{ "aboutHtml": "

Menemukan halaman yang diperlukan melalui pertanyaan

Llama Nemotron Embed VL 1B v2 dikembangkan NVIDIA untuk mencari materi yang membantu menjawab pertanyaan. Kueri diberikan dalam teks. Dalam katalog Ailoot saat ini, model menyediakan masukan teks: pertanyaan dan materi dikodekan sebagai teks. Produsen juga menjelaskan dokumen berupa gambar halaman atau gambar bersama teks yang diekstrak. Varian visual tersebut memerlukan metode tersendiri dengan dukungan gambar. Dengan masukan yang sesuai, model merepresentasikan tabel, grafik, dan infografik dalam ruang vektor bersama.

Pencarian tersebut sesuai untuk asisten tanya-jawab atas koleksi dokumen besar, referensi internal, dan materi penelitian. Hasil pengodean adalah vektor numerik. Halaman atau bagian yang ditemukan kemudian dapat diberikan kepada model yang menyusun jawaban: Embed VL itu sendiri melakukan tahap pencarian konteks.

Varian dokumen pada layanan produsen

Kueri dan dokumen dikodekan secara terpisah. Karena itu, koleksi dapat diproses terlebih dahulu dan vektornya disimpan bersama halaman sumber; saat pertanyaan baru muncul, hanya vektor kueri yang perlu dihitung. Kemiripan vektor membantu memilih materi berdasarkan makna. Peran teks kueri dan dokumen berbeda, dan perbedaan tersebut perlu dipertahankan saat menyiapkan data.

Ukuran representasi dan panjang masukan

Setiap masukan diubah menjadi satu vektor dengan dimensi hingga 2048 angka. Mode teks menggunakan anggaran 8192 token. Untuk metode visual produsen yang memadukan gambar dan teks, dijelaskan anggaran keseluruhan 10240 token yang mencakup kedua bagian; ini bukan batas teks metode Ailoot. Gambar dibagi menjadi bagian-bagian: konfigurasi yang dijelaskan mengizinkan hingga enam bagian dan salinan kecil seluruh halaman, dengan total sekitar 1792 token visual. Teks panjang harus dibagi atau dipersingkat.

Bagian bahasa dibangun di atas Llama 3.2 1B, sedangkan bagian visual di atas SigLIP2. Keduanya digabungkan menjadi encoder yang merata-ratakan representasi token masukan dan menghasilkan satu vektor. Pembelajaran kontrastif mendekatkan pertanyaan dengan halaman yang sesuai serta menjauhkannya dari materi yang tidak relevan. Pencarian tetap bersifat probabilistik: kedekatan vektor tidak menjamin bahwa bagian yang dipilih memuat jawaban yang benar.

", "aboutText": "### Menemukan halaman yang diperlukan melalui pertanyaan\n\nLlama Nemotron Embed VL 1B v2 dikembangkan NVIDIA untuk mencari materi yang membantu menjawab pertanyaan. Kueri diberikan dalam teks. Dalam katalog Ailoot saat ini, model menyediakan masukan teks: pertanyaan dan materi dikodekan sebagai teks. Produsen juga menjelaskan dokumen berupa gambar halaman atau gambar bersama teks yang diekstrak. Varian visual tersebut memerlukan metode tersendiri dengan dukungan gambar. Dengan masukan yang sesuai, model merepresentasikan tabel, grafik, dan infografik dalam ruang vektor bersama.\n\nPencarian tersebut sesuai untuk asisten tanya-jawab atas koleksi dokumen besar, referensi internal, dan materi penelitian. Hasil pengodean adalah vektor numerik. Halaman atau bagian yang ditemukan kemudian dapat diberikan kepada model yang menyusun jawaban: Embed VL itu sendiri melakukan tahap pencarian konteks.\n\n### Varian dokumen pada layanan produsen\n\n- Dokumen teks: bagian tersendiri, cuplikan, atau teks halaman yang telah dikenali.\n- Gambar: halaman lengkap dengan teks, tabel, dan unsur grafisnya.\n- Gambar dengan teks: tampilan visual halaman dan isi teksnya digabungkan dalam satu representasi.\n\nKueri dan dokumen dikodekan secara terpisah. Karena itu, koleksi dapat diproses terlebih dahulu dan vektornya disimpan bersama halaman sumber; saat pertanyaan baru muncul, hanya vektor kueri yang perlu dihitung. Kemiripan vektor membantu memilih materi berdasarkan makna. Peran teks kueri dan dokumen berbeda, dan perbedaan tersebut perlu dipertahankan saat menyiapkan data.\n\n### Ukuran representasi dan panjang masukan\n\nSetiap masukan diubah menjadi satu vektor dengan dimensi hingga 2048 angka. Mode teks menggunakan anggaran 8192 token. Untuk metode visual produsen yang memadukan gambar dan teks, dijelaskan anggaran keseluruhan 10240 token yang mencakup kedua bagian; ini bukan batas teks metode Ailoot. Gambar dibagi menjadi bagian-bagian: konfigurasi yang dijelaskan mengizinkan hingga enam bagian dan salinan kecil seluruh halaman, dengan total sekitar 1792 token visual. Teks panjang harus dibagi atau dipersingkat.\n\nBagian bahasa dibangun di atas Llama 3.2 1B, sedangkan bagian visual di atas SigLIP2. Keduanya digabungkan menjadi encoder yang merata-ratakan representasi token masukan dan menghasilkan satu vektor. Pembelajaran kontrastif mendekatkan pertanyaan dengan halaman yang sesuai serta menjauhkannya dari materi yang tidak relevan. Pencarian tetap bersifat probabilistik: kedekatan vektor tidak menjamin bahwa bagian yang dipilih memuat jawaban yang benar.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5c690621f0214cd4df5304fd9510e48c4e69c8106d3e61f9b47eef8d5cb7ffd9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
NV

Llama Nemotron Embed VL 1B v2

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

Mulai

Llama Nemotron Embed VL v2 membuat vektor untuk pencarian semantik dokumen. Katalog Ailoot saat ini menyediakan masukan teks untuk pertanyaan dan materi.

Masukan yang diterima
Teks
Hasil
embedding
Tentang model

Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.

Menemukan halaman yang diperlukan melalui pertanyaan

Llama Nemotron Embed VL 1B v2 dikembangkan NVIDIA untuk mencari materi yang membantu menjawab pertanyaan. Kueri diberikan dalam teks. Dalam katalog Ailoot saat ini, model menyediakan masukan teks: pertanyaan dan materi dikodekan sebagai teks. Produsen juga menjelaskan dokumen berupa gambar halaman atau gambar bersama teks yang diekstrak. Varian visual tersebut memerlukan metode tersendiri dengan dukungan gambar. Dengan masukan yang sesuai, model merepresentasikan tabel, grafik, dan infografik dalam ruang vektor bersama.

Pencarian tersebut sesuai untuk asisten tanya-jawab atas koleksi dokumen besar, referensi internal, dan materi penelitian. Hasil pengodean adalah vektor numerik. Halaman atau bagian yang ditemukan kemudian dapat diberikan kepada model yang menyusun jawaban: Embed VL itu sendiri melakukan tahap pencarian konteks.

Varian dokumen pada layanan produsen

  • Dokumen teks: bagian tersendiri, cuplikan, atau teks halaman yang telah dikenali.
  • Gambar: halaman lengkap dengan teks, tabel, dan unsur grafisnya.
  • Gambar dengan teks: tampilan visual halaman dan isi teksnya digabungkan dalam satu representasi.

Kueri dan dokumen dikodekan secara terpisah. Karena itu, koleksi dapat diproses terlebih dahulu dan vektornya disimpan bersama halaman sumber; saat pertanyaan baru muncul, hanya vektor kueri yang perlu dihitung. Kemiripan vektor membantu memilih materi berdasarkan makna. Peran teks kueri dan dokumen berbeda, dan perbedaan tersebut perlu dipertahankan saat menyiapkan data.

Ukuran representasi dan panjang masukan

Setiap masukan diubah menjadi satu vektor dengan dimensi hingga 2048 angka. Mode teks menggunakan anggaran 8192 token. Untuk metode visual produsen yang memadukan gambar dan teks, dijelaskan anggaran keseluruhan 10240 token yang mencakup kedua bagian; ini bukan batas teks metode Ailoot. Gambar dibagi menjadi bagian-bagian: konfigurasi yang dijelaskan mengizinkan hingga enam bagian dan salinan kecil seluruh halaman, dengan total sekitar 1792 token visual. Teks panjang harus dibagi atau dipersingkat.

Bagian bahasa dibangun di atas Llama 3.2 1B, sedangkan bagian visual di atas SigLIP2. Keduanya digabungkan menjadi encoder yang merata-ratakan representasi token masukan dan menghasilkan satu vektor. Pembelajaran kontrastif mendekatkan pertanyaan dengan halaman yang sesuai serta menjauhkannya dari materi yang tidak relevan. Pencarian tetap bersifat probabilistik: kedekatan vektor tidak menjamin bahwa bagian yang dipilih memuat jawaban yang benar.

Tersedia di Ailoot · masukan & metode

Ailoot · Embedding POST /v1/embeddings
Masukan
text
Keluaran
embedding
Konteks
4.096 tokens
Format keluaran
json
KolomJenisPersyaratanNilai & batasanBawaan
KolommodelJenisstringPersyaratanWajibNilai & batasan
nvidia/llama-nemotron-embed-vl-1b-v2
Bawaan—
KolominputJenisstring|string[]PersyaratanWajibNilai & batasan
Item minimum: 1
Kondisi: Setiap string tidak kosong setelah trim; URI data ditolak; batas yang diterima mengukur byte UTF8 yang relevan.
Bawaan—
Kolominput_typeJenisstringPersyaratanOpsionalNilai & batasan
query, passage
Bawaanquery
Kolomencoding_formatJenisstringPersyaratanOpsionalNilai & batasan
float, base64
Bawaanfloat
KolomtruncateJenisstringPersyaratanOpsionalNilai & batasan
NONE, START, END
Bawaan—
KolomdimensionsJenisintegerPersyaratanOpsionalNilai & batasan
Minimum: 1
Bawaan—
KolomuserJenisstringPersyaratanOpsionalNilai & batasanBawaan—
Kombinasi bahan masukan

text_to_embedding

Parameter metode dan siklus hidup
ParameterKontrak
Parametermaterial_typesKontraktext
ParameterrequiredKontrakmodel, input
Parameteroptional_controlsKontraknull
Parametercontent_typeKontrakapplication/json

Siklus hidup: exact retained published method

Struktur metode dan ID bersifat eksak; kemampuan pemasok terpisah dari penerimaan permintaan.

Paket

Tarif metode Ailoot

Ailoot EmbeddingPOST /v1/embeddings
Masukan
US$0,0001 / 1K

Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →

Contoh permintaan

Ailoot · Embedding

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

Terima dan simpan hasil

Ailoot · Embedding

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.

Dekode vektor base64 hanya jika format tersebut diminta; simpan setiap vektor beserta indeks aslinya.

Jika respons asli perlu diperiksa

Endpoint untuk tugas embedding tidak ditambahkan.

Kolom respons
KolomJenis
Kolomdata[].indexJenisinteger
Kolomdata[].embeddingJenisfinite float[]|base64 float32 vector
KolommodelJenisstring
KolomusageJenisobject
Kesalahan dan langkah berikutnya
ResponsKondisiLangkah berikutnya
Respons400 · invalid_request_errorKondisiBidang wajib, representasi materi, atau nilai parameter tidak validLangkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.

Alias

Alias model

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

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

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": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Dekode vektor base64 hanya jika format tersebut diminta; simpan setiap vektor beserta indeks aslinya.", "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": "Setiap string tidak kosong setelah trim; URI data ditolak; batas yang diterima mengukur byte UTF8 yang relevan.", "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": [ "Struktur metode dan ID bersifat eksak; kemampuan pemasok terpisah dari penerimaan permintaan." ], "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": "Embedding", "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

Mulai

Llama Nemotron Embed VL v2 membuat vektor untuk pencarian semantik dokumen. Katalog Ailoot saat ini menyediakan masukan teks untuk pertanyaan dan materi.

Masukan yang diterima
Teks
Hasil
embedding
Tentang model

Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.

Menemukan halaman yang diperlukan melalui pertanyaan

Llama Nemotron Embed VL 1B v2 dikembangkan NVIDIA untuk mencari materi yang membantu menjawab pertanyaan. Kueri diberikan dalam teks. Dalam katalog Ailoot saat ini, model menyediakan masukan teks: pertanyaan dan materi dikodekan sebagai teks. Produsen juga menjelaskan dokumen berupa gambar halaman atau gambar bersama teks yang diekstrak. Varian visual tersebut memerlukan metode tersendiri dengan dukungan gambar. Dengan masukan yang sesuai, model merepresentasikan tabel, grafik, dan infografik dalam ruang vektor bersama.

Pencarian tersebut sesuai untuk asisten tanya-jawab atas koleksi dokumen besar, referensi internal, dan materi penelitian. Hasil pengodean adalah vektor numerik. Halaman atau bagian yang ditemukan kemudian dapat diberikan kepada model yang menyusun jawaban: Embed VL itu sendiri melakukan tahap pencarian konteks.

Varian dokumen pada layanan produsen

  • Dokumen teks: bagian tersendiri, cuplikan, atau teks halaman yang telah dikenali.
  • Gambar: halaman lengkap dengan teks, tabel, dan unsur grafisnya.
  • Gambar dengan teks: tampilan visual halaman dan isi teksnya digabungkan dalam satu representasi.

Kueri dan dokumen dikodekan secara terpisah. Karena itu, koleksi dapat diproses terlebih dahulu dan vektornya disimpan bersama halaman sumber; saat pertanyaan baru muncul, hanya vektor kueri yang perlu dihitung. Kemiripan vektor membantu memilih materi berdasarkan makna. Peran teks kueri dan dokumen berbeda, dan perbedaan tersebut perlu dipertahankan saat menyiapkan data.

Ukuran representasi dan panjang masukan

Setiap masukan diubah menjadi satu vektor dengan dimensi hingga 2048 angka. Mode teks menggunakan anggaran 8192 token. Untuk metode visual produsen yang memadukan gambar dan teks, dijelaskan anggaran keseluruhan 10240 token yang mencakup kedua bagian; ini bukan batas teks metode Ailoot. Gambar dibagi menjadi bagian-bagian: konfigurasi yang dijelaskan mengizinkan hingga enam bagian dan salinan kecil seluruh halaman, dengan total sekitar 1792 token visual. Teks panjang harus dibagi atau dipersingkat.

Bagian bahasa dibangun di atas Llama 3.2 1B, sedangkan bagian visual di atas SigLIP2. Keduanya digabungkan menjadi encoder yang merata-ratakan representasi token masukan dan menghasilkan satu vektor. Pembelajaran kontrastif mendekatkan pertanyaan dengan halaman yang sesuai serta menjauhkannya dari materi yang tidak relevan. Pencarian tetap bersifat probabilistik: kedekatan vektor tidak menjamin bahwa bagian yang dipilih memuat jawaban yang benar.

Tersedia di Ailoot · masukan & metode

Ailoot · Embedding POST /v1/embeddings
Masukan
text
Keluaran
embedding
Konteks
4.096 tokens
Format keluaran
json
KolomJenisPersyaratanNilai & batasanBawaan
KolommodelJenisstringPersyaratanWajibNilai & batasan
nemotron-embed-vl
Bawaan—
KolominputJenisstring|string[]PersyaratanWajibNilai & batasan
Item minimum: 1
Kondisi: Setiap string tidak kosong setelah trim; URI data ditolak; batas yang diterima mengukur byte UTF8 yang relevan.
Bawaan—
Kolominput_typeJenisstringPersyaratanOpsionalNilai & batasan
query, passage
Bawaanquery
Kolomencoding_formatJenisstringPersyaratanOpsionalNilai & batasan
float, base64
Bawaanfloat
KolomtruncateJenisstringPersyaratanOpsionalNilai & batasan
NONE, START, END
Bawaan—
KolomdimensionsJenisintegerPersyaratanOpsionalNilai & batasan
Minimum: 1
Bawaan—
KolomuserJenisstringPersyaratanOpsionalNilai & batasanBawaan—
Kombinasi bahan masukan

text_to_embedding

Parameter metode dan siklus hidup
ParameterKontrak
Parametermaterial_typesKontraktext
ParameterrequiredKontrakmodel, input
Parameteroptional_controlsKontraknull
Parametercontent_typeKontrakapplication/json

Siklus hidup: exact retained published method

Struktur metode dan ID bersifat eksak; kemampuan pemasok terpisah dari penerimaan permintaan.

Paket

Tarif metode Ailoot

Ailoot EmbeddingPOST /v1/embeddings
Masukan
US$0,0001 / 1K

Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →

Contoh permintaan

Ailoot · Embedding

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

Terima dan simpan hasil

Ailoot · Embedding

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.

Dekode vektor base64 hanya jika format tersebut diminta; simpan setiap vektor beserta indeks aslinya.

Jika respons asli perlu diperiksa

Endpoint untuk tugas embedding tidak ditambahkan.

Kolom respons
KolomJenis
Kolomdata[].indexJenisinteger
Kolomdata[].embeddingJenisfinite float[]|base64 float32 vector
KolommodelJenisstring
KolomusageJenisobject
Kesalahan dan langkah berikutnya
ResponsKondisiLangkah berikutnya
Respons400 · invalid_request_errorKondisiBidang wajib, representasi materi, atau nilai parameter tidak validLangkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.

Alias

Alias model

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

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

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": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Dekode vektor base64 hanya jika format tersebut diminta; simpan setiap vektor beserta indeks aslinya.", "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": "Setiap string tidak kosong setelah trim; URI data ditolak; batas yang diterima mengukur byte UTF8 yang relevan.", "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": [ "Struktur metode dan ID bersifat eksak; kemampuan pemasok terpisah dari penerimaan permintaan." ], "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": "Embedding", "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

Mulai

Llama Nemotron Embed VL v2 membuat vektor untuk pencarian semantik dokumen. Katalog Ailoot saat ini menyediakan masukan teks untuk pertanyaan dan materi.

Masukan yang diterima
Teks
Hasil
embedding
Tentang model

Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.

Menemukan halaman yang diperlukan melalui pertanyaan

Llama Nemotron Embed VL 1B v2 dikembangkan NVIDIA untuk mencari materi yang membantu menjawab pertanyaan. Kueri diberikan dalam teks. Dalam katalog Ailoot saat ini, model menyediakan masukan teks: pertanyaan dan materi dikodekan sebagai teks. Produsen juga menjelaskan dokumen berupa gambar halaman atau gambar bersama teks yang diekstrak. Varian visual tersebut memerlukan metode tersendiri dengan dukungan gambar. Dengan masukan yang sesuai, model merepresentasikan tabel, grafik, dan infografik dalam ruang vektor bersama.

Pencarian tersebut sesuai untuk asisten tanya-jawab atas koleksi dokumen besar, referensi internal, dan materi penelitian. Hasil pengodean adalah vektor numerik. Halaman atau bagian yang ditemukan kemudian dapat diberikan kepada model yang menyusun jawaban: Embed VL itu sendiri melakukan tahap pencarian konteks.

Varian dokumen pada layanan produsen

  • Dokumen teks: bagian tersendiri, cuplikan, atau teks halaman yang telah dikenali.
  • Gambar: halaman lengkap dengan teks, tabel, dan unsur grafisnya.
  • Gambar dengan teks: tampilan visual halaman dan isi teksnya digabungkan dalam satu representasi.

Kueri dan dokumen dikodekan secara terpisah. Karena itu, koleksi dapat diproses terlebih dahulu dan vektornya disimpan bersama halaman sumber; saat pertanyaan baru muncul, hanya vektor kueri yang perlu dihitung. Kemiripan vektor membantu memilih materi berdasarkan makna. Peran teks kueri dan dokumen berbeda, dan perbedaan tersebut perlu dipertahankan saat menyiapkan data.

Ukuran representasi dan panjang masukan

Setiap masukan diubah menjadi satu vektor dengan dimensi hingga 2048 angka. Mode teks menggunakan anggaran 8192 token. Untuk metode visual produsen yang memadukan gambar dan teks, dijelaskan anggaran keseluruhan 10240 token yang mencakup kedua bagian; ini bukan batas teks metode Ailoot. Gambar dibagi menjadi bagian-bagian: konfigurasi yang dijelaskan mengizinkan hingga enam bagian dan salinan kecil seluruh halaman, dengan total sekitar 1792 token visual. Teks panjang harus dibagi atau dipersingkat.

Bagian bahasa dibangun di atas Llama 3.2 1B, sedangkan bagian visual di atas SigLIP2. Keduanya digabungkan menjadi encoder yang merata-ratakan representasi token masukan dan menghasilkan satu vektor. Pembelajaran kontrastif mendekatkan pertanyaan dengan halaman yang sesuai serta menjauhkannya dari materi yang tidak relevan. Pencarian tetap bersifat probabilistik: kedekatan vektor tidak menjamin bahwa bagian yang dipilih memuat jawaban yang benar.

