A Llama Nemotron Embed VL 1B v2 modellt az NVIDIA a kérdés megválaszolásában segítő anyagok keresésére fejlesztette. A kérdés szövegként adható meg. Az Ailoot jelenlegi katalógusában a modell szöveges bemenettel szerepel: a kérdés és az anyag szövegként kerül kódolásra. A gyártó dokumentumot oldalképként vagy kinyert szöveggel együtt megadott képként is leír. E vizuális változatok külön, képtámogatású metódust igényelnek. Megfelelő bemenet esetén a modell táblázatokat, grafikonokat és infografikákat jelenít meg közös vektortérben.
Az ilyen keresés nagy dokumentumgyűjteményhez, belső kézikönyvekhez és kutatási anyagokhoz kapcsolódó kérdés-válasz asszisztensekhez alkalmas. A kódolás eredménye számvektor. A megtalált oldal vagy részlet ezután átadható egy választ készítő modellnek: maga az Embed VL a kontextuskeresési szakaszt végzi.
A kérdés és a dokumentum egymástól függetlenül kerül kódolásra. Ezért a gyűjtemény előre feldolgozható, a vektorok a forrásoldalakkal együtt tárolhatók, új kérdésnél pedig csak a kérdés vektorát kell kiszámítani. A vektorhasonlóság segít jelentés szerint kiválasztani az anyagokat. A kérdés és a dokumentum szöveges szerepe eltér, amit fontos megőrizni az adatok előkészítésekor.
Minden bemenet egy legfeljebb 2048 számból álló vektorrá alakul. Szöveges módban 8192 tokenes keret használatos. A gyártó képet és szöveget kombináló vizuális metódusához 10240 tokenes közös keret van leírva, amely mindkét részt tartalmazza; ez nem az Ailoot-metódus szöveges korlátja. A kép részletekre bomlik: a leírt konfiguráció legfeljebb hat részletet és a teljes oldal kicsinyített másolatát engedi, együtt körülbelül 1792 vizuális tokennel. A hosszú szöveget fel kell bontani vagy rövidíteni.
A nyelvi rész Llama 3.2 1B, a vizuális rész SigLIP2 alapra épül. Ezek olyan enkóderben egyesülnek, amely átlagolja a bemeneti tokenek reprezentációit, és egyetlen vektort ad ki. A kontrasztív tanítás közelíti a kérdést a megfelelő oldalhoz, és távolítja a nem releváns anyagoktól. A keresés valószínűségi marad: a vektorok közelsége nem garantálja, hogy a kiválasztott részlet helyes választ tartalmaz.
", "aboutText": "### A megfelelő oldal megtalálása a kérdés alapján\n\nA Llama Nemotron Embed VL 1B v2 modellt az NVIDIA a kérdés megválaszolásában segítő anyagok keresésére fejlesztette. A kérdés szövegként adható meg. Az Ailoot jelenlegi katalógusában a modell szöveges bemenettel szerepel: a kérdés és az anyag szövegként kerül kódolásra. A gyártó dokumentumot oldalképként vagy kinyert szöveggel együtt megadott képként is leír. E vizuális változatok külön, képtámogatású metódust igényelnek. Megfelelő bemenet esetén a modell táblázatokat, grafikonokat és infografikákat jelenít meg közös vektortérben.\n\nAz ilyen keresés nagy dokumentumgyűjteményhez, belső kézikönyvekhez és kutatási anyagokhoz kapcsolódó kérdés-válasz asszisztensekhez alkalmas. A kódolás eredménye számvektor. A megtalált oldal vagy részlet ezután átadható egy választ készítő modellnek: maga az Embed VL a kontextuskeresési szakaszt végzi.\n\n### A gyártó dokumentumváltozatai\n\n- Szöveges dokumentum: külön szakasz, részlet vagy egy oldal már felismert szövege.\n- Kép: teljes oldal a szövegével, táblázataival és grafikai elemeivel.\n- Kép szöveggel: az oldal vizuális képe és szöveges tartalma egy reprezentációban egyesül.