Nemotron 3 Embed 1B est la famille de plongement textuel de NVIDIA pour la recherche multilingue, entre langues et par similarité sémantique. Elle transforme une question ou un passage en un vecteur dense qu’un système de recherche peut comparer à d’autres représentations textuelles. Le fabricant évalue les publications 1B documentées dans trente-quatre configurations de langues et de variantes linguistiques, dont l’anglais, l’arabe, le chinois, le russe, le japonais, le coréen et le Hinglish.
La fiche du modèle du fabricant décrit un transformer bidirectionnel élagué dérivé de Ministral 3. Il possède environ 1,14 milliard de paramètres et calcule la moyenne des représentations par token pour obtenir un plongement par texte. La sortie native est un vecteur à virgule flottante de 2048 dimensions. Il s’agit d’une représentation de recherche, plutôt que d’une réponse écrite à la question encodée.
Le fabricant prend aussi en charge la conservation de la première partie de cette représentation, par exemple 1024 ou 512 dimensions. Le vecteur raccourci doit être normalisé de nouveau en norme L2 après la découpe. Gardez la longueur de représentation choisie et la normalisation cohérentes entre les côtés requête et corpus d’une tâche de recherche. La longueur d’un vecteur et celle de la séquence d’entrée sont des propriétés distinctes.
La convention de recherche documentée utilise « query: » pour une question et « passage: » pour le texte documentaire. Les exemples du producteur appliquent ces rôles avant l’encodage et comparent les vecteurs normalisés par produit scalaire, équivalent à la similarité cosinus. Utilisez la préparation attendue par le processus choisi, plutôt que de mélanger une représentation brute du corpus avec une requête préparée différemment.
Une collection concrète peut contenir des explications techniques, des règles ou de la documentation liée au code. Une question sur la manière dont une fonction gère un cas particulier doit retrouver le passage source ou l’extrait de code décrivant ce comportement. Préservez les identifiants, les titres et les conditions pertinentes avec le texte réel du passage. Le vecteur rend le candidat recherchable ; la source conservée constitue ce qu’un lecteur ou une étape ultérieure de réponse RAG utilise.
La longueur de séquence maximale documentée est de 32 768 tokens. Choisissez délibérément les limites des passages, même lorsque le modèle peut accueillir un volume important de texte. Une section complète peut préserver une définition et ses exceptions ; un extrait ciblé peut rendre une réponse précise plus facile à examiner. Les entrées dépassant la fenêtre du modèle nécessitent un découpage ou une troncature ; la fin omise ne doit donc pas être traitée comme du contenu représenté.
Gardez chaque élément encodé lié à son document parent et à sa version. Pour un rapport, conservez le titre de section et l’explication entourant la conclusion concernée par la question. Pour une recherche de code, gardez le nom de la fonction, l’interface pertinente et le comportement avec l’extrait. Cela fournit un artefact source concret lorsque l’étape de recherche renvoie un candidat.
NVIDIA documente des versions BF16 et NVFP4 de la famille 1B. Sa fiche de modèle quantifié indique que ces deux publications partagent un espace de plongement et recommande de vérifier la qualité de recherche sur des matériaux représentatifs lors d’un changement de version. La représentation commune déclarée est une affirmation du fabricant sur cette paire nommée, et non une règle générale pour tous les modèles possédant 2048 valeurs de sortie.
Le résultat utile est un vecteur de requête ou une collection source indexée avec son modèle, son choix de dimension et sa préparation consignés. Renvoyez le texte candidat avec son identifiant et examinez s’il fournit les informations requises. Le fabricant souligne explicitement qu’un modèle de recherche ne garantit pas le bon passage pour chaque question ; une étape ultérieure de reclassement ou de réponse utilise ces candidats dans le cadre de sa propre tâche.
", "aboutText": "Nemotron 3 Embed 1B est la famille de plongement textuel de NVIDIA pour la recherche multilingue, entre langues et par similarité sémantique. Elle transforme une question ou un passage en un vecteur dense qu’un système de recherche peut comparer à d’autres représentations textuelles. Le fabricant évalue les publications 1B documentées dans trente-quatre configurations de langues et de variantes linguistiques, dont l’anglais, l’arabe, le chinois, le russe, le japonais, le coréen et le Hinglish.\n\n### Encodeur et représentation\n\nLa fiche du modèle du fabricant décrit un transformer bidirectionnel élagué dérivé de Ministral 3. Il possède environ 1,14 milliard de paramètres et calcule la moyenne des représentations par token pour obtenir un plongement par texte. La sortie native est un vecteur à virgule flottante de 2048 dimensions. Il s’agit d’une représentation de recherche, plutôt que d’une réponse écrite à la question encodée.\n\nLe fabricant prend aussi en charge la conservation de la première partie de cette représentation, par exemple 1024 ou 512 dimensions. Le vecteur raccourci doit être normalisé de nouveau en norme L2 après la découpe. Gardez la longueur de représentation choisie et la normalisation cohérentes entre les côtés requête et corpus d’une tâche de recherche. La longueur d’un vecteur et celle de la séquence d’entrée sont des propriétés distinctes.\n\n### Préparation des requêtes et des passages\n\nLa convention de recherche documentée utilise « query: » pour une question et « passage: » pour le texte documentaire. Les exemples du producteur appliquent ces rôles avant l’encodage et comparent les vecteurs normalisés par produit scalaire, équivalent à la similarité cosinus. Utilisez la préparation attendue par le processus choisi, plutôt que de mélanger une représentation brute du corpus avec une requête préparée différemment.\n\nUne collection concrète peut contenir des explications techniques, des règles ou de la documentation liée au code. Une question sur la manière dont une fonction gère un cas particulier doit retrouver le passage source ou l’extrait de code décrivant ce comportement. Préservez les identifiants, les titres et les conditions pertinentes avec le texte réel du passage. Le vecteur rend le candidat recherchable ; la source conservée constitue ce qu’un lecteur ou une étape ultérieure de réponse RAG utilise.\n\n### Sources plus longues\n\nLa longueur de séquence maximale documentée est de 32 768 tokens. Choisissez délibérément les limites des passages, même lorsque le modèle peut accueillir un volume important de texte. Une section complète peut préserver une définition et ses exceptions ; un extrait ciblé peut rendre une réponse précise plus facile à examiner. Les entrées dépassant la fenêtre du modèle nécessitent un découpage ou une troncature ; la fin omise ne doit donc pas être traitée comme du contenu représenté.\n\nGardez chaque élément encodé lié à son document parent et à sa version. Pour un rapport, conservez le titre de section et l’explication entourant la conclusion concernée par la question. Pour une recherche de code, gardez le nom de la fonction, l’interface pertinente et le comportement avec l’extrait. Cela fournit un artefact source concret lorsque l’étape de recherche renvoie un candidat.\n\n### Éditions de la famille et utilisation du résultat\n\nNVIDIA documente des versions BF16 et NVFP4 de la famille 1B. Sa fiche de modèle quantifié indique que ces deux publications partagent un espace de plongement et recommande de vérifier la qualité de recherche sur des matériaux représentatifs lors d’un changement de version. La représentation commune déclarée est une affirmation du fabricant sur cette paire nommée, et non une règle générale pour tous les modèles possédant 2048 valeurs de sortie.\n\nLe résultat utile est un vecteur de requête ou une collection source indexée avec son modèle, son choix de dimension et sa préparation consignés. Renvoyez le texte candidat avec son identifiant et examinez s’il fournit les informations requises. Le fabricant souligne explicitement qu’un modèle de recherche ne garantit pas le bon passage pour chaque question ; une étape ultérieure de reclassement ou de réponse utilise ces candidats dans le cadre de sa propre tâche.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8f5c81ebb5f353977fc118de4ee1a7197cbb1bea3a6f85d93d3ca7774bd493f2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "nvidia/nemotron-3-embed-1b:freeNVIDIA Nemotron 3 Embed 1B représente les requêtes et passages multilingues sous forme de vecteurs à 2048 dimensions pour la recherche et le RAG. Sa famille documentée prend en charge une séquence de 32 768 tokens et des tailles de vecteurs réduites avec renormalisation.
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 la famille de plongement textuel de NVIDIA pour la recherche multilingue, entre langues et par similarité sémantique. Elle transforme une question ou un passage en un vecteur dense qu’un système de recherche peut comparer à d’autres représentations textuelles. Le fabricant évalue les publications 1B documentées dans trente-quatre configurations de langues et de variantes linguistiques, dont l’anglais, l’arabe, le chinois, le russe, le japonais, le coréen et le Hinglish.
La fiche du modèle du fabricant décrit un transformer bidirectionnel élagué dérivé de Ministral 3. Il possède environ 1,14 milliard de paramètres et calcule la moyenne des représentations par token pour obtenir un plongement par texte. La sortie native est un vecteur à virgule flottante de 2048 dimensions. Il s’agit d’une représentation de recherche, plutôt que d’une réponse écrite à la question encodée.
Le fabricant prend aussi en charge la conservation de la première partie de cette représentation, par exemple 1024 ou 512 dimensions. Le vecteur raccourci doit être normalisé de nouveau en norme L2 après la découpe. Gardez la longueur de représentation choisie et la normalisation cohérentes entre les côtés requête et corpus d’une tâche de recherche. La longueur d’un vecteur et celle de la séquence d’entrée sont des propriétés distinctes.
La convention de recherche documentée utilise « query: » pour une question et « passage: » pour le texte documentaire. Les exemples du producteur appliquent ces rôles avant l’encodage et comparent les vecteurs normalisés par produit scalaire, équivalent à la similarité cosinus. Utilisez la préparation attendue par le processus choisi, plutôt que de mélanger une représentation brute du corpus avec une requête préparée différemment.
Une collection concrète peut contenir des explications techniques, des règles ou de la documentation liée au code. Une question sur la manière dont une fonction gère un cas particulier doit retrouver le passage source ou l’extrait de code décrivant ce comportement. Préservez les identifiants, les titres et les conditions pertinentes avec le texte réel du passage. Le vecteur rend le candidat recherchable ; la source conservée constitue ce qu’un lecteur ou une étape ultérieure de réponse RAG utilise.
La longueur de séquence maximale documentée est de 32 768 tokens. Choisissez délibérément les limites des passages, même lorsque le modèle peut accueillir un volume important de texte. Une section complète peut préserver une définition et ses exceptions ; un extrait ciblé peut rendre une réponse précise plus facile à examiner. Les entrées dépassant la fenêtre du modèle nécessitent un découpage ou une troncature ; la fin omise ne doit donc pas être traitée comme du contenu représenté.
Gardez chaque élément encodé lié à son document parent et à sa version. Pour un rapport, conservez le titre de section et l’explication entourant la conclusion concernée par la question. Pour une recherche de code, gardez le nom de la fonction, l’interface pertinente et le comportement avec l’extrait. Cela fournit un artefact source concret lorsque l’étape de recherche renvoie un candidat.
NVIDIA documente des versions BF16 et NVFP4 de la famille 1B. Sa fiche de modèle quantifié indique que ces deux publications partagent un espace de plongement et recommande de vérifier la qualité de recherche sur des matériaux représentatifs lors d’un changement de version. La représentation commune déclarée est une affirmation du fabricant sur cette paire nommée, et non une règle générale pour tous les modèles possédant 2048 valeurs de sortie.
Le résultat utile est un vecteur de requête ou une collection source indexée avec son modèle, son choix de dimension et sa préparation consignés. Renvoyez le texte candidat avec son identifiant et examinez s’il fournit les informations requises. Le fabricant souligne explicitement qu’un modèle de recherche ne garantit pas le bon passage pour chaque question ; une étape ultérieure de reclassement ou de réponse utilise ces candidats dans le cadre de sa propre tâche.
POST /v1/embeddingstext, token_idsembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites nvidia/nemotron-3-embed-1b:free | Par défaut— |
Champinput | Typestring|string[]|integer[]|integer[][] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 Conditions: Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls. Budget d’entrée : Maximum: 32 768 · Unité de texte: octets UTF8 · Unité de tokens: éléments du tableau de tokens | Par défaut— |
Champencoding_format | Typestring | ExigenceFacultatif | Valeurs et limites float | Par défautfloat |
Champdimensions | Typeinteger | ExigenceNon pris en charge | Valeurs et limites Minimum: 1 | Par défaut— |
Champuser | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champsession_id | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champtrace | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé | Par défaut— |
text_to_embedding
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input |
Paramètreinput_shapes | Contratstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paramètreencoding_format | Contratfloat |
Paramètredimensions_override | Contratfalse |
Paramètremax_input_budget_units | Contrat32768 |
Paramètremultimodal_objects | Contratfalse |
Paramètrematerial_types | Contrattext, token_ids |
Cycle de vie : synchronous_json
Conservez tous les indices et toutes les dimensions des vecteurs.
Un nom de modèle multimodal n’autorise pas les objets image sur ce chemin précis.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/nemotron-3-embed-1b:free", "input": ["First document", "Second document"]}')\n\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\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='nvidia/nemotron-3-embed-1b:free',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes.
Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.
| Champ | Type |
|---|---|
Champobject | Typestring |
Champmodel | Typestring |
Champdata[].index | Typeinteger |
Champdata[].embedding | Typefinite float[] |
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 Ultra nvidia/nemotron-3-embed-1b:free
Utilisez les chemins de méthode indiqués ci-dessus.