Tersedia di Ailoot · masukan & metode

Ailoot · Embedding POST /v1/embeddings
Masukan
text
Keluaran
embedding
Konteks
4.096 tokens
Format keluaran
json
KolomJenisPersyaratanNilai & batasanBawaan
KolommodelJenisstringPersyaratanWajibNilai & batasan
nemotron-embed-vl-latest
Bawaan—
KolominputJenisstring|string[]PersyaratanWajibNilai & batasan
Item minimum: 1
Kondisi: Setiap string tidak kosong setelah trim; URI data ditolak; batas yang diterima mengukur byte UTF8 yang relevan.
Bawaan—
Kolominput_typeJenisstringPersyaratanOpsionalNilai & batasan
query, passage
Bawaanquery
Kolomencoding_formatJenisstringPersyaratanOpsionalNilai & batasan
float, base64
Bawaanfloat
KolomtruncateJenisstringPersyaratanOpsionalNilai & batasan
NONE, START, END
Bawaan—
KolomdimensionsJenisintegerPersyaratanOpsionalNilai & batasan
Minimum: 1
Bawaan—
KolomuserJenisstringPersyaratanOpsionalNilai & batasanBawaan—
Kombinasi bahan masukan

text_to_embedding

Parameter metode dan siklus hidup
ParameterKontrak
Parametermaterial_typesKontraktext
ParameterrequiredKontrakmodel, input
Parameteroptional_controlsKontraknull
Parametercontent_typeKontrakapplication/json

Siklus hidup: exact retained published method

Struktur metode dan ID bersifat eksak; kemampuan pemasok terpisah dari penerimaan permintaan.

Paket

Tarif metode Ailoot

Ailoot EmbeddingPOST /v1/embeddings
Masukan
US$0,0001 / 1K

Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →

Contoh permintaan

Ailoot · Embedding

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

Terima dan simpan hasil

Ailoot · Embedding

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.

Dekode vektor base64 hanya jika format tersebut diminta; simpan setiap vektor beserta indeks aslinya.

Jika respons asli perlu diperiksa

Endpoint untuk tugas embedding tidak ditambahkan.

Kolom respons
KolomJenis
Kolomdata[].indexJenisinteger
Kolomdata[].embeddingJenisfinite float[]|base64 float32 vector
KolommodelJenisstring
KolomusageJenisobject
Kesalahan dan langkah berikutnya
ResponsKondisiLangkah berikutnya
Respons400 · invalid_request_errorKondisiBidang wajib, representasi materi, atau nilai parameter tidak validLangkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.

Alias

Alias model

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

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

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": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Dekode vektor base64 hanya jika format tersebut diminta; simpan setiap vektor beserta indeks aslinya.", "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": "Setiap string tidak kosong setelah trim; URI data ditolak; batas yang diterima mengukur byte UTF8 yang relevan.", "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": [ "Struktur metode dan ID bersifat eksak; kemampuan pemasok terpisah dari penerimaan permintaan." ], "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": "Embedding", "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": "4be0f01ae806371c1dbae83b4c5a2acfc261e56615c06938a71e3bb873d9864e", "input_html_sha256": "25e49e9fa02038e62dd7ff5a641e01a84e220cf76f9b39c220883aac5287a5ad", "private_audit_sha256": "f140d5c54c854c77ef219e85da36c81205b494d12fa726e5a5bcad6082f54a7c", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/nvidia-llama-nemotron-embed-vl-1b-v2/", "description": "Llama Nemotron Embed VL v2 membuat vektor untuk pencarian semantik dokumen. Katalog Ailoot saat ini menyediakan masukan teks untuk pertanyaan dan materi.", "locale": "id", "md_url": "https://ailoot.ai/models/id/nvidia-llama-nemotron-embed-vl-1b-v2/index.md", "title": "Llama Nemotron Embed VL 1B v2 — Ailoot", "url": "https://ailoot.ai/models/id/nvidia-llama-nemotron-embed-vl-1b-v2/" }, "rawModel": { "about": "### Menemukan halaman yang diperlukan melalui pertanyaan\n\nLlama Nemotron Embed VL 1B v2 dikembangkan NVIDIA untuk mencari materi yang membantu menjawab pertanyaan. Kueri diberikan dalam teks. Dalam katalog Ailoot saat ini, model menyediakan masukan teks: pertanyaan dan materi dikodekan sebagai teks. Produsen juga menjelaskan dokumen berupa gambar halaman atau gambar bersama teks yang diekstrak. Varian visual tersebut memerlukan metode tersendiri dengan dukungan gambar. Dengan masukan yang sesuai, model merepresentasikan tabel, grafik, dan infografik dalam ruang vektor bersama.\n\nPencarian tersebut sesuai untuk asisten tanya-jawab atas koleksi dokumen besar, referensi internal, dan materi penelitian. Hasil pengodean adalah vektor numerik. Halaman atau bagian yang ditemukan kemudian dapat diberikan kepada model yang menyusun jawaban: Embed VL itu sendiri melakukan tahap pencarian konteks.\n\n### Varian dokumen pada layanan produsen\n\n- Dokumen teks: bagian tersendiri, cuplikan, atau teks halaman yang telah dikenali.\n- Gambar: halaman lengkap dengan teks, tabel, dan unsur grafisnya.\n- Gambar dengan teks: tampilan visual halaman dan isi teksnya digabungkan dalam satu representasi.\n\nKueri dan dokumen dikodekan secara terpisah. Karena itu, koleksi dapat diproses terlebih dahulu dan vektornya disimpan bersama halaman sumber; saat pertanyaan baru muncul, hanya vektor kueri yang perlu dihitung. Kemiripan vektor membantu memilih materi berdasarkan makna. Peran teks kueri dan dokumen berbeda, dan perbedaan tersebut perlu dipertahankan saat menyiapkan data.\n\n### Ukuran representasi dan panjang masukan\n\nSetiap masukan diubah menjadi satu vektor dengan dimensi hingga 2048 angka. Mode teks menggunakan anggaran 8192 token. Untuk metode visual produsen yang memadukan gambar dan teks, dijelaskan anggaran keseluruhan 10240 token yang mencakup kedua bagian; ini bukan batas teks metode Ailoot. Gambar dibagi menjadi bagian-bagian: konfigurasi yang dijelaskan mengizinkan hingga enam bagian dan salinan kecil seluruh halaman, dengan total sekitar 1792 token visual. Teks panjang harus dibagi atau dipersingkat.\n\nBagian bahasa dibangun di atas Llama 3.2 1B, sedangkan bagian visual di atas SigLIP2. Keduanya digabungkan menjadi encoder yang merata-ratakan representasi token masukan dan menghasilkan satu vektor. Pembelajaran kontrastif mendekatkan pertanyaan dengan halaman yang sesuai serta menjauhkannya dari materi yang tidak relevan. Pencarian tetap bersifat probabilistik: kedekatan vektor tidak menjamin bahwa bagian yang dipilih memuat jawaban yang benar.", "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": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Dekode vektor base64 hanya jika format tersebut diminta; simpan setiap vektor beserta indeks aslinya.", "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": "Setiap string tidak kosong setelah trim; URI data ditolak; batas yang diterima mengukur byte UTF8 yang relevan.", "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": [ "Struktur metode dan ID bersifat eksak; kemampuan pemasok terpisah dari penerimaan permintaan." ], "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": "Embedding", "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": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Dekode vektor base64 hanya jika format tersebut diminta; simpan setiap vektor beserta indeks aslinya.", "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": "Setiap string tidak kosong setelah trim; URI data ditolak; batas yang diterima mengukur byte UTF8 yang relevan.", "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": [ "Struktur metode dan ID bersifat eksak; kemampuan pemasok terpisah dari penerimaan permintaan." ], "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": "Embedding", "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": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Dekode vektor base64 hanya jika format tersebut diminta; simpan setiap vektor beserta indeks aslinya.", "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": "Setiap string tidak kosong setelah trim; URI data ditolak; batas yang diterima mengukur byte UTF8 yang relevan.", "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": [ "Struktur metode dan ID bersifat eksak; kemampuan pemasok terpisah dari penerimaan permintaan." ], "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": "Embedding", "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 membuat vektor untuk pencarian semantik dokumen. Katalog Ailoot saat ini menyediakan masukan teks untuk pertanyaan dan materi." }, "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 membuat vektor untuk pencarian semantik dokumen. Katalog Ailoot saat ini menyediakan masukan teks untuk pertanyaan dan materi.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "efd048a929bf96eb482459e2e74bc2c8e5432929a687a3b4726746e863d32042", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "85c086116766f773edee15ad5f6f2fc622a98306ab9f5dc9359345852c0eb7e3" }