\n\nA kérdés és a dokumentum egymástól függetlenül kerül kódolásra. Ezért a gyűjtemény előre feldolgozható, a vektorok a forrásoldalakkal együtt tárolhatók, új kérdésnél pedig csak a kérdés vektorát kell kiszámítani. A vektorhasonlóság segít jelentés szerint kiválasztani az anyagokat. A kérdés és a dokumentum szöveges szerepe eltér, amit fontos megőrizni az adatok előkészítésekor.\n\n### A reprezentáció mérete és a bemenet hossza\n\nMinden bemenet egy legfeljebb 2048 számból álló vektorrá alakul. Szöveges módban 8192 tokenes keret használatos. A gyártó képet és szöveget kombináló vizuális metódusához 10240 tokenes közös keret van leírva, amely mindkét részt tartalmazza; ez nem az Ailoot-metódus szöveges korlátja. A kép részletekre bomlik: a leírt konfiguráció legfeljebb hat részletet és a teljes oldal kicsinyített másolatát engedi, együtt körülbelül 1792 vizuális tokennel. A hosszú szöveget fel kell bontani vagy rövidíteni.\n\nA nyelvi rész Llama 3.2 1B, a vizuális rész SigLIP2 alapra épül. Ezek olyan enkóderben egyesülnek, amely átlagolja a bemeneti tokenek reprezentációit, és egyetlen vektort ad ki. A kontrasztív tanítás közelíti a kérdést a megfelelő oldalhoz, és távolítja a nem releváns anyagoktól. A keresés valószínűségi marad: a vektorok közelsége nem garantálja, hogy a kiválasztott részlet helyes választ tartalmaz.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ca9a036715b7a6bd573b7b9134c837f4019df12d2c77be66ad23631275f4ecf4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "hu", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2A Llama Nemotron Embed VL v2 vektorokat készít dokumentumok szemantikus kereséséhez. Az Ailoot jelenlegi katalógusában szöveges bemenet szerepel a kérdésekhez és az anyagokhoz.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Llama Nemotron Embed VL 1B v2 modellt az NVIDIA a kérdés megválaszolásában segítő anyagok keresésére fejlesztette. A kérdés szövegként adható meg. Az Ailoot jelenlegi katalógusában a modell szöveges bemenettel szerepel: a kérdés és az anyag szövegként kerül kódolásra. A gyártó dokumentumot oldalképként vagy kinyert szöveggel együtt megadott képként is leír. E vizuális változatok külön, képtámogatású metódust igényelnek. Megfelelő bemenet esetén a modell táblázatokat, grafikonokat és infografikákat jelenít meg közös vektortérben.
Az ilyen keresés nagy dokumentumgyűjteményhez, belső kézikönyvekhez és kutatási anyagokhoz kapcsolódó kérdés-válasz asszisztensekhez alkalmas. A kódolás eredménye számvektor. A megtalált oldal vagy részlet ezután átadható egy választ készítő modellnek: maga az Embed VL a kontextuskeresési szakaszt végzi.
A kérdés és a dokumentum egymástól függetlenül kerül kódolásra. Ezért a gyűjtemény előre feldolgozható, a vektorok a forrásoldalakkal együtt tárolhatók, új kérdésnél pedig csak a kérdés vektorát kell kiszámítani. A vektorhasonlóság segít jelentés szerint kiválasztani az anyagokat. A kérdés és a dokumentum szöveges szerepe eltér, amit fontos megőrizni az adatok előkészítésekor.
Minden bemenet egy legfeljebb 2048 számból álló vektorrá alakul. Szöveges módban 8192 tokenes keret használatos. A gyártó képet és szöveget kombináló vizuális metódusához 10240 tokenes közös keret van leírva, amely mindkét részt tartalmazza; ez nem az Ailoot-metódus szöveges korlátja. A kép részletekre bomlik: a leírt konfiguráció legfeljebb hat részletet és a teljes oldal kicsinyített másolatát engedi, együtt körülbelül 1792 vizuális tokennel. A hosszú szöveget fel kell bontani vagy rövidíteni.
