Llama Nemotron Embed VL 1B v2 est développé par NVIDIA pour rechercher des contenus qui aident à répondre à une question. La requête est formulée en texte. Le catalogue actuel d’Ailoot présente une entrée textuelle pour ce modèle : la question et le contenu sont encodés comme du texte. Le fabricant décrit également le document sous la forme d’une image de page ou d’une image accompagnée du texte extrait. Ces variantes visuelles nécessitent une méthode distincte prenant en charge les images. Avec une entrée adaptée, le modèle représente les tableaux, les graphiques et les infographies dans un espace vectoriel commun.
Cette recherche convient aux assistants de questions-réponses sur de grandes collections de documents, aux référentiels internes et aux documents de recherche. Le résultat de l’encodage est un vecteur numérique. La page ou le segment trouvé peut ensuite être fourni à un modèle qui produit la réponse : Embed VL effectue lui-même l’étape de recherche du contexte.
La requête et le document sont encodés indépendamment. La collection peut donc être traitée à l’avance, et les vecteurs enregistrés avec les pages sources ; pour une nouvelle question, seul le vecteur de la requête est calculé. La similarité des vecteurs aide à choisir les contenus selon leur sens. Les rôles textuels de la requête et du document sont différents, ce qu’il est important de préserver lors de la préparation des données.
Chaque entrée est transformée en un vecteur de dimension allant jusqu’à 2048 nombres. Le mode textuel utilise un budget de 8192 tokens. Pour la méthode visuelle du fabricant associant image et texte, un budget total de 10240 tokens est décrit, comprenant les deux parties ; ce n’est pas la limite textuelle de la méthode Ailoot. L’image est découpée en segments : dans la configuration décrite, jusqu’à six segments et une copie réduite de la page entière sont autorisés, soit environ 1792 tokens visuels au total. Les textes longs doivent être divisés ou raccourcis.
La partie linguistique repose sur Llama 3.2 1B, et la partie visuelle sur SigLIP2. Elles sont réunies dans un encodeur qui calcule la moyenne des représentations des tokens d’entrée et produit un vecteur unique. L’apprentissage contrastif rapproche la question de la page appropriée et l’éloigne des contenus non pertinents. La recherche reste probabiliste : la proximité des vecteurs ne garantit pas que le segment choisi contient la bonne réponse.
", "aboutText": "### Retrouver la page pertinente à partir d’une question\n\nLlama Nemotron Embed VL 1B v2 est développé par NVIDIA pour rechercher des contenus qui aident à répondre à une question. La requête est formulée en texte. Le catalogue actuel d’Ailoot présente une entrée textuelle pour ce modèle : la question et le contenu sont encodés comme du texte. Le fabricant décrit également le document sous la forme d’une image de page ou d’une image accompagnée du texte extrait. Ces variantes visuelles nécessitent une méthode distincte prenant en charge les images. Avec une entrée adaptée, le modèle représente les tableaux, les graphiques et les infographies dans un espace vectoriel commun.\n\nCette recherche convient aux assistants de questions-réponses sur de grandes collections de documents, aux référentiels internes et aux documents de recherche. Le résultat de l’encodage est un vecteur numérique. La page ou le segment trouvé peut ensuite être fourni à un modèle qui produit la réponse : Embed VL effectue lui-même l’étape de recherche du contexte.\n\n### Les variantes de document chez le fabricant\n\n- Document textuel : une section distincte, un segment ou le texte d’une page déjà reconnu.\n- Image : une page entière avec son texte, ses tableaux et ses éléments graphiques.\n- Image avec texte : l’apparence visuelle de la page et son contenu textuel sont réunis dans une même représentation.\n\nLa requête et le document sont encodés indépendamment. La collection peut donc être traitée à l’avance, et les vecteurs enregistrés avec les pages sources ; pour une nouvelle question, seul le vecteur de la requête est calculé. La similarité des vecteurs aide à choisir les contenus selon leur sens. Les rôles textuels de la requête et du document sont différents, ce qu’il est important de préserver lors de la préparation des données.\n\n### La dimension de la représentation et la longueur d’entrée\n\nChaque entrée est transformée en un vecteur de dimension allant jusqu’à 2048 nombres. Le mode textuel utilise un budget de 8192 tokens. Pour la méthode visuelle du fabricant associant image et texte, un budget total de 10240 tokens est décrit, comprenant les deux parties ; ce n’est pas la limite textuelle de la méthode Ailoot. L’image est découpée en segments : dans la configuration décrite, jusqu’à six segments et une copie réduite de la page entière sont autorisés, soit environ 1792 tokens visuels au total. Les textes longs doivent être divisés ou raccourcis.\n\nLa partie linguistique repose sur Llama 3.2 1B, et la partie visuelle sur SigLIP2. Elles sont réunies dans un encodeur qui calcule la moyenne des représentations des tokens d’entrée et produit un vecteur unique. L’apprentissage contrastif rapproche la question de la page appropriée et l’éloigne des contenus non pertinents. La recherche reste probabiliste : la proximité des vecteurs ne garantit pas que le segment choisi contient la bonne réponse.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "55be8af1dd15edaaa798a00dfb0321c793a3098e1a257f39c2d127b4d33e3312", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Llama Nemotron Embed VL v2 crée des vecteurs pour la recherche sémantique dans les documents. Le catalogue actuel d’Ailoot présente une entrée textuelle pour les requêtes et les contenus.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Llama Nemotron Embed VL 1B v2 est développé par NVIDIA pour rechercher des contenus qui aident à répondre à une question. La requête est formulée en texte. Le catalogue actuel d’Ailoot présente une entrée textuelle pour ce modèle : la question et le contenu sont encodés comme du texte. Le fabricant décrit également le document sous la forme d’une image de page ou d’une image accompagnée du texte extrait. Ces variantes visuelles nécessitent une méthode distincte prenant en charge les images. Avec une entrée adaptée, le modèle représente les tableaux, les graphiques et les infographies dans un espace vectoriel commun.
Cette recherche convient aux assistants de questions-réponses sur de grandes collections de documents, aux référentiels internes et aux documents de recherche. Le résultat de l’encodage est un vecteur numérique. La page ou le segment trouvé peut ensuite être fourni à un modèle qui produit la réponse : Embed VL effectue lui-même l’étape de recherche du contexte.
La requête et le document sont encodés indépendamment. La collection peut donc être traitée à l’avance, et les vecteurs enregistrés avec les pages sources ; pour une nouvelle question, seul le vecteur de la requête est calculé. La similarité des vecteurs aide à choisir les contenus selon leur sens. Les rôles textuels de la requête et du document sont différents, ce qu’il est important de préserver lors de la préparation des données.
Chaque entrée est transformée en un vecteur de dimension allant jusqu’à 2048 nombres. Le mode textuel utilise un budget de 8192 tokens. Pour la méthode visuelle du fabricant associant image et texte, un budget total de 10240 tokens est décrit, comprenant les deux parties ; ce n’est pas la limite textuelle de la méthode Ailoot. L’image est découpée en segments : dans la configuration décrite, jusqu’à six segments et une copie réduite de la page entière sont autorisés, soit environ 1792 tokens visuels au total. Les textes longs doivent être divisés ou raccourcis.
La partie linguistique repose sur Llama 3.2 1B, et la partie visuelle sur SigLIP2. Elles sont réunies dans un encodeur qui calcule la moyenne des représentations des tokens d’entrée et produit un vecteur unique. L’apprentissage contrastif rapproche la question de la page appropriée et l’éloigne des contenus non pertinents. La recherche reste probabiliste : la proximité des vecteurs ne garantit pas que le segment choisi contient la bonne réponse.
POST /v1/embeddingstextembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites nvidia/llama-nemotron-embed-vl-1b-v2 | Par défaut— |
Champinput | Typestring|string[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 Conditions: Chaque chaîne doit être non vide après suppression des espaces de début et de fin ; les URI data sont rejetées ; le budget accepté mesure les octets UTF8 concernés. | 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 identifiants sont exacts ; la capacité du fournisseur est distincte de l’admission.
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/llama-nemotron-embed-vl-1b-v2", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Décodez les vecteurs base64 uniquement 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Utilisez les chemins de méthode indiqués ci-dessus.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlLlama Nemotron Embed VL v2 crée des vecteurs pour la recherche sémantique dans les documents. Le catalogue actuel d’Ailoot présente une entrée textuelle pour les requêtes et les contenus.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Llama Nemotron Embed VL 1B v2 est développé par NVIDIA pour rechercher des contenus qui aident à répondre à une question. La requête est formulée en texte. Le catalogue actuel d’Ailoot présente une entrée textuelle pour ce modèle : la question et le contenu sont encodés comme du texte. Le fabricant décrit également le document sous la forme d’une image de page ou d’une image accompagnée du texte extrait. Ces variantes visuelles nécessitent une méthode distincte prenant en charge les images. Avec une entrée adaptée, le modèle représente les tableaux, les graphiques et les infographies dans un espace vectoriel commun.
Cette recherche convient aux assistants de questions-réponses sur de grandes collections de documents, aux référentiels internes et aux documents de recherche. Le résultat de l’encodage est un vecteur numérique. La page ou le segment trouvé peut ensuite être fourni à un modèle qui produit la réponse : Embed VL effectue lui-même l’étape de recherche du contexte.
La requête et le document sont encodés indépendamment. La collection peut donc être traitée à l’avance, et les vecteurs enregistrés avec les pages sources ; pour une nouvelle question, seul le vecteur de la requête est calculé. La similarité des vecteurs aide à choisir les contenus selon leur sens. Les rôles textuels de la requête et du document sont différents, ce qu’il est important de préserver lors de la préparation des données.
Chaque entrée est transformée en un vecteur de dimension allant jusqu’à 2048 nombres. Le mode textuel utilise un budget de 8192 tokens. Pour la méthode visuelle du fabricant associant image et texte, un budget total de 10240 tokens est décrit, comprenant les deux parties ; ce n’est pas la limite textuelle de la méthode Ailoot. L’image est découpée en segments : dans la configuration décrite, jusqu’à six segments et une copie réduite de la page entière sont autorisés, soit environ 1792 tokens visuels au total. Les textes longs doivent être divisés ou raccourcis.
La partie linguistique repose sur Llama 3.2 1B, et la partie visuelle sur SigLIP2. Elles sont réunies dans un encodeur qui calcule la moyenne des représentations des tokens d’entrée et produit un vecteur unique. L’apprentissage contrastif rapproche la question de la page appropriée et l’éloigne des contenus non pertinents. La recherche reste probabiliste : la proximité des vecteurs ne garantit pas que le segment choisi contient la bonne réponse.
POST /v1/embeddingstextembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites nemotron-embed-vl | Par défaut— |
Champinput | Typestring|string[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 Conditions: Chaque chaîne doit être non vide après suppression des espaces de début et de fin ; les URI data sont rejetées ; le budget accepté mesure les octets UTF8 concernés. | 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 identifiants sont exacts ; la capacité du fournisseur est distincte de l’admission.
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-embed-vl", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Décodez les vecteurs base64 uniquement 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Utilisez les chemins de méthode indiqués ci-dessus.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestLlama Nemotron Embed VL v2 crée des vecteurs pour la recherche sémantique dans les documents. Le catalogue actuel d’Ailoot présente une entrée textuelle pour les requêtes et les contenus.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Llama Nemotron Embed VL 1B v2 est développé par NVIDIA pour rechercher des contenus qui aident à répondre à une question. La requête est formulée en texte. Le catalogue actuel d’Ailoot présente une entrée textuelle pour ce modèle : la question et le contenu sont encodés comme du texte. Le fabricant décrit également le document sous la forme d’une image de page ou d’une image accompagnée du texte extrait. Ces variantes visuelles nécessitent une méthode distincte prenant en charge les images. Avec une entrée adaptée, le modèle représente les tableaux, les graphiques et les infographies dans un espace vectoriel commun.
Cette recherche convient aux assistants de questions-réponses sur de grandes collections de documents, aux référentiels internes et aux documents de recherche. Le résultat de l’encodage est un vecteur numérique. La page ou le segment trouvé peut ensuite être fourni à un modèle qui produit la réponse : Embed VL effectue lui-même l’étape de recherche du contexte.
La requête et le document sont encodés indépendamment. La collection peut donc être traitée à l’avance, et les vecteurs enregistrés avec les pages sources ; pour une nouvelle question, seul le vecteur de la requête est calculé. La similarité des vecteurs aide à choisir les contenus selon leur sens. Les rôles textuels de la requête et du document sont différents, ce qu’il est important de préserver lors de la préparation des données.
Chaque entrée est transformée en un vecteur de dimension allant jusqu’à 2048 nombres. Le mode textuel utilise un budget de 8192 tokens. Pour la méthode visuelle du fabricant associant image et texte, un budget total de 10240 tokens est décrit, comprenant les deux parties ; ce n’est pas la limite textuelle de la méthode Ailoot. L’image est découpée en segments : dans la configuration décrite, jusqu’à six segments et une copie réduite de la page entière sont autorisés, soit environ 1792 tokens visuels au total. Les textes longs doivent être divisés ou raccourcis.
La partie linguistique repose sur Llama 3.2 1B, et la partie visuelle sur SigLIP2. Elles sont réunies dans un encodeur qui calcule la moyenne des représentations des tokens d’entrée et produit un vecteur unique. L’apprentissage contrastif rapproche la question de la page appropriée et l’éloigne des contenus non pertinents. La recherche reste probabiliste : la proximité des vecteurs ne garantit pas que le segment choisi contient la bonne réponse.
POST /v1/embeddingstextembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites nemotron-embed-vl-latest | Par défaut— |
Champinput | Typestring|string[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 Conditions: Chaque chaîne doit être non vide après suppression des espaces de début et de fin ; les URI data sont rejetées ; le budget accepté mesure les octets UTF8 concernés. | 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 identifiants sont exacts ; la capacité du fournisseur est distincte de l’admission.
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-embed-vl-latest", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Décodez les vecteurs base64 uniquement 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Utilisez les chemins de méthode indiqués ci-dessus.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest