{ "aboutHtml": "

Nemotron 3 Embed 1B on NVIDIAn tekstimalli merkityspohjaiseen hakuun ja jaksojen vertaamiseen. Se koodaa kysymykset, asiakirjat ja ohjelmakoodin tiheiksi numeerisiksi vektoreiksi. Näillä esityksillä löydetään tarvittava konteksti suurista kokoelmista, täydennetään avustajan vastausta tai poimitaan aiemmin tallennettu tieto agentin seuraavaa vaihetta varten.

Monikielinen tieto ja koodi

Malli on tarkoitettu monikieliseen ja kieltenväliseen hakuun: kysymys ja sopiva aineisto voivat olla eri kielillä. Venäjä kuuluu julkaistuun 34 kielen valikoimaan yhdessä englannin, ukrainan, kiinan, japanin, arabian ja muiden kanssa. Tämä on hyödyllistä yhteisissä tietopohjissa, joissa tekniset asiakirjat ja käyttäjien yhteydenotot eivät ole samalla kielellä.

Tehtäviin kuuluvat dokumentaatiohaku, tekstien vertaaminen ja koodin poiminta sanallisen kuvauksen perusteella. Suuri syöteikkuna mahdollistaa pitkien asiakirjojen, laajan ohjelmakontekstin ja agentin usean vaiheen historian käsittelyn. Löydetty aineisto palautetaan jatkoprosessiin kontekstina; järjestelmän seuraava komponentti muodostaa lopulliset selitykset ja vastaukset.

Tekstistä vektoriksi

Syöte koostuu tekstimerkkijonoista. Jokaisesta merkkijonosta muodostuu yksi 2048 luvun vektori. Sekvenssin enimmäispituus on 32768 tokenia; pidempi aineisto on jaettava osiin tai lyhennettävä. Syötteen valmistelussa kysymys ja asiakirja erotetaan: malli on koulutettu yhdistämään niiden roolit, joten samaa merkkijonoa ei tule muotoilla näissä kahdessa tehtävässä käyttötarkoitusta huomioimatta.

Vektorit normeerataan pituuden mukaan. Tällöin pistetulo ja kosinisamankaltaisuus ovat vastaavia vertailutapoja. Täydestä vektorista voi säilyttää ensimmäiset 1024 tai 512 koordinaattia, mutta katkaisun jälkeen normeeraukset on tehtävä uudelleen. Tämä on tuloksen käsittelyn ominaisuus; ulottuvuus on valittava yhdenmukaisesti kokoelmalle ja kyselyille.

Kompaktin mallin rakenne

Enkooderissa on noin 1,14 miljardia parametria. Se on saatu Ministral 3 3B -pohjaisesta mallista kahden rakenteellisen pienennys- ja distillaatiovaiheen kautta. Kaksisuuntainen huomio huomioi koko syötteen, minkä jälkeen tokenien esitykset keskiarvoistetaan yhteiseksi vektoriksi.

NVIDIA julkaisee BF16- ja NVFP4-versiot. Niiden esitysavaruudet ovat lähellä toisiaan, mutta version vaihtaminen vaatii tarkistamista omilla asiakirjoilla. Numeerinen samankaltaisuus ei takaa eikä kontekstin pituuskaan takaa, että haku valitsee aina oikean jakson.

", "aboutText": "Nemotron 3 Embed 1B on NVIDIAn tekstimalli merkityspohjaiseen hakuun ja jaksojen vertaamiseen. Se koodaa kysymykset, asiakirjat ja ohjelmakoodin tiheiksi numeerisiksi vektoreiksi. Näillä esityksillä löydetään tarvittava konteksti suurista kokoelmista, täydennetään avustajan vastausta tai poimitaan aiemmin tallennettu tieto agentin seuraavaa vaihetta varten.\n\n### Monikielinen tieto ja koodi\n\nMalli on tarkoitettu monikieliseen ja kieltenväliseen hakuun: kysymys ja sopiva aineisto voivat olla eri kielillä. Venäjä kuuluu julkaistuun 34 kielen valikoimaan yhdessä englannin, ukrainan, kiinan, japanin, arabian ja muiden kanssa. Tämä on hyödyllistä yhteisissä tietopohjissa, joissa tekniset asiakirjat ja käyttäjien yhteydenotot eivät ole samalla kielellä.\n\nTehtäviin kuuluvat dokumentaatiohaku, tekstien vertaaminen ja koodin poiminta sanallisen kuvauksen perusteella. Suuri syöteikkuna mahdollistaa pitkien asiakirjojen, laajan ohjelmakontekstin ja agentin usean vaiheen historian käsittelyn. Löydetty aineisto palautetaan jatkoprosessiin kontekstina; järjestelmän seuraava komponentti muodostaa lopulliset selitykset ja vastaukset.\n\n### Tekstistä vektoriksi\n\nSyöte koostuu tekstimerkkijonoista. Jokaisesta merkkijonosta muodostuu yksi 2048 luvun vektori. Sekvenssin enimmäispituus on 32768 tokenia; pidempi aineisto on jaettava osiin tai lyhennettävä. Syötteen valmistelussa kysymys ja asiakirja erotetaan: malli on koulutettu yhdistämään niiden roolit, joten samaa merkkijonoa ei tule muotoilla näissä kahdessa tehtävässä käyttötarkoitusta huomioimatta.\n\nVektorit normeerataan pituuden mukaan. Tällöin pistetulo ja kosinisamankaltaisuus ovat vastaavia vertailutapoja. Täydestä vektorista voi säilyttää ensimmäiset 1024 tai 512 koordinaattia, mutta katkaisun jälkeen normeeraukset on tehtävä uudelleen. Tämä on tuloksen käsittelyn ominaisuus; ulottuvuus on valittava yhdenmukaisesti kokoelmalle ja kyselyille.\n\n### Kompaktin mallin rakenne\n\nEnkooderissa on noin 1,14 miljardia parametria. Se on saatu Ministral 3 3B -pohjaisesta mallista kahden rakenteellisen pienennys- ja distillaatiovaiheen kautta. Kaksisuuntainen huomio huomioi koko syötteen, minkä jälkeen tokenien esitykset keskiarvoistetaan yhteiseksi vektoriksi.\n\nNVIDIA julkaisee BF16- ja NVFP4-versiot. Niiden esitysavaruudet ovat lähellä toisiaan, mutta version vaihtaminen vaatii tarkistamista omilla asiakirjoilla. Numeerinen samankaltaisuus ei takaa eikä kontekstin pituuskaan takaa, että haku valitsee aina oikean jakson.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "12610519e0b9581fa40127d4060d4f87dee5f4667e6933b5259cb7ce1f1e5a96", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fi", "methods": [ { "html": "
NV

Nemotron 3 Embed 1B

NVIDIA /nvidia/nemotron-3-embed-1b

Aloitus

Nemotron 3 Embed 1B muuntaa tekstit vektoreiksi monikielistä hakua, koodihakua ja RAG-käyttöä varten. Se käsittelee enintään 32768 tokenin sekvenssejä ja tuottaa 2048 luvun esityksen.

Hyväksytyt syötteet
Teksti
Tulokset
embedding
Tietoa mallista

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

Nemotron 3 Embed 1B on NVIDIAn tekstimalli merkityspohjaiseen hakuun ja jaksojen vertaamiseen. Se koodaa kysymykset, asiakirjat ja ohjelmakoodin tiheiksi numeerisiksi vektoreiksi. Näillä esityksillä löydetään tarvittava konteksti suurista kokoelmista, täydennetään avustajan vastausta tai poimitaan aiemmin tallennettu tieto agentin seuraavaa vaihetta varten.

Monikielinen tieto ja koodi

Malli on tarkoitettu monikieliseen ja kieltenväliseen hakuun: kysymys ja sopiva aineisto voivat olla eri kielillä. Venäjä kuuluu julkaistuun 34 kielen valikoimaan yhdessä englannin, ukrainan, kiinan, japanin, arabian ja muiden kanssa. Tämä on hyödyllistä yhteisissä tietopohjissa, joissa tekniset asiakirjat ja käyttäjien yhteydenotot eivät ole samalla kielellä.

Tehtäviin kuuluvat dokumentaatiohaku, tekstien vertaaminen ja koodin poiminta sanallisen kuvauksen perusteella. Suuri syöteikkuna mahdollistaa pitkien asiakirjojen, laajan ohjelmakontekstin ja agentin usean vaiheen historian käsittelyn. Löydetty aineisto palautetaan jatkoprosessiin kontekstina; järjestelmän seuraava komponentti muodostaa lopulliset selitykset ja vastaukset.

Tekstistä vektoriksi

Syöte koostuu tekstimerkkijonoista. Jokaisesta merkkijonosta muodostuu yksi 2048 luvun vektori. Sekvenssin enimmäispituus on 32768 tokenia; pidempi aineisto on jaettava osiin tai lyhennettävä. Syötteen valmistelussa kysymys ja asiakirja erotetaan: malli on koulutettu yhdistämään niiden roolit, joten samaa merkkijonoa ei tule muotoilla näissä kahdessa tehtävässä käyttötarkoitusta huomioimatta.

Vektorit normeerataan pituuden mukaan. Tällöin pistetulo ja kosinisamankaltaisuus ovat vastaavia vertailutapoja. Täydestä vektorista voi säilyttää ensimmäiset 1024 tai 512 koordinaattia, mutta katkaisun jälkeen normeeraukset on tehtävä uudelleen. Tämä on tuloksen käsittelyn ominaisuus; ulottuvuus on valittava yhdenmukaisesti kokoelmalle ja kyselyille.

Kompaktin mallin rakenne

Enkooderissa on noin 1,14 miljardia parametria. Se on saatu Ministral 3 3B -pohjaisesta mallista kahden rakenteellisen pienennys- ja distillaatiovaiheen kautta. Kaksisuuntainen huomio huomioi koko syötteen, minkä jälkeen tokenien esitykset keskiarvoistetaan yhteiseksi vektoriksi.

NVIDIA julkaisee BF16- ja NVFP4-versiot. Niiden esitysavaruudet ovat lähellä toisiaan, mutta version vaihtaminen vaatii tarkistamista omilla asiakirjoilla. Numeerinen samankaltaisuus ei takaa eikä kontekstin pituuskaan takaa, että haku valitsee aina oikean jakson.

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/nemotron-3-embed-1b
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/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\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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

Menetelmäpolkujen aliakset

Käytä yllä näytettyjä menetelmäpolkuja.

Liittyvät kutsujan ID:t

nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

", "method_identity": { "effective_request_model_id": "nvidia/nemotron-3-embed-1b", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nvidia/nemotron-3-embed-1b", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nvidia%2Fnemotron-3-embed-1b", "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/nemotron-3-embed-1b" ], "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/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\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/nemotron-3-embed-1b", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } }, { "html": "
NV

Nemotron 3 Embed 1B

NVIDIA /nemotron-3-embed

Aloitus

Nemotron 3 Embed 1B muuntaa tekstit vektoreiksi monikielistä hakua, koodihakua ja RAG-käyttöä varten. Se käsittelee enintään 32768 tokenin sekvenssejä ja tuottaa 2048 luvun esityksen.

Hyväksytyt syötteet
Teksti
Tulokset
embedding
Tietoa mallista

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

Nemotron 3 Embed 1B on NVIDIAn tekstimalli merkityspohjaiseen hakuun ja jaksojen vertaamiseen. Se koodaa kysymykset, asiakirjat ja ohjelmakoodin tiheiksi numeerisiksi vektoreiksi. Näillä esityksillä löydetään tarvittava konteksti suurista kokoelmista, täydennetään avustajan vastausta tai poimitaan aiemmin tallennettu tieto agentin seuraavaa vaihetta varten.

Monikielinen tieto ja koodi

Malli on tarkoitettu monikieliseen ja kieltenväliseen hakuun: kysymys ja sopiva aineisto voivat olla eri kielillä. Venäjä kuuluu julkaistuun 34 kielen valikoimaan yhdessä englannin, ukrainan, kiinan, japanin, arabian ja muiden kanssa. Tämä on hyödyllistä yhteisissä tietopohjissa, joissa tekniset asiakirjat ja käyttäjien yhteydenotot eivät ole samalla kielellä.

Tehtäviin kuuluvat dokumentaatiohaku, tekstien vertaaminen ja koodin poiminta sanallisen kuvauksen perusteella. Suuri syöteikkuna mahdollistaa pitkien asiakirjojen, laajan ohjelmakontekstin ja agentin usean vaiheen historian käsittelyn. Löydetty aineisto palautetaan jatkoprosessiin kontekstina; järjestelmän seuraava komponentti muodostaa lopulliset selitykset ja vastaukset.

Tekstistä vektoriksi

Syöte koostuu tekstimerkkijonoista. Jokaisesta merkkijonosta muodostuu yksi 2048 luvun vektori. Sekvenssin enimmäispituus on 32768 tokenia; pidempi aineisto on jaettava osiin tai lyhennettävä. Syötteen valmistelussa kysymys ja asiakirja erotetaan: malli on koulutettu yhdistämään niiden roolit, joten samaa merkkijonoa ei tule muotoilla näissä kahdessa tehtävässä käyttötarkoitusta huomioimatta.

Vektorit normeerataan pituuden mukaan. Tällöin pistetulo ja kosinisamankaltaisuus ovat vastaavia vertailutapoja. Täydestä vektorista voi säilyttää ensimmäiset 1024 tai 512 koordinaattia, mutta katkaisun jälkeen normeeraukset on tehtävä uudelleen. Tämä on tuloksen käsittelyn ominaisuus; ulottuvuus on valittava yhdenmukaisesti kokoelmalle ja kyselyille.

Kompaktin mallin rakenne

Enkooderissa on noin 1,14 miljardia parametria. Se on saatu Ministral 3 3B -pohjaisesta mallista kahden rakenteellisen pienennys- ja distillaatiovaiheen kautta. Kaksisuuntainen huomio huomioi koko syötteen, minkä jälkeen tokenien esitykset keskiarvoistetaan yhteiseksi vektoriksi.

NVIDIA julkaisee BF16- ja NVFP4-versiot. Niiden esitysavaruudet ovat lähellä toisiaan, mutta version vaihtaminen vaatii tarkistamista omilla asiakirjoilla. Numeerinen samankaltaisuus ei takaa eikä kontekstin pituuskaan takaa, että haku valitsee aina oikean jakson.

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-3-embed
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-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\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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

Menetelmäpolkujen aliakset

Käytä yllä näytettyjä menetelmäpolkuja.

Liittyvät kutsujan ID:t

nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

", "method_identity": { "effective_request_model_id": "nemotron-3-embed", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nemotron-3-embed", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nemotron-3-embed", "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-3-embed" ], "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-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\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-3-embed", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } }, { "html": "
NV

Nemotron 3 Embed 1B

NVIDIA /nemotron-3-embed-latest

Aloitus

Nemotron 3 Embed 1B muuntaa tekstit vektoreiksi monikielistä hakua, koodihakua ja RAG-käyttöä varten. Se käsittelee enintään 32768 tokenin sekvenssejä ja tuottaa 2048 luvun esityksen.

Hyväksytyt syötteet
Teksti
Tulokset
embedding
Tietoa mallista

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

Nemotron 3 Embed 1B on NVIDIAn tekstimalli merkityspohjaiseen hakuun ja jaksojen vertaamiseen. Se koodaa kysymykset, asiakirjat ja ohjelmakoodin tiheiksi numeerisiksi vektoreiksi. Näillä esityksillä löydetään tarvittava konteksti suurista kokoelmista, täydennetään avustajan vastausta tai poimitaan aiemmin tallennettu tieto agentin seuraavaa vaihetta varten.

Monikielinen tieto ja koodi

Malli on tarkoitettu monikieliseen ja kieltenväliseen hakuun: kysymys ja sopiva aineisto voivat olla eri kielillä. Venäjä kuuluu julkaistuun 34 kielen valikoimaan yhdessä englannin, ukrainan, kiinan, japanin, arabian ja muiden kanssa. Tämä on hyödyllistä yhteisissä tietopohjissa, joissa tekniset asiakirjat ja käyttäjien yhteydenotot eivät ole samalla kielellä.

Tehtäviin kuuluvat dokumentaatiohaku, tekstien vertaaminen ja koodin poiminta sanallisen kuvauksen perusteella. Suuri syöteikkuna mahdollistaa pitkien asiakirjojen, laajan ohjelmakontekstin ja agentin usean vaiheen historian käsittelyn. Löydetty aineisto palautetaan jatkoprosessiin kontekstina; järjestelmän seuraava komponentti muodostaa lopulliset selitykset ja vastaukset.

Tekstistä vektoriksi

Syöte koostuu tekstimerkkijonoista. Jokaisesta merkkijonosta muodostuu yksi 2048 luvun vektori. Sekvenssin enimmäispituus on 32768 tokenia; pidempi aineisto on jaettava osiin tai lyhennettävä. Syötteen valmistelussa kysymys ja asiakirja erotetaan: malli on koulutettu yhdistämään niiden roolit, joten samaa merkkijonoa ei tule muotoilla näissä kahdessa tehtävässä käyttötarkoitusta huomioimatta.

Vektorit normeerataan pituuden mukaan. Tällöin pistetulo ja kosinisamankaltaisuus ovat vastaavia vertailutapoja. Täydestä vektorista voi säilyttää ensimmäiset 1024 tai 512 koordinaattia, mutta katkaisun jälkeen normeeraukset on tehtävä uudelleen. Tämä on tuloksen käsittelyn ominaisuus; ulottuvuus on valittava yhdenmukaisesti kokoelmalle ja kyselyille.

Kompaktin mallin rakenne

Enkooderissa on noin 1,14 miljardia parametria. Se on saatu Ministral 3 3B -pohjaisesta mallista kahden rakenteellisen pienennys- ja distillaatiovaiheen kautta. Kaksisuuntainen huomio huomioi koko syötteen, minkä jälkeen tokenien esitykset keskiarvoistetaan yhteiseksi vektoriksi.

NVIDIA julkaisee BF16- ja NVFP4-versiot. Niiden esitysavaruudet ovat lähellä toisiaan, mutta version vaihtaminen vaatii tarkistamista omilla asiakirjoilla. Numeerinen samankaltaisuus ei takaa eikä kontekstin pituuskaan takaa, että haku valitsee aina oikean jakson.

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-3-embed-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-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\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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

Menetelmäpolkujen aliakset

Käytä yllä näytettyjä menetelmäpolkuja.

Liittyvät kutsujan ID:t

nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

", "method_identity": { "effective_request_model_id": "nemotron-3-embed-latest", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nemotron-3-embed-latest", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nemotron-3-embed-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-3-embed-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-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\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-3-embed-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } } ], "model_id": "nvidia/nemotron-3-embed-1b", "nativeProvenance": { "input_facts_canonical_sha256": "7cac971f9599d970c56dbcdbf15c8319d29333ecffdb1660462d2b29dfa5d419", "input_html_sha256": "70e704d5738bbbc5689e43e535dbf04c4eb39d327b1b2c995b99f2eda83843d6", "private_audit_sha256": "3ba613558c8757d2884d793ef97bc799c799a0b0dbd84a59c77c162ec232000e", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fi/nvidia-nemotron-3-embed-1b/", "description": "Nemotron 3 Embed 1B muuntaa tekstit vektoreiksi monikielistä hakua, koodihakua ja RAG-käyttöä varten. Se käsittelee enintään 32768 tokenin sekvenssejä ja tuottaa 2048 luvun esityksen.", "locale": "fi", "md_url": "https://ailoot.ai/models/fi/nvidia-nemotron-3-embed-1b/index.md", "title": "Nemotron 3 Embed 1B — Ailoot", "url": "https://ailoot.ai/models/fi/nvidia-nemotron-3-embed-1b/" }, "rawModel": { "about": "Nemotron 3 Embed 1B on NVIDIAn tekstimalli merkityspohjaiseen hakuun ja jaksojen vertaamiseen. Se koodaa kysymykset, asiakirjat ja ohjelmakoodin tiheiksi numeerisiksi vektoreiksi. Näillä esityksillä löydetään tarvittava konteksti suurista kokoelmista, täydennetään avustajan vastausta tai poimitaan aiemmin tallennettu tieto agentin seuraavaa vaihetta varten.\n\n### Monikielinen tieto ja koodi\n\nMalli on tarkoitettu monikieliseen ja kieltenväliseen hakuun: kysymys ja sopiva aineisto voivat olla eri kielillä. Venäjä kuuluu julkaistuun 34 kielen valikoimaan yhdessä englannin, ukrainan, kiinan, japanin, arabian ja muiden kanssa. Tämä on hyödyllistä yhteisissä tietopohjissa, joissa tekniset asiakirjat ja käyttäjien yhteydenotot eivät ole samalla kielellä.\n\nTehtäviin kuuluvat dokumentaatiohaku, tekstien vertaaminen ja koodin poiminta sanallisen kuvauksen perusteella. Suuri syöteikkuna mahdollistaa pitkien asiakirjojen, laajan ohjelmakontekstin ja agentin usean vaiheen historian käsittelyn. Löydetty aineisto palautetaan jatkoprosessiin kontekstina; järjestelmän seuraava komponentti muodostaa lopulliset selitykset ja vastaukset.\n\n### Tekstistä vektoriksi\n\nSyöte koostuu tekstimerkkijonoista. Jokaisesta merkkijonosta muodostuu yksi 2048 luvun vektori. Sekvenssin enimmäispituus on 32768 tokenia; pidempi aineisto on jaettava osiin tai lyhennettävä. Syötteen valmistelussa kysymys ja asiakirja erotetaan: malli on koulutettu yhdistämään niiden roolit, joten samaa merkkijonoa ei tule muotoilla näissä kahdessa tehtävässä käyttötarkoitusta huomioimatta.\n\nVektorit normeerataan pituuden mukaan. Tällöin pistetulo ja kosinisamankaltaisuus ovat vastaavia vertailutapoja. Täydestä vektorista voi säilyttää ensimmäiset 1024 tai 512 koordinaattia, mutta katkaisun jälkeen normeeraukset on tehtävä uudelleen. Tämä on tuloksen käsittelyn ominaisuus; ulottuvuus on valittava yhdenmukaisesti kokoelmalle ja kyselyille.\n\n### Kompaktin mallin rakenne\n\nEnkooderissa on noin 1,14 miljardia parametria. Se on saatu Ministral 3 3B -pohjaisesta mallista kahden rakenteellisen pienennys- ja distillaatiovaiheen kautta. Kaksisuuntainen huomio huomioi koko syötteen, minkä jälkeen tokenien esitykset keskiarvoistetaan yhteiseksi vektoriksi.\n\nNVIDIA julkaisee BF16- ja NVFP4-versiot. Niiden esitysavaruudet ovat lähellä toisiaan, mutta version vaihtaminen vaatii tarkistamista omilla asiakirjoilla. Numeerinen samankaltaisuus ei takaa eikä kontekstin pituuskaan takaa, että haku valitsee aina oikean jakson.", "alias_of": null, "aliases": [ "nemotron-3-embed", "nemotron-3-embed-latest" ], "author": "NVIDIA", "ctx": 4096, "display_name": "Nemotron 3 Embed 1B", "formats": [ "embeddings" ], "id": "nvidia/nemotron-3-embed-1b", "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/nemotron-3-embed-1b" ], "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/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\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/nemotron-3-embed-1b", "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-3-embed" ], "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-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\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-3-embed", "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-3-embed-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-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\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-3-embed-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } ], "model_aliases": [ { "canonical_model_id": "nvidia/nemotron-3-embed-1b", "request_model_id": "nvidia/nemotron-3-embed-1b", "route_label": "Core" }, { "canonical_model_id": "nvidia/nemotron-3-embed-1b", "request_model_id": "nemotron-3-embed", "route_label": "Core" }, { "canonical_model_id": "nvidia/nemotron-3-embed-1b", "request_model_id": "nemotron-3-embed-latest", "route_label": "Core" } ], "name": "nvidia/nemotron-3-embed-1b", "price": { "in": 0.1, "in_label": null, "out": null, "out_label": null, "sort_in": 0.1, "sort_out": null, "varies": false }, "short": "Nemotron 3 Embed 1B muuntaa tekstit vektoreiksi monikielistä hakua, koodihakua ja RAG-käyttöä varten. Se käsittelee enintään 32768 tokenin sekvenssejä ja tuottaa 2048 luvun esityksen." }, "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": "Nemotron 3 Embed 1B muuntaa tekstit vektoreiksi monikielistä hakua, koodihakua ja RAG-käyttöä varten. Se käsittelee enintään 32768 tokenin sekvenssejä ja tuottaa 2048 luvun esityksen.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "935eb0ee1328e36b9e7edeeae7a84993c13c78b1edf39ca5783b660ce9801b2e", "renderer_sha256": "303a59603e2bc29ba8fda690e95fd32cec68de223d92e26054a88babff801dd7" }, "sourceRevision": "418fdc75c8cd55dd7b88f3a9564cc64aa26a51b43f6f1c14b94f85dc64886771" }