A nyelvi rész Llama 3.2 1B, a vizuális rész SigLIP2 alapra épül. Ezek olyan enkóderben egyesülnek, amely átlagolja a bemeneti tokenek reprezentációit, és egyetlen vektort ad ki. A kontrasztív tanítás közelíti a kérdést a megfelelő oldalhoz, és távolítja a nem releváns anyagoktól. A keresés valószínűségi marad: a vektorok közelsége nem garantálja, hogy a kiválasztott részlet helyes választ tartalmaz.
POST /v1/embeddingstextembedding| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok nvidia/llama-nemotron-embed-vl-1b-v2 | Alapértelmezett— |
Mezőinput | Típusstring|string[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 Feltételek: A szélső térközök eltávolítása után minden karakterlánc nem üres; a data URI-k elutasítottak; az elfogadott keret az érintett UTF8 bájtokat méri. | Alapértelmezett— |
Mezőinput_type | Típusstring | KövetelményOpcionális | Értékek és korlátok query, passage | Alapértelmezettquery |
Mezőencoding_format | Típusstring | KövetelményOpcionális | Értékek és korlátok float, base64 | Alapértelmezettfloat |
Mezőtruncate | Típusstring | KövetelményOpcionális | Értékek és korlátok NONE, START, END | Alapértelmezett— |
Meződimensions | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 | Alapértelmezett— |
Mezőuser | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
text_to_embedding
| Paraméter | Szerződés |
|---|---|
Paramétermaterial_types | Szerződéstext |
Paraméterrequired | Szerződésmodel, input |
Paraméteroptional_controls | Szerződésnull |
Paramétercontent_type | Szerződésapplication/json |
Életciklus: exact retained published method
A metódusok szerkezete és azonosítói pontosak; a beszállítói képesség különbözik a kérelmek befogadásától.
POST /v1/embeddingsAz Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
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
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
A base64 vektorokat csak akkor dekódolja, ha ezt a formátumot kérte; őrizzen meg minden vektort és annak eredeti indexét.
Nem kerül bevezetésre külön beágyazási feladatvégpont.
| Mező | Típus |
|---|---|
Meződata[].index | Típusinteger |
Meződata[].embedding | Típusfinite float[]|base64 float32 vector |
Mezőmodel | Típusstring |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Használja a fent látható metódusútvonalakat.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlA Llama Nemotron Embed VL v2 vektorokat készít dokumentumok szemantikus kereséséhez. Az Ailoot jelenlegi katalógusában szöveges bemenet szerepel a kérdésekhez és az anyagokhoz.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Llama Nemotron Embed VL 1B v2 modellt az NVIDIA a kérdés megválaszolásában segítő anyagok keresésére fejlesztette. A kérdés szövegként adható meg. Az Ailoot jelenlegi katalógusában a modell szöveges bemenettel szerepel: a kérdés és az anyag szövegként kerül kódolásra. A gyártó dokumentumot oldalképként vagy kinyert szöveggel együtt megadott képként is leír. E vizuális változatok külön, képtámogatású metódust igényelnek. Megfelelő bemenet esetén a modell táblázatokat, grafikonokat és infografikákat jelenít meg közös vektortérben.
Az ilyen keresés nagy dokumentumgyűjteményhez, belső kézikönyvekhez és kutatási anyagokhoz kapcsolódó kérdés-válasz asszisztensekhez alkalmas. A kódolás eredménye számvektor. A megtalált oldal vagy részlet ezután átadható egy választ készítő modellnek: maga az Embed VL a kontextuskeresési szakaszt végzi.
A kérdés és a dokumentum egymástól függetlenül kerül kódolásra. Ezért a gyűjtemény előre feldolgozható, a vektorok a forrásoldalakkal együtt tárolhatók, új kérdésnél pedig csak a kérdés vektorát kell kiszámítani. A vektorhasonlóság segít jelentés szerint kiválasztani az anyagokat. A kérdés és a dokumentum szöveges szerepe eltér, amit fontos megőrizni az adatok előkészítésekor.
Minden bemenet egy legfeljebb 2048 számból álló vektorrá alakul. Szöveges módban 8192 tokenes keret használatos. A gyártó képet és szöveget kombináló vizuális metódusához 10240 tokenes közös keret van leírva, amely mindkét részt tartalmazza; ez nem az Ailoot-metódus szöveges korlátja. A kép részletekre bomlik: a leírt konfiguráció legfeljebb hat részletet és a teljes oldal kicsinyített másolatát engedi, együtt körülbelül 1792 vizuális tokennel. A hosszú szöveget fel kell bontani vagy rövidíteni.
A nyelvi rész Llama 3.2 1B, a vizuális rész SigLIP2 alapra épül. Ezek olyan enkóderben egyesülnek, amely átlagolja a bemeneti tokenek reprezentációit, és egyetlen vektort ad ki. A kontrasztív tanítás közelíti a kérdést a megfelelő oldalhoz, és távolítja a nem releváns anyagoktól. A keresés valószínűségi marad: a vektorok közelsége nem garantálja, hogy a kiválasztott részlet helyes választ tartalmaz.
POST /v1/embeddingstextembedding| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok nemotron-embed-vl | Alapértelmezett— |
Mezőinput | Típusstring|string[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 Feltételek: A szélső térközök eltávolítása után minden karakterlánc nem üres; a data URI-k elutasítottak; az elfogadott keret az érintett UTF8 bájtokat méri. | Alapértelmezett— |
Mezőinput_type | Típusstring | KövetelményOpcionális | Értékek és korlátok query, passage | Alapértelmezettquery |
Mezőencoding_format | Típusstring | KövetelményOpcionális | Értékek és korlátok float, base64 | Alapértelmezettfloat |
Mezőtruncate | Típusstring | KövetelményOpcionális | Értékek és korlátok NONE, START, END | Alapértelmezett— |
Meződimensions | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 | Alapértelmezett— |
Mezőuser | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
text_to_embedding
| Paraméter | Szerződés |
|---|---|
Paramétermaterial_types | Szerződéstext |
Paraméterrequired | Szerződésmodel, input |
Paraméteroptional_controls | Szerződésnull |
Paramétercontent_type | Szerződésapplication/json |
Életciklus: exact retained published method
A metódusok szerkezete és azonosítói pontosak; a beszállítói képesség különbözik a kérelmek befogadásától.
POST /v1/embeddingsAz Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
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
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
A base64 vektorokat csak akkor dekódolja, ha ezt a formátumot kérte; őrizzen meg minden vektort és annak eredeti indexét.
Nem kerül bevezetésre külön beágyazási feladatvégpont.
| Mező | Típus |
|---|---|
Meződata[].index | Típusinteger |
Meződata[].embedding | Típusfinite float[]|base64 float32 vector |
Mezőmodel | Típusstring |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Használja a fent látható metódusútvonalakat.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestA Llama Nemotron Embed VL v2 vektorokat készít dokumentumok szemantikus kereséséhez. Az Ailoot jelenlegi katalógusában szöveges bemenet szerepel a kérdésekhez és az anyagokhoz.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Llama Nemotron Embed VL 1B v2 modellt az NVIDIA a kérdés megválaszolásában segítő anyagok keresésére fejlesztette. A kérdés szövegként adható meg. Az Ailoot jelenlegi katalógusában a modell szöveges bemenettel szerepel: a kérdés és az anyag szövegként kerül kódolásra. A gyártó dokumentumot oldalképként vagy kinyert szöveggel együtt megadott képként is leír. E vizuális változatok külön, képtámogatású metódust igényelnek. Megfelelő bemenet esetén a modell táblázatokat, grafikonokat és infografikákat jelenít meg közös vektortérben.
Az ilyen keresés nagy dokumentumgyűjteményhez, belső kézikönyvekhez és kutatási anyagokhoz kapcsolódó kérdés-válasz asszisztensekhez alkalmas. A kódolás eredménye számvektor. A megtalált oldal vagy részlet ezután átadható egy választ készítő modellnek: maga az Embed VL a kontextuskeresési szakaszt végzi.
A kérdés és a dokumentum egymástól függetlenül kerül kódolásra. Ezért a gyűjtemény előre feldolgozható, a vektorok a forrásoldalakkal együtt tárolhatók, új kérdésnél pedig csak a kérdés vektorát kell kiszámítani. A vektorhasonlóság segít jelentés szerint kiválasztani az anyagokat. A kérdés és a dokumentum szöveges szerepe eltér, amit fontos megőrizni az adatok előkészítésekor.
Minden bemenet egy legfeljebb 2048 számból álló vektorrá alakul. Szöveges módban 8192 tokenes keret használatos. A gyártó képet és szöveget kombináló vizuális metódusához 10240 tokenes közös keret van leírva, amely mindkét részt tartalmazza; ez nem az Ailoot-metódus szöveges korlátja. A kép részletekre bomlik: a leírt konfiguráció legfeljebb hat részletet és a teljes oldal kicsinyített másolatát engedi, együtt körülbelül 1792 vizuális tokennel. A hosszú szöveget fel kell bontani vagy rövidíteni.
A nyelvi rész Llama 3.2 1B, a vizuális rész SigLIP2 alapra épül. Ezek olyan enkóderben egyesülnek, amely átlagolja a bemeneti tokenek reprezentációit, és egyetlen vektort ad ki. A kontrasztív tanítás közelíti a kérdést a megfelelő oldalhoz, és távolítja a nem releváns anyagoktól. A keresés valószínűségi marad: a vektorok közelsége nem garantálja, hogy a kiválasztott részlet helyes választ tartalmaz.
POST /v1/embeddingstextembedding| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok nemotron-embed-vl-latest | Alapértelmezett— |
Mezőinput | Típusstring|string[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 Feltételek: A szélső térközök eltávolítása után minden karakterlánc nem üres; a data URI-k elutasítottak; az elfogadott keret az érintett UTF8 bájtokat méri. | Alapértelmezett— |
Mezőinput_type | Típusstring | KövetelményOpcionális | Értékek és korlátok query, passage | Alapértelmezettquery |
Mezőencoding_format | Típusstring | KövetelményOpcionális | Értékek és korlátok float, base64 | Alapértelmezettfloat |
Mezőtruncate | Típusstring | KövetelményOpcionális | Értékek és korlátok NONE, START, END | Alapértelmezett— |
Meződimensions | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 | Alapértelmezett— |
Mezőuser | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
text_to_embedding
| Paraméter | Szerződés |
|---|---|
Paramétermaterial_types | Szerződéstext |
Paraméterrequired | Szerződésmodel, input |
Paraméteroptional_controls | Szerződésnull |
Paramétercontent_type | Szerződésapplication/json |
Életciklus: exact retained published method
A metódusok szerkezete és azonosítói pontosak; a beszállítói képesség különbözik a kérelmek befogadásától.
POST /v1/embeddingsAz Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
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
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
A base64 vektorokat csak akkor dekódolja, ha ezt a formátumot kérte; őrizzen meg minden vektort és annak eredeti indexét.
Nem kerül bevezetésre külön beágyazási feladatvégpont.
| Mező | Típus |
|---|---|
Meződata[].index | Típusinteger |
Meződata[].embedding | Típusfinite float[]|base64 float32 vector |
Mezőmodel | Típusstring |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Használja a fent látható metódusútvonalakat.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest