole Ailoot-menetelmän tekstiraja. Kuva jaetaan osiin: kuvatussa konfiguraatiossa sallitaan enintään kuusi osaa ja pienennetty kopio koko sivusta, yhteensä noin 1792 visuaalista tokenia. Pitkät tekstit on jaettava tai lyhennettävä.\n\nKieliosa perustuu Llama 3.2 1B -malliin ja kuvaosa SigLIP2-malliin. Ne yhdistyvät enkooderiksi, joka keskiarvoistaa syötetokenien esitykset ja tuottaa yhden vektorin. Kontrastiivinen koulutus lähentää kysymystä sopivaan sivuun ja etäännyttää sitä epäolennaisista aineistoista. Haku on edelleen todennäköisyyspohjaista: vektorien läheisyys ei takaa, että valittu jakso sisältää oikean vastauksen.", "alias_of": null, "aliases": [ "nemotron-embed-vl", "nemotron-embed-vl-latest" ], "author": "NVIDIA", "ctx": 4096, "display_name": "Llama Nemotron Embed VL 1B v2", "formats": [ "embeddings" ], "id": "nvidia/llama-nemotron-embed-vl-1b-v2", "input": [ "text" ], "kind": "embedding", "max_out": null, "methods": [ { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "Virheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo", "http_status": 400, "recovery": "Korjaa ilmoitetut kentät ennen uutta luontipyyntöä.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Uutta upotustehtävien päätepistettä ei oteta käyttöön." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Pura base64-vektorit vain, jos kyseistä muotoa pyydettiin; säilytä jokainen vektori ja sen alkuperäinen indeksi.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nvidia/llama-nemotron-embed-vl-1b-v2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "Jokaisen merkkijonon on oltava ei-tyhjä reunojen tyhjemerkkien poiston jälkeen; data-URI:t hylätään; hyväksytty budjetti mittaa asiaankuuluvia UTF8-tavuja.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]" }, { "availability": "source_interface", "default": "query", "default_known": true, "enum": [ "query", "passage" ], "enum_known": true, "name": "input_type", "required": false, "type": "string" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float", "base64" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "NONE", "START", "END" ], "enum_known": true, "name": "truncate", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "image objects", "data URI text inputs", "token integer arrays on this NVIDIA adapter" ] }, "hints": [ "Menetelmien rakenteet ja ID:t ovat täsmällisiä; toimittajan kyvykkyys on erillinen pyynnön hyväksymisestä." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "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\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "Vektoriesitykset", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] }, { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "Virheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo", "http_status": 400, "recovery": "Korjaa ilmoitetut kentät ennen uutta luontipyyntöä.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Uutta upotustehtävien päätepistettä ei oteta käyttöön." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Pura base64-vektorit vain, jos kyseistä muotoa pyydettiin; säilytä jokainen vektori ja sen alkuperäinen indeksi.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-embed-vl" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "Jokaisen merkkijonon on oltava ei-tyhjä reunojen tyhjemerkkien poiston jälkeen; data-URI:t hylätään; hyväksytty budjetti mittaa asiaankuuluvia UTF8-tavuja.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]" }, { "availability": "source_interface", "default": "query", "default_known": true, "enum": [ "query", "passage" ], "enum_known": true, "name": "input_type", "required": false, "type": "string" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float", "base64" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "NONE", "START", "END" ], "enum_known": true, "name": "truncate", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "image objects", "data URI text inputs", "token integer arrays on this NVIDIA adapter" ] }, "hints": [ "Menetelmien rakenteet ja ID:t ovat täsmällisiä; toimittajan kyvykkyys on erillinen pyynnön hyväksymisestä." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "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\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "Vektoriesitykset", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-embed-vl", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] }, { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "Virheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo", "http_status": 400, "recovery": "Korjaa ilmoitetut kentät ennen uutta luontipyyntöä.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Uutta upotustehtävien päätepistettä ei oteta käyttöön." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Pura base64-vektorit vain, jos kyseistä muotoa pyydettiin; säilytä jokainen vektori ja sen alkuperäinen indeksi.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-embed-vl-latest" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "Jokaisen merkkijonon on oltava ei-tyhjä reunojen tyhjemerkkien poiston jälkeen; data-URI:t hylätään; hyväksytty budjetti mittaa asiaankuuluvia UTF8-tavuja.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]" }, { "availability": "source_interface", "default": "query", "default_known": true, "enum": [ "query", "passage" ], "enum_known": true, "name": "input_type", "required": false, "type": "string" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float", "base64" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "NONE", "START", "END" ], "enum_known": true, "name": "truncate", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "image objects", "data URI text inputs", "token integer arrays on this NVIDIA adapter" ] }, "hints": [ "Menetelmien rakenteet ja ID:t ovat täsmällisiä; toimittajan kyvykkyys on erillinen pyynnön hyväksymisestä." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "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\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "Vektoriesitykset", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-embed-vl-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } ], "model_aliases": [ { "canonical_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "route_label": "Core" }, { "canonical_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "request_model_id": "nemotron-embed-vl", "route_label": "Core" }, { "canonical_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "request_model_id": "nemotron-embed-vl-latest", "route_label": "Core" } ], "name": "nvidia/llama-nemotron-embed-vl-1b-v2", "price": { "in": 0.1, "in_label": null, "out": null, "out_label": null, "sort_in": 0.1, "sort_out": null, "varies": false }, "short": "Llama Nemotron Embed VL v2 luo vektoreita asiakirjojen semanttiseen hakuun. Ailootin nykyisessä luettelossa kyselyille ja aineistoille on tarjolla tekstisyöte." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 }, { "contract_json_pointer": "/methods/1/rawMethod/contract", "html_json_pointer": "/methods/1/html", "method_ordinal": 1 }, { "contract_json_pointer": "/methods/2/rawMethod/contract", "html_json_pointer": "/methods/2/html", "method_ordinal": 2 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod", "/methods/1/rawMethod", "/methods/2/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Llama Nemotron Embed VL v2 luo vektoreita asiakirjojen semanttiseen hakuun. Ailootin nykyisessä luettelossa kyselyille ja aineistoille on tarjolla tekstisyöte.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "9122e7ae5a08a85423cda444c6d9d780961ffedcc34fa0f31d571e78eaeef0ee", "renderer_sha256": "303a59603e2bc29ba8fda690e95fd32cec68de223d92e26054a88babff801dd7" }, "sourceRevision": "fcfe63af696984cde3e4b31e917a9def8b9e9eebda9349a799ca4674ff3a07b4" }