Nemotron 3 Embed 1B est un modèle textuel de NVIDIA pour la recherche sémantique et la comparaison de segments. Il encode les questions, les documents et le code en vecteurs numériques denses. Ces représentations servent à trouver le contexte pertinent dans de grandes collections, à enrichir la réponse d’un assistant ou à récupérer des informations enregistrées auparavant pour l’étape suivante d’un agent.
Le modèle vise la recherche multilingue et interlinguistique : une question et le contenu pertinent peuvent être écrits dans des langues différentes. Le russe fait partie de l’ensemble publié de 34 langues, avec l’anglais, l’ukrainien, le chinois, le japonais, l’arabe et d’autres langues. Cela est utile pour les bases de connaissances communes où les documents techniques et les demandes des utilisateurs ne sont pas tous dans la même langue.
Les tâches comprennent la recherche dans la documentation, la comparaison de textes et la récupération de code à partir d’une description verbale. La grande fenêtre d’entrée permet de travailler sur de longs documents, un contexte logiciel volumineux et l’historique de plusieurs étapes d’un agent. Le contenu trouvé est restitué comme contexte pour la suite du processus ; les explications et les réponses finales sont produites par le composant suivant du système.
L’entrée se compose de chaînes de texte. Chaque chaîne produit un vecteur de 2048 nombres. La longueur maximale de la séquence est de 32768 jetons ; les contenus plus longs doivent être divisés en parties ou raccourcis. La préparation de l’entrée distingue la question du document : le modèle est entraîné à associer leurs rôles, et une chaîne identique dans ces deux tâches ne doit donc pas être présentée sans tenir compte de sa finalité.
Les vecteurs sont normalisés selon leur norme. Avec cette représentation, le produit scalaire et la similarité cosinus donnent des modes de comparaison équivalents. Il est possible de conserver les 1024 ou 512 premières coordonnées du vecteur complet, mais il faut le normaliser à nouveau après la troncature. Il s’agit d’une propriété du traitement du résultat ; la dimension doit être choisie de façon cohérente pour la collection et les requêtes.
L’encodeur contient environ 1,14 milliard de paramètres. Il est obtenu à partir d’un modèle reposant sur Ministral 3 3B, par deux étapes de réduction structurelle et de distillation. L’attention bidirectionnelle tient compte de toute l’entrée, puis les représentations des jetons sont moyennées pour former un vecteur commun.
NVIDIA publie les variantes BF16 et NVFP4. Leurs espaces de représentation sont proches, mais le changement de variante nécessite une vérification sur ses propres documents. Ni la similarité numérique ni la longueur du contexte ne garantissent que la recherche sélectionne toujours le bon segment.
", "aboutText": "Nemotron 3 Embed 1B est un modèle textuel de NVIDIA pour la recherche sémantique et la comparaison de segments. Il encode les questions, les documents et le code en vecteurs numériques denses. Ces représentations servent à trouver le contexte pertinent dans de grandes collections, à enrichir la réponse d’un assistant ou à récupérer des informations enregistrées auparavant pour l’étape suivante d’un agent.\n\n### Les connaissances multilingues et le code\n\nLe modèle vise la recherche multilingue et interlinguistique : une question et le contenu pertinent peuvent être écrits dans des langues différentes. Le russe fait partie de l’ensemble publié de 34 langues, avec l’anglais, l’ukrainien, le chinois, le japonais, l’arabe et d’autres langues. Cela est utile pour les bases de connaissances communes où les documents techniques et les demandes des utilisateurs ne sont pas tous dans la même langue.\n\nLes tâches comprennent la recherche dans la documentation, la comparaison de textes et la récupération de code à partir d’une description verbale. La grande fenêtre d’entrée permet de travailler sur de longs documents, un contexte logiciel volumineux et l’historique de plusieurs étapes d’un agent. Le contenu trouvé est restitué comme contexte pour la suite du processus ; les explications et les réponses finales sont produites par le composant suivant du système.\n\n### Du texte au vecteur\n\nL’entrée se compose de chaînes de texte. Chaque chaîne produit un vecteur de 2048 nombres. La longueur maximale de la séquence est de 32768 jetons ; les contenus plus longs doivent être divisés en parties ou raccourcis. La préparation de l’entrée distingue la question du document : le modèle est entraîné à associer leurs rôles, et une chaîne identique dans ces deux tâches ne doit donc pas être présentée sans tenir compte de sa finalité.\n\nLes vecteurs sont normalisés selon leur norme. Avec cette représentation, le produit scalaire et la similarité cosinus donnent des modes de comparaison équivalents. Il est possible de conserver les 1024 ou 512 premières coordonnées du vecteur complet, mais il faut le normaliser à nouveau après la troncature. Il s’agit d’une propriété du traitement du résultat ; la dimension doit être choisie de façon cohérente pour la collection et les requêtes.\n\n### Le fonctionnement du modèle compact\n\nL’encodeur contient environ 1,14 milliard de paramètres. Il est obtenu à partir d’un modèle reposant sur Ministral 3 3B, par deux étapes de réduction structurelle et de distillation. L’attention bidirectionnelle tient compte de toute l’entrée, puis les représentations des jetons sont moyennées pour former un vecteur commun.\n\nNVIDIA publie les variantes BF16 et NVFP4. Leurs espaces de représentation sont proches, mais le changement de variante nécessite une vérification sur ses propres documents. Ni la similarité numérique ni la longueur du contexte ne garantissent que la recherche sélectionne toujours le bon segment.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e28bf31519333c0d335398a207febcecb11c87ea273beaddc8839c4c5578d633", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "nvidia/nemotron-3-embed-1bNemotron 3 Embed 1B transforme le texte en vecteurs pour la recherche multilingue, la recherche de code et le RAG. Il traite des séquences allant jusqu’à 32768 jetons et produit une représentation de dimension 2048.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Nemotron 3 Embed 1B est un modèle textuel de NVIDIA pour la recherche sémantique et la comparaison de segments. Il encode les questions, les documents et le code en vecteurs numériques denses. Ces représentations servent à trouver le contexte pertinent dans de grandes collections, à enrichir la réponse d’un assistant ou à récupérer des informations enregistrées auparavant pour l’étape suivante d’un agent.
Le modèle vise la recherche multilingue et interlinguistique : une question et le contenu pertinent peuvent être écrits dans des langues différentes. Le russe fait partie de l’ensemble publié de 34 langues, avec l’anglais, l’ukrainien, le chinois, le japonais, l’arabe et d’autres langues. Cela est utile pour les bases de connaissances communes où les documents techniques et les demandes des utilisateurs ne sont pas tous dans la même langue.
Les tâches comprennent la recherche dans la documentation, la comparaison de textes et la récupération de code à partir d’une description verbale. La grande fenêtre d’entrée permet de travailler sur de longs documents, un contexte logiciel volumineux et l’historique de plusieurs étapes d’un agent. Le contenu trouvé est restitué comme contexte pour la suite du processus ; les explications et les réponses finales sont produites par le composant suivant du système.
L’entrée se compose de chaînes de texte. Chaque chaîne produit un vecteur de 2048 nombres. La longueur maximale de la séquence est de 32768 jetons ; les contenus plus longs doivent être divisés en parties ou raccourcis. La préparation de l’entrée distingue la question du document : le modèle est entraîné à associer leurs rôles, et une chaîne identique dans ces deux tâches ne doit donc pas être présentée sans tenir compte de sa finalité.
Les vecteurs sont normalisés selon leur norme. Avec cette représentation, le produit scalaire et la similarité cosinus donnent des modes de comparaison équivalents. Il est possible de conserver les 1024 ou 512 premières coordonnées du vecteur complet, mais il faut le normaliser à nouveau après la troncature. Il s’agit d’une propriété du traitement du résultat ; la dimension doit être choisie de façon cohérente pour la collection et les requêtes.
L’encodeur contient environ 1,14 milliard de paramètres. Il est obtenu à partir d’un modèle reposant sur Ministral 3 3B, par deux étapes de réduction structurelle et de distillation. L’attention bidirectionnelle tient compte de toute l’entrée, puis les représentations des jetons sont moyennées pour former un vecteur commun.
NVIDIA publie les variantes BF16 et NVFP4. Leurs espaces de représentation sont proches, mais le changement de variante nécessite une vérification sur ses propres documents. Ni la similarité numérique ni la longueur du contexte ne garantissent que la recherche sélectionne toujours le bon segment.
POST /v1/embeddingstextembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites nvidia/nemotron-3-embed-1b | Par défaut— |
Champinput | Typestring|string[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 Conditions: Chaque chaîne doit être non vide après trim; les URI de données sont rejetées; le budget accepté mesure les octets UTF8 pertinents. | Par défaut— |
Champinput_type | Typestring | ExigenceFacultatif | Valeurs et limites query, passage | Par défautquery |
Champencoding_format | Typestring | ExigenceFacultatif | Valeurs et limites float, base64 | Par défautfloat |
Champtruncate | Typestring | ExigenceFacultatif | Valeurs et limites NONE, START, END | Par défaut— |
Champdimensions | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 | Par défaut— |
Champuser | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
text_to_embedding
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, input |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/embeddingsAiloot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/nemotron-3-embed-1b", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Décodez les vecteurs base64 seulement si ce format a été demandé; conservez chaque vecteur et son indice d’origine.
Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.
| Champ | Type |
|---|---|
Champdata[].index | Typeinteger |
Champdata[].embedding | Typefinite float[]|base64 float32 vector |
Champmodel | Typestring |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Utilisez les chemins de méthode indiqués ci-dessus.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embedNemotron 3 Embed 1B transforme le texte en vecteurs pour la recherche multilingue, la recherche de code et le RAG. Il traite des séquences allant jusqu’à 32768 jetons et produit une représentation de dimension 2048.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Nemotron 3 Embed 1B est un modèle textuel de NVIDIA pour la recherche sémantique et la comparaison de segments. Il encode les questions, les documents et le code en vecteurs numériques denses. Ces représentations servent à trouver le contexte pertinent dans de grandes collections, à enrichir la réponse d’un assistant ou à récupérer des informations enregistrées auparavant pour l’étape suivante d’un agent.
Le modèle vise la recherche multilingue et interlinguistique : une question et le contenu pertinent peuvent être écrits dans des langues différentes. Le russe fait partie de l’ensemble publié de 34 langues, avec l’anglais, l’ukrainien, le chinois, le japonais, l’arabe et d’autres langues. Cela est utile pour les bases de connaissances communes où les documents techniques et les demandes des utilisateurs ne sont pas tous dans la même langue.
Les tâches comprennent la recherche dans la documentation, la comparaison de textes et la récupération de code à partir d’une description verbale. La grande fenêtre d’entrée permet de travailler sur de longs documents, un contexte logiciel volumineux et l’historique de plusieurs étapes d’un agent. Le contenu trouvé est restitué comme contexte pour la suite du processus ; les explications et les réponses finales sont produites par le composant suivant du système.
L’entrée se compose de chaînes de texte. Chaque chaîne produit un vecteur de 2048 nombres. La longueur maximale de la séquence est de 32768 jetons ; les contenus plus longs doivent être divisés en parties ou raccourcis. La préparation de l’entrée distingue la question du document : le modèle est entraîné à associer leurs rôles, et une chaîne identique dans ces deux tâches ne doit donc pas être présentée sans tenir compte de sa finalité.
Les vecteurs sont normalisés selon leur norme. Avec cette représentation, le produit scalaire et la similarité cosinus donnent des modes de comparaison équivalents. Il est possible de conserver les 1024 ou 512 premières coordonnées du vecteur complet, mais il faut le normaliser à nouveau après la troncature. Il s’agit d’une propriété du traitement du résultat ; la dimension doit être choisie de façon cohérente pour la collection et les requêtes.
L’encodeur contient environ 1,14 milliard de paramètres. Il est obtenu à partir d’un modèle reposant sur Ministral 3 3B, par deux étapes de réduction structurelle et de distillation. L’attention bidirectionnelle tient compte de toute l’entrée, puis les représentations des jetons sont moyennées pour former un vecteur commun.
NVIDIA publie les variantes BF16 et NVFP4. Leurs espaces de représentation sont proches, mais le changement de variante nécessite une vérification sur ses propres documents. Ni la similarité numérique ni la longueur du contexte ne garantissent que la recherche sélectionne toujours le bon segment.
POST /v1/embeddingstextembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites nemotron-3-embed | Par défaut— |
Champinput | Typestring|string[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 Conditions: Chaque chaîne doit être non vide après trim; les URI de données sont rejetées; le budget accepté mesure les octets UTF8 pertinents. | Par défaut— |
Champinput_type | Typestring | ExigenceFacultatif | Valeurs et limites query, passage | Par défautquery |
Champencoding_format | Typestring | ExigenceFacultatif | Valeurs et limites float, base64 | Par défautfloat |
Champtruncate | Typestring | ExigenceFacultatif | Valeurs et limites NONE, START, END | Par défaut— |
Champdimensions | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 | Par défaut— |
Champuser | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
text_to_embedding
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, input |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/embeddingsAiloot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-3-embed", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Décodez les vecteurs base64 seulement si ce format a été demandé; conservez chaque vecteur et son indice d’origine.
Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.
| Champ | Type |
|---|---|
Champdata[].index | Typeinteger |
Champdata[].embedding | Typefinite float[]|base64 float32 vector |
Champmodel | Typestring |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Utilisez les chemins de méthode indiqués ci-dessus.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embed-latestNemotron 3 Embed 1B transforme le texte en vecteurs pour la recherche multilingue, la recherche de code et le RAG. Il traite des séquences allant jusqu’à 32768 jetons et produit une représentation de dimension 2048.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Nemotron 3 Embed 1B est un modèle textuel de NVIDIA pour la recherche sémantique et la comparaison de segments. Il encode les questions, les documents et le code en vecteurs numériques denses. Ces représentations servent à trouver le contexte pertinent dans de grandes collections, à enrichir la réponse d’un assistant ou à récupérer des informations enregistrées auparavant pour l’étape suivante d’un agent.
Le modèle vise la recherche multilingue et interlinguistique : une question et le contenu pertinent peuvent être écrits dans des langues différentes. Le russe fait partie de l’ensemble publié de 34 langues, avec l’anglais, l’ukrainien, le chinois, le japonais, l’arabe et d’autres langues. Cela est utile pour les bases de connaissances communes où les documents techniques et les demandes des utilisateurs ne sont pas tous dans la même langue.
Les tâches comprennent la recherche dans la documentation, la comparaison de textes et la récupération de code à partir d’une description verbale. La grande fenêtre d’entrée permet de travailler sur de longs documents, un contexte logiciel volumineux et l’historique de plusieurs étapes d’un agent. Le contenu trouvé est restitué comme contexte pour la suite du processus ; les explications et les réponses finales sont produites par le composant suivant du système.
L’entrée se compose de chaînes de texte. Chaque chaîne produit un vecteur de 2048 nombres. La longueur maximale de la séquence est de 32768 jetons ; les contenus plus longs doivent être divisés en parties ou raccourcis. La préparation de l’entrée distingue la question du document : le modèle est entraîné à associer leurs rôles, et une chaîne identique dans ces deux tâches ne doit donc pas être présentée sans tenir compte de sa finalité.
Les vecteurs sont normalisés selon leur norme. Avec cette représentation, le produit scalaire et la similarité cosinus donnent des modes de comparaison équivalents. Il est possible de conserver les 1024 ou 512 premières coordonnées du vecteur complet, mais il faut le normaliser à nouveau après la troncature. Il s’agit d’une propriété du traitement du résultat ; la dimension doit être choisie de façon cohérente pour la collection et les requêtes.
L’encodeur contient environ 1,14 milliard de paramètres. Il est obtenu à partir d’un modèle reposant sur Ministral 3 3B, par deux étapes de réduction structurelle et de distillation. L’attention bidirectionnelle tient compte de toute l’entrée, puis les représentations des jetons sont moyennées pour former un vecteur commun.
NVIDIA publie les variantes BF16 et NVFP4. Leurs espaces de représentation sont proches, mais le changement de variante nécessite une vérification sur ses propres documents. Ni la similarité numérique ni la longueur du contexte ne garantissent que la recherche sélectionne toujours le bon segment.
POST /v1/embeddingstextembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites nemotron-3-embed-latest | Par défaut— |
Champinput | Typestring|string[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 Conditions: Chaque chaîne doit être non vide après trim; les URI de données sont rejetées; le budget accepté mesure les octets UTF8 pertinents. | Par défaut— |
Champinput_type | Typestring | ExigenceFacultatif | Valeurs et limites query, passage | Par défautquery |
Champencoding_format | Typestring | ExigenceFacultatif | Valeurs et limites float, base64 | Par défautfloat |
Champtruncate | Typestring | ExigenceFacultatif | Valeurs et limites NONE, START, END | Par défaut— |
Champdimensions | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 | Par défaut— |
Champuser | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
text_to_embedding
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratmodel, input |
Paramètreoptional_controls | Contratnull |
Paramètrecontent_type | Contratapplication/json |
Cycle de vie : exact retained published method
Les structures des méthodes et les ID sont exacts ; la capacité du fournisseur est distincte de l’admission des requêtes.
POST /v1/embeddingsAiloot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-3-embed-latest", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Décodez les vecteurs base64 seulement si ce format a été demandé; conservez chaque vecteur et son indice d’origine.
Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.
| Champ | Type |
|---|---|
Champdata[].index | Typeinteger |
Champdata[].embedding | Typefinite float[]|base64 float32 vector |
Champmodel | Typestring |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Utilisez les chemins de méthode indiqués ci-dessus.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest