{ "aboutHtml": "

למצוא את העמוד הדרוש לפי שאלה

Llama Nemotron Embed VL 1B v2 פותח בידי NVIDIA לחיפוש חומרים שמסייעים לענות על שאלה. השאילתה מוגדרת בטקסט. בקטלוג הנוכחי של Ailoot מוצג למודל קלט טקסטואלי: השאלה והחומר מקודדים כטקסט. היצרן מתאר גם מסמך כתמונת עמוד או כתמונה יחד עם טקסט שחולץ. האפשרויות החזותיות האלה דורשות שיטה נפרדת עם תמיכה בתמונות. עם קלט מתאים המודל מייצג טבלאות, גרפים ואינפוגרפיקה במרחב וקטורים משותף.

חיפוש כזה מתאים לעוזרי שאלות ותשובות על אוסף מסמכים גדול, למדריכים פנימיים ולחומרי מחקר. תוצאת הקידוד היא וקטור מספרי. אפשר להעביר אחר כך את העמוד או המקטע שנמצא למודל שמפיק תשובה: Embed VL עצמו מבצע את שלב חיפוש ההקשר.

אפשרויות מסמך אצל היצרן

מסמך טקסטואלי: סעיף נפרד, מקטע או טקסט עמוד שכבר זוהה.
תמונה: עמוד שלם עם הטקסט, הטבלאות והאלמנטים הגרפיים שלו.
תמונה עם טקסט: המראה החזותי של העמוד ותוכנו הטקסטואלי משולבים בייצוג אחד.

השאילתה והמסמך מקודדים בנפרד. לכן אפשר לעבד את האוסף מראש, לשמור את הווקטורים עם עמודי המקור, ובשאלה חדשה לחשב רק את וקטור השאילתה. הדמיון בין הווקטורים מסייע לבחור חומרים לפי משמעותם. התפקידים הטקסטואליים של שאילתה ושל מסמך שונים, וחשוב לשמור על כך בהכנת הנתונים.

גודל הייצוג ואורך הקלט

כל קלט מומר לווקטור אחד בעל עד 2048 מספרים. במצב הטקסטואלי משתמשים בתקציב של 8192 טוקנים. לשיטה החזותית של היצרן עם שילוב תמונה וטקסט מתואר תקציב כולל של 10240 טוקנים שכולל את שני החלקים; זו אינה מגבלת הטקסט של שיטת Ailoot. התמונה מחולקת למקטעים: בתצורה המתוארת מותרים עד שישה מקטעים ועותק מוקטן של העמוד כולו, יחד כ־1792 טוקנים חזותיים. טקסטים ארוכים דורשים חלוקה או קיצור.

החלק הלשוני מבוסס על Llama 3.2 1B, והחזותי על SigLIP2. הם מאוחדים במקודד שמחשב ממוצע של ייצוגי טוקני הקלט ומפיק וקטור יחיד. אימון ניגודי מקרב את השאלה לעמוד המתאים ומרחיק אותה מחומרים לא רלוונטיים. החיפוש נשאר הסתברותי: קרבה בין וקטורים אינה מבטיחה שהמקטע שנבחר מכיל תשובה נכונה.

", "aboutText": "### למצוא את העמוד הדרוש לפי שאלה\n\nLlama Nemotron Embed VL 1B v2 פותח בידי NVIDIA לחיפוש חומרים שמסייעים לענות על שאלה. השאילתה מוגדרת בטקסט. בקטלוג הנוכחי של Ailoot מוצג למודל קלט טקסטואלי: השאלה והחומר מקודדים כטקסט. היצרן מתאר גם מסמך כתמונת עמוד או כתמונה יחד עם טקסט שחולץ. האפשרויות החזותיות האלה דורשות שיטה נפרדת עם תמיכה בתמונות. עם קלט מתאים המודל מייצג טבלאות, גרפים ואינפוגרפיקה במרחב וקטורים משותף.\n\nחיפוש כזה מתאים לעוזרי שאלות ותשובות על אוסף מסמכים גדול, למדריכים פנימיים ולחומרי מחקר. תוצאת הקידוד היא וקטור מספרי. אפשר להעביר אחר כך את העמוד או המקטע שנמצא למודל שמפיק תשובה: Embed VL עצמו מבצע את שלב חיפוש ההקשר.\n\n### אפשרויות מסמך אצל היצרן\n\n- מסמך טקסטואלי: סעיף נפרד, מקטע או טקסט עמוד שכבר זוהה.\n- תמונה: עמוד שלם עם הטקסט, הטבלאות והאלמנטים הגרפיים שלו.\n- תמונה עם טקסט: המראה החזותי של העמוד ותוכנו הטקסטואלי משולבים בייצוג אחד.\n\nהשאילתה והמסמך מקודדים בנפרד. לכן אפשר לעבד את האוסף מראש, לשמור את הווקטורים עם עמודי המקור, ובשאלה חדשה לחשב רק את וקטור השאילתה. הדמיון בין הווקטורים מסייע לבחור חומרים לפי משמעותם. התפקידים הטקסטואליים של שאילתה ושל מסמך שונים, וחשוב לשמור על כך בהכנת הנתונים.\n\n### גודל הייצוג ואורך הקלט\n\nכל קלט מומר לווקטור אחד בעל עד 2048 מספרים. במצב הטקסטואלי משתמשים בתקציב של 8192 טוקנים. לשיטה החזותית של היצרן עם שילוב תמונה וטקסט מתואר תקציב כולל של 10240 טוקנים שכולל את שני החלקים; זו אינה מגבלת הטקסט של שיטת Ailoot. התמונה מחולקת למקטעים: בתצורה המתוארת מותרים עד שישה מקטעים ועותק מוקטן של העמוד כולו, יחד כ־1792 טוקנים חזותיים. טקסטים ארוכים דורשים חלוקה או קיצור.\n\nהחלק הלשוני מבוסס על Llama 3.2 1B, והחזותי על SigLIP2. הם מאוחדים במקודד שמחשב ממוצע של ייצוגי טוקני הקלט ומפיק וקטור יחיד. אימון ניגודי מקרב את השאלה לעמוד המתאים ומרחיק אותה מחומרים לא רלוונטיים. החיפוש נשאר הסתברותי: קרבה בין וקטורים אינה מבטיחה שהמקטע שנבחר מכיל תשובה נכונה.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "33d8ec5000485f24a8ec377fca5d83a2b84ff42f3fec45b6ad2abaabe6353f91", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "he", "methods": [ { "html": "

NV

Llama Nemotron Embed VL 1B v2

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

מזהה מודל ID

התחלה

Llama Nemotron Embed VL v2 יוצר וקטורים לחיפוש סמנטי במסמכים. בקטלוג הנוכחי של Ailoot מוצג קלט טקסטואלי לשאילתות ולחומרים.

סוגי קלט נתמכים: טקסט
תוצאות: embedding

על המודל

התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.

למצוא את העמוד הדרוש לפי שאלה

Llama Nemotron Embed VL 1B v2 פותח בידי NVIDIA לחיפוש חומרים שמסייעים לענות על שאלה. השאילתה מוגדרת בטקסט. בקטלוג הנוכחי של Ailoot מוצג למודל קלט טקסטואלי: השאלה והחומר מקודדים כטקסט. היצרן מתאר גם מסמך כתמונת עמוד או כתמונה יחד עם טקסט שחולץ. האפשרויות החזותיות האלה דורשות שיטה נפרדת עם תמיכה בתמונות. עם קלט מתאים המודל מייצג טבלאות, גרפים ואינפוגרפיקה במרחב וקטורים משותף.

חיפוש כזה מתאים לעוזרי שאלות ותשובות על אוסף מסמכים גדול, למדריכים פנימיים ולחומרי מחקר. תוצאת הקידוד היא וקטור מספרי. אפשר להעביר אחר כך את העמוד או המקטע שנמצא למודל שמפיק תשובה: Embed VL עצמו מבצע את שלב חיפוש ההקשר.

אפשרויות מסמך אצל היצרן

מסמך טקסטואלי: סעיף נפרד, מקטע או טקסט עמוד שכבר זוהה.
תמונה: עמוד שלם עם הטקסט, הטבלאות והאלמנטים הגרפיים שלו.
תמונה עם טקסט: המראה החזותי של העמוד ותוכנו הטקסטואלי משולבים בייצוג אחד.

השאילתה והמסמך מקודדים בנפרד. לכן אפשר לעבד את האוסף מראש, לשמור את הווקטורים עם עמודי המקור, ובשאלה חדשה לחשב רק את וקטור השאילתה. הדמיון בין הווקטורים מסייע לבחור חומרים לפי משמעותם. התפקידים הטקסטואליים של שאילתה ושל מסמך שונים, וחשוב לשמור על כך בהכנת הנתונים.

גודל הייצוג ואורך הקלט

כל קלט מומר לווקטור אחד בעל עד 2048 מספרים. במצב הטקסטואלי משתמשים בתקציב של 8192 טוקנים. לשיטה החזותית של היצרן עם שילוב תמונה וטקסט מתואר תקציב כולל של 10240 טוקנים שכולל את שני החלקים; זו אינה מגבלת הטקסט של שיטת Ailoot. התמונה מחולקת למקטעים: בתצורה המתוארת מותרים עד שישה מקטעים ועותק מוקטן של העמוד כולו, יחד כ־1792 טוקנים חזותיים. טקסטים ארוכים דורשים חלוקה או קיצור.

החלק הלשוני מבוסס על Llama 3.2 1B, והחזותי על SigLIP2. הם מאוחדים במקודד שמחשב ממוצע של ייצוגי טוקני הקלט ומפיק וקטור יחיד. אימון ניגודי מקרב את השאלה לעמוד המתאים ומרחיק אותה מחומרים לא רלוונטיים. החיפוש נשאר הסתברותי: קרבה בין וקטורים אינה מבטיחה שהמקטע שנבחר מכיל תשובה נכונה.

זמין ב-Ailoot · קלט ושיטות

Ailoot · ייצוגים וקטוריים POST /v1/embeddings

סוגי קלט: text
סוגי פלט: embedding
הקשר: ⁦4,096⁩ tokens
פורמט פלט: json

שדה	סוג	דרישה	ערכים ומגבלות	ברירת מחדל
שדה`model`	סוג`string`	דרישהחובה	ערכים ומגבלות nvidia/llama-nemotron-embed-vl-1b-v2	ברירת מחדל—
שדה`input`	סוג`string\|string[]`	דרישהחובה	ערכים ומגבלות מספר פריטים מזערי: ⁦1⁩ תנאים: כל מחרוזת חייבת להיות לא ריקה לאחר הסרת רווחים בקצוות; כתובות URI מסוג data נדחות; התקציב שהתקבל מודד את בתי ה־UTF8 הרלוונטיים.	ברירת מחדל—
שדה`input_type`	סוג`string`	דרישהרשות	ערכים ומגבלות query, passage	ברירת מחדלquery
שדה`encoding_format`	סוג`string`	דרישהרשות	ערכים ומגבלות float, base64	ברירת מחדלfloat
שדה`truncate`	סוג`string`	דרישהרשות	ערכים ומגבלות NONE, START, END	ברירת מחדל—
שדה`dimensions`	סוג`integer`	דרישהרשות	ערכים ומגבלות מינימום: ⁦1⁩	ברירת מחדל—
שדה`user`	סוג`string`	דרישהרשות	ערכים ומגבלות	ברירת מחדל—

שילובים של חומרי קלט

text_to_embedding

פרמטרים ומחזור חיים של השיטה

פרמטר	מפרט
פרמטר`material_types`	מפרטtext
פרמטר`required`	מפרטmodel, input
פרמטר`optional_controls`	מפרטnull
פרמטר`content_type`	מפרטapplication/json

מחזור חיים: exact retained published method

מבני המתודות והמזהים מדויקים; יכולת הספק נפרדת מקבלת הבקשה לביצוע.

תעריפים

תעריפי שיטות Ailoot

Ailoot ייצוגים וקטורייםPOST /v1/embeddings

קלט: ⁦‏0.0001 ‏$⁩ / 1K

לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →

דוגמאות לבקשות

Ailoot · ייצוגים וקטוריים

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/llama-nemotron-embed-vl-1b-v2", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

קבלה ושמירה של תוצאות

Ailoot · ייצוגים וקטוריים

json

שמירת כל התוצאות שהושלמו

שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.

יש לפענח וקטורי base64 רק כאשר הפורמט הזה התבקש; יש לשמור כל וקטור ואת האינדקס המקורי שלו.

כשצריך לבדוק את התגובה המקורית

לא מתווספת נקודת קצה למשימות הטמעה.

שדות התגובה

שדה	סוג
שדה`data[].index`	סוגinteger
שדה`data[].embedding`	סוגfinite float[]\|base64 float32 vector
שדה`model`	סוגstring
שדה`usage`	סוגobject

שגיאות והשלבים הבאים

תגובה	תנאי	השלב הבא
תגובה⁦400⁩ · `invalid_request_error`	תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים	השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה.

כינויים

כינויים למודל

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

כינויים לנתיבי שיטות

השתמשו בנתיבי השיטות המוצגים למעלה.

מזהי מודלים קשורים IDs

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

", "method_identity": { "effective_request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nvidia%2Fllama-nemotron-embed-vl-1b-v2", "ordinal": 0, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "שדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים", "http_status": 400, "recovery": "תקנו את השדות שצוינו לפני בקשת יצירה חדשה.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "לא מתווספת נקודת קצה למשימות הטמעה." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "יש לפענח וקטורי base64 רק כאשר הפורמט הזה התבקש; יש לשמור כל וקטור ואת האינדקס המקורי שלו.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nvidia/llama-nemotron-embed-vl-1b-v2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "כל מחרוזת חייבת להיות לא ריקה לאחר הסרת רווחים בקצוות; כתובות URI מסוג data נדחות; התקציב שהתקבל מודד את בתי ה־UTF8 הרלוונטיים.", "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": [ "מבני המתודות והמזהים מדויקים; יכולת הספק נפרדת מקבלת הבקשה לביצוע." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"nvidia/llama-nemotron-embed-vl-1b-v2\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "ייצוגים וקטוריים", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } }, { "html": "

NV

Llama Nemotron Embed VL 1B v2

NVIDIA /nemotron-embed-vl

מזהה מודל ID

התחלה

Llama Nemotron Embed VL v2 יוצר וקטורים לחיפוש סמנטי במסמכים. בקטלוג הנוכחי של Ailoot מוצג קלט טקסטואלי לשאילתות ולחומרים.

סוגי קלט נתמכים: טקסט
תוצאות: embedding

על המודל

התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.

למצוא את העמוד הדרוש לפי שאלה

Llama Nemotron Embed VL 1B v2 פותח בידי NVIDIA לחיפוש חומרים שמסייעים לענות על שאלה. השאילתה מוגדרת בטקסט. בקטלוג הנוכחי של Ailoot מוצג למודל קלט טקסטואלי: השאלה והחומר מקודדים כטקסט. היצרן מתאר גם מסמך כתמונת עמוד או כתמונה יחד עם טקסט שחולץ. האפשרויות החזותיות האלה דורשות שיטה נפרדת עם תמיכה בתמונות. עם קלט מתאים המודל מייצג טבלאות, גרפים ואינפוגרפיקה במרחב וקטורים משותף.

חיפוש כזה מתאים לעוזרי שאלות ותשובות על אוסף מסמכים גדול, למדריכים פנימיים ולחומרי מחקר. תוצאת הקידוד היא וקטור מספרי. אפשר להעביר אחר כך את העמוד או המקטע שנמצא למודל שמפיק תשובה: Embed VL עצמו מבצע את שלב חיפוש ההקשר.

אפשרויות מסמך אצל היצרן

מסמך טקסטואלי: סעיף נפרד, מקטע או טקסט עמוד שכבר זוהה.
תמונה: עמוד שלם עם הטקסט, הטבלאות והאלמנטים הגרפיים שלו.
תמונה עם טקסט: המראה החזותי של העמוד ותוכנו הטקסטואלי משולבים בייצוג אחד.

השאילתה והמסמך מקודדים בנפרד. לכן אפשר לעבד את האוסף מראש, לשמור את הווקטורים עם עמודי המקור, ובשאלה חדשה לחשב רק את וקטור השאילתה. הדמיון בין הווקטורים מסייע לבחור חומרים לפי משמעותם. התפקידים הטקסטואליים של שאילתה ושל מסמך שונים, וחשוב לשמור על כך בהכנת הנתונים.

גודל הייצוג ואורך הקלט

כל קלט מומר לווקטור אחד בעל עד 2048 מספרים. במצב הטקסטואלי משתמשים בתקציב של 8192 טוקנים. לשיטה החזותית של היצרן עם שילוב תמונה וטקסט מתואר תקציב כולל של 10240 טוקנים שכולל את שני החלקים; זו אינה מגבלת הטקסט של שיטת Ailoot. התמונה מחולקת למקטעים: בתצורה המתוארת מותרים עד שישה מקטעים ועותק מוקטן של העמוד כולו, יחד כ־1792 טוקנים חזותיים. טקסטים ארוכים דורשים חלוקה או קיצור.

החלק הלשוני מבוסס על Llama 3.2 1B, והחזותי על SigLIP2. הם מאוחדים במקודד שמחשב ממוצע של ייצוגי טוקני הקלט ומפיק וקטור יחיד. אימון ניגודי מקרב את השאלה לעמוד המתאים ומרחיק אותה מחומרים לא רלוונטיים. החיפוש נשאר הסתברותי: קרבה בין וקטורים אינה מבטיחה שהמקטע שנבחר מכיל תשובה נכונה.

זמין ב-Ailoot · קלט ושיטות

Ailoot · ייצוגים וקטוריים POST /v1/embeddings

סוגי קלט: text
סוגי פלט: embedding
הקשר: ⁦4,096⁩ tokens
פורמט פלט: json

שדה	סוג	דרישה	ערכים ומגבלות	ברירת מחדל
שדה`model`	סוג`string`	דרישהחובה	ערכים ומגבלות nemotron-embed-vl	ברירת מחדל—
שדה`input`	סוג`string\|string[]`	דרישהחובה	ערכים ומגבלות מספר פריטים מזערי: ⁦1⁩ תנאים: כל מחרוזת חייבת להיות לא ריקה לאחר הסרת רווחים בקצוות; כתובות URI מסוג data נדחות; התקציב שהתקבל מודד את בתי ה־UTF8 הרלוונטיים.	ברירת מחדל—
שדה`input_type`	סוג`string`	דרישהרשות	ערכים ומגבלות query, passage	ברירת מחדלquery
שדה`encoding_format`	סוג`string`	דרישהרשות	ערכים ומגבלות float, base64	ברירת מחדלfloat
שדה`truncate`	סוג`string`	דרישהרשות	ערכים ומגבלות NONE, START, END	ברירת מחדל—
שדה`dimensions`	סוג`integer`	דרישהרשות	ערכים ומגבלות מינימום: ⁦1⁩	ברירת מחדל—
שדה`user`	סוג`string`	דרישהרשות	ערכים ומגבלות	ברירת מחדל—

שילובים של חומרי קלט

text_to_embedding

פרמטרים ומחזור חיים של השיטה

פרמטר	מפרט
פרמטר`material_types`	מפרטtext
פרמטר`required`	מפרטmodel, input
פרמטר`optional_controls`	מפרטnull
פרמטר`content_type`	מפרטapplication/json

מחזור חיים: exact retained published method

מבני המתודות והמזהים מדויקים; יכולת הספק נפרדת מקבלת הבקשה לביצוע.

תעריפים

תעריפי שיטות Ailoot

Ailoot ייצוגים וקטורייםPOST /v1/embeddings

קלט: ⁦‏0.0001 ‏$⁩ / 1K

לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →

דוגמאות לבקשות

Ailoot · ייצוגים וקטוריים

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-embed-vl", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

קבלה ושמירה של תוצאות

Ailoot · ייצוגים וקטוריים

json

שמירת כל התוצאות שהושלמו

שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.

יש לפענח וקטורי base64 רק כאשר הפורמט הזה התבקש; יש לשמור כל וקטור ואת האינדקס המקורי שלו.

כשצריך לבדוק את התגובה המקורית

לא מתווספת נקודת קצה למשימות הטמעה.

שדות התגובה

שדה	סוג
שדה`data[].index`	סוגinteger
שדה`data[].embedding`	סוגfinite float[]\|base64 float32 vector
שדה`model`	סוגstring
שדה`usage`	סוגobject

שגיאות והשלבים הבאים

תגובה	תנאי	השלב הבא
תגובה⁦400⁩ · `invalid_request_error`	תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים	השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה.

כינויים

כינויים למודל

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

כינויים לנתיבי שיטות

השתמשו בנתיבי השיטות המוצגים למעלה.

מזהי מודלים קשורים IDs

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

", "method_identity": { "effective_request_model_id": "nemotron-embed-vl", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nemotron-embed-vl", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nemotron-embed-vl", "ordinal": 1, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "שדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים", "http_status": 400, "recovery": "תקנו את השדות שצוינו לפני בקשת יצירה חדשה.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "לא מתווספת נקודת קצה למשימות הטמעה." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "יש לפענח וקטורי base64 רק כאשר הפורמט הזה התבקש; יש לשמור כל וקטור ואת האינדקס המקורי שלו.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-embed-vl" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "כל מחרוזת חייבת להיות לא ריקה לאחר הסרת רווחים בקצוות; כתובות URI מסוג data נדחות; התקציב שהתקבל מודד את בתי ה־UTF8 הרלוונטיים.", "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": [ "מבני המתודות והמזהים מדויקים; יכולת הספק נפרדת מקבלת הבקשה לביצוע." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"nemotron-embed-vl\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "ייצוגים וקטוריים", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-embed-vl", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } }, { "html": "

NV

Llama Nemotron Embed VL 1B v2

NVIDIA /nemotron-embed-vl-latest

מזהה מודל ID

התחלה

Llama Nemotron Embed VL v2 יוצר וקטורים לחיפוש סמנטי במסמכים. בקטלוג הנוכחי של Ailoot מוצג קלט טקסטואלי לשאילתות ולחומרים.

סוגי קלט נתמכים: טקסט
תוצאות: embedding

על המודל

התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.

למצוא את העמוד הדרוש לפי שאלה

Llama Nemotron Embed VL 1B v2 פותח בידי NVIDIA לחיפוש חומרים שמסייעים לענות על שאלה. השאילתה מוגדרת בטקסט. בקטלוג הנוכחי של Ailoot מוצג למודל קלט טקסטואלי: השאלה והחומר מקודדים כטקסט. היצרן מתאר גם מסמך כתמונת עמוד או כתמונה יחד עם טקסט שחולץ. האפשרויות החזותיות האלה דורשות שיטה נפרדת עם תמיכה בתמונות. עם קלט מתאים המודל מייצג טבלאות, גרפים ואינפוגרפיקה במרחב וקטורים משותף.

חיפוש כזה מתאים לעוזרי שאלות ותשובות על אוסף מסמכים גדול, למדריכים פנימיים ולחומרי מחקר. תוצאת הקידוד היא וקטור מספרי. אפשר להעביר אחר כך את העמוד או המקטע שנמצא למודל שמפיק תשובה: Embed VL עצמו מבצע את שלב חיפוש ההקשר.

אפשרויות מסמך אצל היצרן

מסמך טקסטואלי: סעיף נפרד, מקטע או טקסט עמוד שכבר זוהה.
תמונה: עמוד שלם עם הטקסט, הטבלאות והאלמנטים הגרפיים שלו.
תמונה עם טקסט: המראה החזותי של העמוד ותוכנו הטקסטואלי משולבים בייצוג אחד.

השאילתה והמסמך מקודדים בנפרד. לכן אפשר לעבד את האוסף מראש, לשמור את הווקטורים עם עמודי המקור, ובשאלה חדשה לחשב רק את וקטור השאילתה. הדמיון בין הווקטורים מסייע לבחור חומרים לפי משמעותם. התפקידים הטקסטואליים של שאילתה ושל מסמך שונים, וחשוב לשמור על כך בהכנת הנתונים.

גודל הייצוג ואורך הקלט

כל קלט מומר לווקטור אחד בעל עד 2048 מספרים. במצב הטקסטואלי משתמשים בתקציב של 8192 טוקנים. לשיטה החזותית של היצרן עם שילוב תמונה וטקסט מתואר תקציב כולל של 10240 טוקנים שכולל את שני החלקים; זו אינה מגבלת הטקסט של שיטת Ailoot. התמונה מחולקת למקטעים: בתצורה המתוארת מותרים עד שישה מקטעים ועותק מוקטן של העמוד כולו, יחד כ־1792 טוקנים חזותיים. טקסטים ארוכים דורשים חלוקה או קיצור.

החלק הלשוני מבוסס על Llama 3.2 1B, והחזותי על SigLIP2. הם מאוחדים במקודד שמחשב ממוצע של ייצוגי טוקני הקלט ומפיק וקטור יחיד. אימון ניגודי מקרב את השאלה לעמוד המתאים ומרחיק אותה מחומרים לא רלוונטיים. החיפוש נשאר הסתברותי: קרבה בין וקטורים אינה מבטיחה שהמקטע שנבחר מכיל תשובה נכונה.

זמין ב-Ailoot · קלט ושיטות

Ailoot · ייצוגים וקטוריים POST /v1/embeddings

סוגי קלט: text
סוגי פלט: embedding
הקשר: ⁦4,096⁩ tokens
פורמט פלט: json

שדה	סוג	דרישה	ערכים ומגבלות	ברירת מחדל
שדה`model`	סוג`string`	דרישהחובה	ערכים ומגבלות nemotron-embed-vl-latest	ברירת מחדל—
שדה`input`	סוג`string\|string[]`	דרישהחובה	ערכים ומגבלות מספר פריטים מזערי: ⁦1⁩ תנאים: כל מחרוזת חייבת להיות לא ריקה לאחר הסרת רווחים בקצוות; כתובות URI מסוג data נדחות; התקציב שהתקבל מודד את בתי ה־UTF8 הרלוונטיים.	ברירת מחדל—
שדה`input_type`	סוג`string`	דרישהרשות	ערכים ומגבלות query, passage	ברירת מחדלquery
שדה`encoding_format`	סוג`string`	דרישהרשות	ערכים ומגבלות float, base64	ברירת מחדלfloat
שדה`truncate`	סוג`string`	דרישהרשות	ערכים ומגבלות NONE, START, END	ברירת מחדל—
שדה`dimensions`	סוג`integer`	דרישהרשות	ערכים ומגבלות מינימום: ⁦1⁩	ברירת מחדל—
שדה`user`	סוג`string`	דרישהרשות	ערכים ומגבלות	ברירת מחדל—

שילובים של חומרי קלט

text_to_embedding

פרמטרים ומחזור חיים של השיטה

פרמטר	מפרט
פרמטר`material_types`	מפרטtext
פרמטר`required`	מפרטmodel, input
פרמטר`optional_controls`	מפרטnull
פרמטר`content_type`	מפרטapplication/json

מחזור חיים: exact retained published method

מבני המתודות והמזהים מדויקים; יכולת הספק נפרדת מקבלת הבקשה לביצוע.

תעריפים

תעריפי שיטות Ailoot

Ailoot ייצוגים וקטורייםPOST /v1/embeddings

קלט: ⁦‏0.0001 ‏$⁩ / 1K

לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →

דוגמאות לבקשות

Ailoot · ייצוגים וקטוריים

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-embed-vl-latest", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

קבלה ושמירה של תוצאות

Ailoot · ייצוגים וקטוריים

json

שמירת כל התוצאות שהושלמו

שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.

יש לפענח וקטורי base64 רק כאשר הפורמט הזה התבקש; יש לשמור כל וקטור ואת האינדקס המקורי שלו.

כשצריך לבדוק את התגובה המקורית

לא מתווספת נקודת קצה למשימות הטמעה.

שדות התגובה

שדה	סוג
שדה`data[].index`	סוגinteger
שדה`data[].embedding`	סוגfinite float[]\|base64 float32 vector
שדה`model`	סוגstring
שדה`usage`	סוגobject

שגיאות והשלבים הבאים

תגובה	תנאי	השלב הבא
תגובה⁦400⁩ · `invalid_request_error`	תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים	השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה.

כינויים

כינויים למודל

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

כינויים לנתיבי שיטות

השתמשו בנתיבי השיטות המוצגים למעלה.

מזהי מודלים קשורים IDs

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

", "method_identity": { "effective_request_model_id": "nemotron-embed-vl-latest", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nemotron-embed-vl-latest", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nemotron-embed-vl-latest", "ordinal": 2, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "שדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים", "http_status": 400, "recovery": "תקנו את השדות שצוינו לפני בקשת יצירה חדשה.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "לא מתווספת נקודת קצה למשימות הטמעה." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "יש לפענח וקטורי base64 רק כאשר הפורמט הזה התבקש; יש לשמור כל וקטור ואת האינדקס המקורי שלו.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-embed-vl-latest" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "כל מחרוזת חייבת להיות לא ריקה לאחר הסרת רווחים בקצוות; כתובות URI מסוג data נדחות; התקציב שהתקבל מודד את בתי ה־UTF8 הרלוונטיים.", "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": [ "מבני המתודות והמזהים מדויקים; יכולת הספק נפרדת מקבלת הבקשה לביצוע." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"nemotron-embed-vl-latest\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "ייצוגים וקטוריים", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-embed-vl-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } } ], "model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "nativeProvenance": { "input_facts_canonical_sha256": "4db60d55b199899b200b5bbcea2c644c0f7311f066aec6c9c15ad7352c9f602c", "input_html_sha256": "cdf6abffdecbd821cc89131b6aeee591a88eec01e29e228959ec5a7602eba910", "private_audit_sha256": "132633f031d2137a749d2e6c4c269856c193af54e491ec028181c0ff8d32732e", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/he/nvidia-llama-nemotron-embed-vl-1b-v2/", "description": "Llama Nemotron Embed VL v2 יוצר וקטורים לחיפוש סמנטי במסמכים. בקטלוג הנוכחי של Ailoot מוצג קלט טקסטואלי לשאילתות ולחומרים.", "locale": "he", "md_url": "https://ailoot.ai/models/he/nvidia-llama-nemotron-embed-vl-1b-v2/index.md", "title": "Llama Nemotron Embed VL 1B v2 — Ailoot", "url": "https://ailoot.ai/models/he/nvidia-llama-nemotron-embed-vl-1b-v2/" }, "rawModel": { "about": "### למצוא את העמוד הדרוש לפי שאלה\n\nLlama Nemotron Embed VL 1B v2 פותח בידי NVIDIA לחיפוש חומרים שמסייעים לענות על שאלה. השאילתה מוגדרת בטקסט. בקטלוג הנוכחי של Ailoot מוצג למודל קלט טקסטואלי: השאלה והחומר מקודדים כטקסט. היצרן מתאר גם מסמך כתמונת עמוד או כתמונה יחד עם טקסט שחולץ. האפשרויות החזותיות האלה דורשות שיטה נפרדת עם תמיכה בתמונות. עם קלט מתאים המודל מייצג טבלאות, גרפים ואינפוגרפיקה במרחב וקטורים משותף.\n\nחיפוש כזה מתאים לעוזרי שאלות ותשובות על אוסף מסמכים גדול, למדריכים פנימיים ולחומרי מחקר. תוצאת הקידוד היא וקטור מספרי. אפשר להעביר אחר כך את העמוד או המקטע שנמצא למודל שמפיק תשובה: Embed VL עצמו מבצע את שלב חיפוש ההקשר.\n\n### אפשרויות מסמך אצל היצרן\n\n- מסמך טקסטואלי: סעיף נפרד, מקטע או טקסט עמוד שכבר זוהה.\n- תמונה: עמוד שלם עם הטקסט, הטבלאות והאלמנטים הגרפיים שלו.\n- תמונה עם טקסט: המראה החזותי של העמוד ותוכנו הטקסטואלי משולבים בייצוג אחד.\n\nהשאילתה והמסמך מקודדים בנפרד. לכן אפשר לעבד את האוסף מראש, לשמור את הווקטורים עם עמודי המקור, ובשאלה חדשה לחשב רק את וקטור השאילתה. הדמיון בין הווקטורים מסייע לבחור חומרים לפי משמעותם. התפקידים הטקסטואליים של שאילתה ושל מסמך שונים, וחשוב לשמור על כך בהכנת הנתונים.\n\n### גודל הייצוג ואורך הקלט\n\nכל קלט מומר לווקטור אחד בעל עד 2048 מספרים. במצב הטקסטואלי משתמשים בתקציב של 8192 טוקנים. לשיטה החזותית של היצרן עם שילוב תמונה וטקסט מתואר תקציב כולל של 10240 טוקנים שכולל את שני החלקים; זו אינה מגבלת הטקסט של שיטת Ailoot. התמונה מחולקת למקטעים: בתצורה המתוארת מותרים עד שישה מקטעים ועותק מוקטן של העמוד כולו, יחד כ־1792 טוקנים חזותיים. טקסטים ארוכים דורשים חלוקה או קיצור.\n\nהחלק הלשוני מבוסס על Llama 3.2 1B, והחזותי על SigLIP2. הם מאוחדים במקודד שמחשב ממוצע של ייצוגי טוקני הקלט ומפיק וקטור יחיד. אימון ניגודי מקרב את השאלה לעמוד המתאים ומרחיק אותה מחומרים לא רלוונטיים. החיפוש נשאר הסתברותי: קרבה בין וקטורים אינה מבטיחה שהמקטע שנבחר מכיל תשובה נכונה.", "alias_of": null, "aliases": [ "nemotron-embed-vl", "nemotron-embed-vl-latest" ], "author": "NVIDIA", "ctx": 4096, "display_name": "Llama Nemotron Embed VL 1B v2", "formats": [ "embeddings" ], "id": "nvidia/llama-nemotron-embed-vl-1b-v2", "input": [ "text" ], "kind": "embedding", "max_out": null, "methods": [ { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "שדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים", "http_status": 400, "recovery": "תקנו את השדות שצוינו לפני בקשת יצירה חדשה.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "לא מתווספת נקודת קצה למשימות הטמעה." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "יש לפענח וקטורי base64 רק כאשר הפורמט הזה התבקש; יש לשמור כל וקטור ואת האינדקס המקורי שלו.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nvidia/llama-nemotron-embed-vl-1b-v2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "כל מחרוזת חייבת להיות לא ריקה לאחר הסרת רווחים בקצוות; כתובות URI מסוג data נדחות; התקציב שהתקבל מודד את בתי ה־UTF8 הרלוונטיים.", "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": [ "מבני המתודות והמזהים מדויקים; יכולת הספק נפרדת מקבלת הבקשה לביצוע." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"nvidia/llama-nemotron-embed-vl-1b-v2\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "ייצוגים וקטוריים", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] }, { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "שדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים", "http_status": 400, "recovery": "תקנו את השדות שצוינו לפני בקשת יצירה חדשה.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "לא מתווספת נקודת קצה למשימות הטמעה." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "יש לפענח וקטורי base64 רק כאשר הפורמט הזה התבקש; יש לשמור כל וקטור ואת האינדקס המקורי שלו.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-embed-vl" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "כל מחרוזת חייבת להיות לא ריקה לאחר הסרת רווחים בקצוות; כתובות URI מסוג data נדחות; התקציב שהתקבל מודד את בתי ה־UTF8 הרלוונטיים.", "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": [ "מבני המתודות והמזהים מדויקים; יכולת הספק נפרדת מקבלת הבקשה לביצוע." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"nemotron-embed-vl\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "ייצוגים וקטוריים", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-embed-vl", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] }, { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "שדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים", "http_status": 400, "recovery": "תקנו את השדות שצוינו לפני בקשת יצירה חדשה.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "לא מתווספת נקודת קצה למשימות הטמעה." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "יש לפענח וקטורי base64 רק כאשר הפורמט הזה התבקש; יש לשמור כל וקטור ואת האינדקס המקורי שלו.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-embed-vl-latest" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "כל מחרוזת חייבת להיות לא ריקה לאחר הסרת רווחים בקצוות; כתובות URI מסוג data נדחות; התקציב שהתקבל מודד את בתי ה־UTF8 הרלוונטיים.", "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": [ "מבני המתודות והמזהים מדויקים; יכולת הספק נפרדת מקבלת הבקשה לביצוע." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"nemotron-embed-vl-latest\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "ייצוגים וקטוריים", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-embed-vl-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } ], "model_aliases": [ { "canonical_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "route_label": "Core" }, { "canonical_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "request_model_id": "nemotron-embed-vl", "route_label": "Core" }, { "canonical_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "request_model_id": "nemotron-embed-vl-latest", "route_label": "Core" } ], "name": "nvidia/llama-nemotron-embed-vl-1b-v2", "price": { "in": 0.1, "in_label": null, "out": null, "out_label": null, "sort_in": 0.1, "sort_out": null, "varies": false }, "short": "Llama Nemotron Embed VL v2 יוצר וקטורים לחיפוש סמנטי במסמכים. בקטלוג הנוכחי של Ailoot מוצג קלט טקסטואלי לשאילתות ולחומרים." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 }, { "contract_json_pointer": "/methods/1/rawMethod/contract", "html_json_pointer": "/methods/1/html", "method_ordinal": 1 }, { "contract_json_pointer": "/methods/2/rawMethod/contract", "html_json_pointer": "/methods/2/html", "method_ordinal": 2 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod", "/methods/1/rawMethod", "/methods/2/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Llama Nemotron Embed VL v2 יוצר וקטורים לחיפוש סמנטי במסמכים. בקטלוג הנוכחי של Ailoot מוצג קלט טקסטואלי לשאילתות ולחומרים.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "27867fd46f38e39ce4f1227b8eb453022408ac6064eeced697f42b0f288aaa0c", "renderer_sha256": "c36bd89b8b0dac234af52bf68530df83530b908ec7a9f2e1de2483fe236ae910" }, "sourceRevision": "e4e0cd25f19f95bbf3e7bcc1eb64bbf1957071c45b4c92603e904675e65e9a9e" }