{ "aboutHtml": "

Nemotron 3 Embed 1B adalah model teks NVIDIA untuk pencarian berdasarkan makna dan pencocokan bagian. Model mengodekan pertanyaan, dokumen, dan kode program menjadi vektor numerik padat. Representasi ini digunakan untuk menemukan konteks yang diperlukan dalam koleksi besar, menambahkannya ke jawaban asisten, atau mengambil informasi yang telah disimpan untuk langkah agen berikutnya.

Pengetahuan multibahasa dan kode

Model ditujukan untuk pencarian multibahasa dan lintas bahasa: pertanyaan dan materi yang sesuai dapat ditulis dalam bahasa berbeda. Bahasa Rusia termasuk dalam kumpulan 34 bahasa yang dipublikasikan, bersama Inggris, Ukraina, Tionghoa, Jepang, Arab, dan lainnya. Ini berguna untuk basis pengetahuan bersama ketika dokumen teknis dan permintaan pengguna tidak diseragamkan ke satu bahasa.

Tugas mencakup pencarian dokumentasi, pencocokan teks, dan pencarian kode berdasarkan deskripsi verbal. Jendela masukan besar memungkinkan pekerjaan dengan dokumen panjang, konteks pemrograman besar, dan riwayat beberapa langkah agen. Materi yang ditemukan dikembalikan ke proses berikutnya sebagai konteks; penjelasan dan jawaban akhir dibentuk oleh komponen sistem selanjutnya.

Dari teks menuju vektor

Masukan berupa string teks. Setiap string menghasilkan satu vektor dari 2048 angka. Panjang urutan maksimum adalah 32768 token; materi yang lebih panjang harus dibagi atau dipersingkat. Penyiapan masukan membedakan pertanyaan dan dokumen: model dilatih untuk mencocokkan kedua peran, sehingga string yang sama dalam kedua tugas tersebut tidak boleh disusun tanpa mempertimbangkan tujuannya.

Vektor dinormalisasi panjangnya. Dalam representasi tersebut, hasil kali skalar dan kemiripan kosinus memberikan cara perbandingan yang setara. Sebanyak 1024 atau 512 koordinat pertama dari vektor lengkap dapat dipertahankan, tetapi normalisasi harus dilakukan kembali setelah pemotongan. Ini merupakan sifat pemrosesan hasil; dimensi perlu dipilih secara konsisten untuk koleksi dan kueri.

Struktur model yang ringkas

Encoder memiliki sekitar 1,14 miliar parameter. Encoder diperoleh dari model berbasis Ministral 3 3B melalui dua tahap pemangkasan struktur dan distilasi. Perhatian dua arah mempertimbangkan seluruh masukan, lalu representasi token dirata-ratakan menjadi vektor keseluruhan.

NVIDIA merilis varian BF16 dan NVFP4. Ruang representasinya mirip, tetapi perubahan varian memerlukan pemeriksaan pada dokumen sendiri. Kemiripan numerik maupun panjang konteks tidak menjamin bahwa pencarian selalu memilih bagian yang benar.

", "aboutText": "Nemotron 3 Embed 1B adalah model teks NVIDIA untuk pencarian berdasarkan makna dan pencocokan bagian. Model mengodekan pertanyaan, dokumen, dan kode program menjadi vektor numerik padat. Representasi ini digunakan untuk menemukan konteks yang diperlukan dalam koleksi besar, menambahkannya ke jawaban asisten, atau mengambil informasi yang telah disimpan untuk langkah agen berikutnya.\n\n### Pengetahuan multibahasa dan kode\n\nModel ditujukan untuk pencarian multibahasa dan lintas bahasa: pertanyaan dan materi yang sesuai dapat ditulis dalam bahasa berbeda. Bahasa Rusia termasuk dalam kumpulan 34 bahasa yang dipublikasikan, bersama Inggris, Ukraina, Tionghoa, Jepang, Arab, dan lainnya. Ini berguna untuk basis pengetahuan bersama ketika dokumen teknis dan permintaan pengguna tidak diseragamkan ke satu bahasa.\n\nTugas mencakup pencarian dokumentasi, pencocokan teks, dan pencarian kode berdasarkan deskripsi verbal. Jendela masukan besar memungkinkan pekerjaan dengan dokumen panjang, konteks pemrograman besar, dan riwayat beberapa langkah agen. Materi yang ditemukan dikembalikan ke proses berikutnya sebagai konteks; penjelasan dan jawaban akhir dibentuk oleh komponen sistem selanjutnya.\n\n### Dari teks menuju vektor\n\nMasukan berupa string teks. Setiap string menghasilkan satu vektor dari 2048 angka. Panjang urutan maksimum adalah 32768 token; materi yang lebih panjang harus dibagi atau dipersingkat. Penyiapan masukan membedakan pertanyaan dan dokumen: model dilatih untuk mencocokkan kedua peran, sehingga string yang sama dalam kedua tugas tersebut tidak boleh disusun tanpa mempertimbangkan tujuannya.\n\nVektor dinormalisasi panjangnya. Dalam representasi tersebut, hasil kali skalar dan kemiripan kosinus memberikan cara perbandingan yang setara. Sebanyak 1024 atau 512 koordinat pertama dari vektor lengkap dapat dipertahankan, tetapi normalisasi harus dilakukan kembali setelah pemotongan. Ini merupakan sifat pemrosesan hasil; dimensi perlu dipilih secara konsisten untuk koleksi dan kueri.\n\n### Struktur model yang ringkas\n\nEncoder memiliki sekitar 1,14 miliar parameter. Encoder diperoleh dari model berbasis Ministral 3 3B melalui dua tahap pemangkasan struktur dan distilasi. Perhatian dua arah mempertimbangkan seluruh masukan, lalu representasi token dirata-ratakan menjadi vektor keseluruhan.\n\nNVIDIA merilis varian BF16 dan NVFP4. Ruang representasinya mirip, tetapi perubahan varian memerlukan pemeriksaan pada dokumen sendiri. Kemiripan numerik maupun panjang konteks tidak menjamin bahwa pencarian selalu memilih bagian yang benar.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ce61c1cc6fbfa7d46b061bfb23f6eb8e864aaa0cb06b7eec668e2da53ff5b78f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
NV

Nemotron 3 Embed 1B

NVIDIA /nvidia/nemotron-3-embed-1b

Mulai

Nemotron 3 Embed 1B mengubah teks menjadi vektor untuk pencarian multibahasa, pencarian kode, dan RAG. Memproses urutan hingga 32768 token dan menghasilkan representasi berdimensi 2048 angka.

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.

Nemotron 3 Embed 1B adalah model teks NVIDIA untuk pencarian berdasarkan makna dan pencocokan bagian. Model mengodekan pertanyaan, dokumen, dan kode program menjadi vektor numerik padat. Representasi ini digunakan untuk menemukan konteks yang diperlukan dalam koleksi besar, menambahkannya ke jawaban asisten, atau mengambil informasi yang telah disimpan untuk langkah agen berikutnya.

Pengetahuan multibahasa dan kode

Model ditujukan untuk pencarian multibahasa dan lintas bahasa: pertanyaan dan materi yang sesuai dapat ditulis dalam bahasa berbeda. Bahasa Rusia termasuk dalam kumpulan 34 bahasa yang dipublikasikan, bersama Inggris, Ukraina, Tionghoa, Jepang, Arab, dan lainnya. Ini berguna untuk basis pengetahuan bersama ketika dokumen teknis dan permintaan pengguna tidak diseragamkan ke satu bahasa.

Tugas mencakup pencarian dokumentasi, pencocokan teks, dan pencarian kode berdasarkan deskripsi verbal. Jendela masukan besar memungkinkan pekerjaan dengan dokumen panjang, konteks pemrograman besar, dan riwayat beberapa langkah agen. Materi yang ditemukan dikembalikan ke proses berikutnya sebagai konteks; penjelasan dan jawaban akhir dibentuk oleh komponen sistem selanjutnya.

Dari teks menuju vektor

Masukan berupa string teks. Setiap string menghasilkan satu vektor dari 2048 angka. Panjang urutan maksimum adalah 32768 token; materi yang lebih panjang harus dibagi atau dipersingkat. Penyiapan masukan membedakan pertanyaan dan dokumen: model dilatih untuk mencocokkan kedua peran, sehingga string yang sama dalam kedua tugas tersebut tidak boleh disusun tanpa mempertimbangkan tujuannya.

Vektor dinormalisasi panjangnya. Dalam representasi tersebut, hasil kali skalar dan kemiripan kosinus memberikan cara perbandingan yang setara. Sebanyak 1024 atau 512 koordinat pertama dari vektor lengkap dapat dipertahankan, tetapi normalisasi harus dilakukan kembali setelah pemotongan. Ini merupakan sifat pemrosesan hasil; dimensi perlu dipilih secara konsisten untuk koleksi dan kueri.

Struktur model yang ringkas

Encoder memiliki sekitar 1,14 miliar parameter. Encoder diperoleh dari model berbasis Ministral 3 3B melalui dua tahap pemangkasan struktur dan distilasi. Perhatian dua arah mempertimbangkan seluruh masukan, lalu representasi token dirata-ratakan menjadi vektor keseluruhan.

NVIDIA merilis varian BF16 dan NVFP4. Ruang representasinya mirip, tetapi perubahan varian memerlukan pemeriksaan pada dokumen sendiri. Kemiripan numerik maupun panjang konteks tidak menjamin bahwa pencarian selalu memilih bagian 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/nemotron-3-embed-1b
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/nemotron-3-embed-1b", "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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

", "method_identity": { "effective_request_model_id": "nvidia/nemotron-3-embed-1b", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nvidia/nemotron-3-embed-1b", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nvidia%2Fnemotron-3-embed-1b", "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/nemotron-3-embed-1b" ], "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/nemotron-3-embed-1b\", \"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/nemotron-3-embed-1b", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } }, { "html": "
NV

Nemotron 3 Embed 1B

NVIDIA /nemotron-3-embed

Mulai

Nemotron 3 Embed 1B mengubah teks menjadi vektor untuk pencarian multibahasa, pencarian kode, dan RAG. Memproses urutan hingga 32768 token dan menghasilkan representasi berdimensi 2048 angka.

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.

Nemotron 3 Embed 1B adalah model teks NVIDIA untuk pencarian berdasarkan makna dan pencocokan bagian. Model mengodekan pertanyaan, dokumen, dan kode program menjadi vektor numerik padat. Representasi ini digunakan untuk menemukan konteks yang diperlukan dalam koleksi besar, menambahkannya ke jawaban asisten, atau mengambil informasi yang telah disimpan untuk langkah agen berikutnya.

Pengetahuan multibahasa dan kode

Model ditujukan untuk pencarian multibahasa dan lintas bahasa: pertanyaan dan materi yang sesuai dapat ditulis dalam bahasa berbeda. Bahasa Rusia termasuk dalam kumpulan 34 bahasa yang dipublikasikan, bersama Inggris, Ukraina, Tionghoa, Jepang, Arab, dan lainnya. Ini berguna untuk basis pengetahuan bersama ketika dokumen teknis dan permintaan pengguna tidak diseragamkan ke satu bahasa.

Tugas mencakup pencarian dokumentasi, pencocokan teks, dan pencarian kode berdasarkan deskripsi verbal. Jendela masukan besar memungkinkan pekerjaan dengan dokumen panjang, konteks pemrograman besar, dan riwayat beberapa langkah agen. Materi yang ditemukan dikembalikan ke proses berikutnya sebagai konteks; penjelasan dan jawaban akhir dibentuk oleh komponen sistem selanjutnya.

Dari teks menuju vektor

Masukan berupa string teks. Setiap string menghasilkan satu vektor dari 2048 angka. Panjang urutan maksimum adalah 32768 token; materi yang lebih panjang harus dibagi atau dipersingkat. Penyiapan masukan membedakan pertanyaan dan dokumen: model dilatih untuk mencocokkan kedua peran, sehingga string yang sama dalam kedua tugas tersebut tidak boleh disusun tanpa mempertimbangkan tujuannya.

Vektor dinormalisasi panjangnya. Dalam representasi tersebut, hasil kali skalar dan kemiripan kosinus memberikan cara perbandingan yang setara. Sebanyak 1024 atau 512 koordinat pertama dari vektor lengkap dapat dipertahankan, tetapi normalisasi harus dilakukan kembali setelah pemotongan. Ini merupakan sifat pemrosesan hasil; dimensi perlu dipilih secara konsisten untuk koleksi dan kueri.

Struktur model yang ringkas

Encoder memiliki sekitar 1,14 miliar parameter. Encoder diperoleh dari model berbasis Ministral 3 3B melalui dua tahap pemangkasan struktur dan distilasi. Perhatian dua arah mempertimbangkan seluruh masukan, lalu representasi token dirata-ratakan menjadi vektor keseluruhan.

NVIDIA merilis varian BF16 dan NVFP4. Ruang representasinya mirip, tetapi perubahan varian memerlukan pemeriksaan pada dokumen sendiri. Kemiripan numerik maupun panjang konteks tidak menjamin bahwa pencarian selalu memilih bagian 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-3-embed
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-3-embed", "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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

", "method_identity": { "effective_request_model_id": "nemotron-3-embed", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nemotron-3-embed", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nemotron-3-embed", "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-3-embed" ], "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-3-embed\", \"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-3-embed", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } }, { "html": "
NV

Nemotron 3 Embed 1B

NVIDIA /nemotron-3-embed-latest

Mulai

Nemotron 3 Embed 1B mengubah teks menjadi vektor untuk pencarian multibahasa, pencarian kode, dan RAG. Memproses urutan hingga 32768 token dan menghasilkan representasi berdimensi 2048 angka.

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.

Nemotron 3 Embed 1B adalah model teks NVIDIA untuk pencarian berdasarkan makna dan pencocokan bagian. Model mengodekan pertanyaan, dokumen, dan kode program menjadi vektor numerik padat. Representasi ini digunakan untuk menemukan konteks yang diperlukan dalam koleksi besar, menambahkannya ke jawaban asisten, atau mengambil informasi yang telah disimpan untuk langkah agen berikutnya.

Pengetahuan multibahasa dan kode

Model ditujukan untuk pencarian multibahasa dan lintas bahasa: pertanyaan dan materi yang sesuai dapat ditulis dalam bahasa berbeda. Bahasa Rusia termasuk dalam kumpulan 34 bahasa yang dipublikasikan, bersama Inggris, Ukraina, Tionghoa, Jepang, Arab, dan lainnya. Ini berguna untuk basis pengetahuan bersama ketika dokumen teknis dan permintaan pengguna tidak diseragamkan ke satu bahasa.

Tugas mencakup pencarian dokumentasi, pencocokan teks, dan pencarian kode berdasarkan deskripsi verbal. Jendela masukan besar memungkinkan pekerjaan dengan dokumen panjang, konteks pemrograman besar, dan riwayat beberapa langkah agen. Materi yang ditemukan dikembalikan ke proses berikutnya sebagai konteks; penjelasan dan jawaban akhir dibentuk oleh komponen sistem selanjutnya.

Dari teks menuju vektor

Masukan berupa string teks. Setiap string menghasilkan satu vektor dari 2048 angka. Panjang urutan maksimum adalah 32768 token; materi yang lebih panjang harus dibagi atau dipersingkat. Penyiapan masukan membedakan pertanyaan dan dokumen: model dilatih untuk mencocokkan kedua peran, sehingga string yang sama dalam kedua tugas tersebut tidak boleh disusun tanpa mempertimbangkan tujuannya.

Vektor dinormalisasi panjangnya. Dalam representasi tersebut, hasil kali skalar dan kemiripan kosinus memberikan cara perbandingan yang setara. Sebanyak 1024 atau 512 koordinat pertama dari vektor lengkap dapat dipertahankan, tetapi normalisasi harus dilakukan kembali setelah pemotongan. Ini merupakan sifat pemrosesan hasil; dimensi perlu dipilih secara konsisten untuk koleksi dan kueri.

Struktur model yang ringkas

Encoder memiliki sekitar 1,14 miliar parameter. Encoder diperoleh dari model berbasis Ministral 3 3B melalui dua tahap pemangkasan struktur dan distilasi. Perhatian dua arah mempertimbangkan seluruh masukan, lalu representasi token dirata-ratakan menjadi vektor keseluruhan.

NVIDIA merilis varian BF16 dan NVFP4. Ruang representasinya mirip, tetapi perubahan varian memerlukan pemeriksaan pada dokumen sendiri. Kemiripan numerik maupun panjang konteks tidak menjamin bahwa pencarian selalu memilih bagian 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-3-embed-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-3-embed-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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

", "method_identity": { "effective_request_model_id": "nemotron-3-embed-latest", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nemotron-3-embed-latest", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nemotron-3-embed-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-3-embed-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-3-embed-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-3-embed-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } } ], "model_id": "nvidia/nemotron-3-embed-1b", "nativeProvenance": { "input_facts_canonical_sha256": "5721ead6129403771441ecf5dd137ea983f33de46e836f80c2594e008bc37ccc", "input_html_sha256": "1c1cdfb25461ca23186ba173452a409547640694aae29ce2c935b5b7bf15f611", "private_audit_sha256": "2b8eed814fc9a113b988bcf7621df2e24e2bee97e5709544c505332f5a656db4", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/nvidia-nemotron-3-embed-1b/", "description": "Nemotron 3 Embed 1B mengubah teks menjadi vektor untuk pencarian multibahasa, pencarian kode, dan RAG. Memproses urutan hingga 32768 token dan menghasilkan representasi berdimensi 2048 angka.", "locale": "id", "md_url": "https://ailoot.ai/models/id/nvidia-nemotron-3-embed-1b/index.md", "title": "Nemotron 3 Embed 1B — Ailoot", "url": "https://ailoot.ai/models/id/nvidia-nemotron-3-embed-1b/" }, "rawModel": { "about": "Nemotron 3 Embed 1B adalah model teks NVIDIA untuk pencarian berdasarkan makna dan pencocokan bagian. Model mengodekan pertanyaan, dokumen, dan kode program menjadi vektor numerik padat. Representasi ini digunakan untuk menemukan konteks yang diperlukan dalam koleksi besar, menambahkannya ke jawaban asisten, atau mengambil informasi yang telah disimpan untuk langkah agen berikutnya.\n\n### Pengetahuan multibahasa dan kode\n\nModel ditujukan untuk pencarian multibahasa dan lintas bahasa: pertanyaan dan materi yang sesuai dapat ditulis dalam bahasa berbeda. Bahasa Rusia termasuk dalam kumpulan 34 bahasa yang dipublikasikan, bersama Inggris, Ukraina, Tionghoa, Jepang, Arab, dan lainnya. Ini berguna untuk basis pengetahuan bersama ketika dokumen teknis dan permintaan pengguna tidak diseragamkan ke satu bahasa.\n\nTugas mencakup pencarian dokumentasi, pencocokan teks, dan pencarian kode berdasarkan deskripsi verbal. Jendela masukan besar memungkinkan pekerjaan dengan dokumen panjang, konteks pemrograman besar, dan riwayat beberapa langkah agen. Materi yang ditemukan dikembalikan ke proses berikutnya sebagai konteks; penjelasan dan jawaban akhir dibentuk oleh komponen sistem selanjutnya.\n\n### Dari teks menuju vektor\n\nMasukan berupa string teks. Setiap string menghasilkan satu vektor dari 2048 angka. Panjang urutan maksimum adalah 32768 token; materi yang lebih panjang harus dibagi atau dipersingkat. Penyiapan masukan membedakan pertanyaan dan dokumen: model dilatih untuk mencocokkan kedua peran, sehingga string yang sama dalam kedua tugas tersebut tidak boleh disusun tanpa mempertimbangkan tujuannya.\n\nVektor dinormalisasi panjangnya. Dalam representasi tersebut, hasil kali skalar dan kemiripan kosinus memberikan cara perbandingan yang setara. Sebanyak 1024 atau 512 koordinat pertama dari vektor lengkap dapat dipertahankan, tetapi normalisasi harus dilakukan kembali setelah pemotongan. Ini merupakan sifat pemrosesan hasil; dimensi perlu dipilih secara konsisten untuk koleksi dan kueri.\n\n### Struktur model yang ringkas\n\nEncoder memiliki sekitar 1,14 miliar parameter. Encoder diperoleh dari model berbasis Ministral 3 3B melalui dua tahap pemangkasan struktur dan distilasi. Perhatian dua arah mempertimbangkan seluruh masukan, lalu representasi token dirata-ratakan menjadi vektor keseluruhan.\n\nNVIDIA merilis varian BF16 dan NVFP4. Ruang representasinya mirip, tetapi perubahan varian memerlukan pemeriksaan pada dokumen sendiri. Kemiripan numerik maupun panjang konteks tidak menjamin bahwa pencarian selalu memilih bagian yang benar.", "alias_of": null, "aliases": [ "nemotron-3-embed", "nemotron-3-embed-latest" ], "author": "NVIDIA", "ctx": 4096, "display_name": "Nemotron 3 Embed 1B", "formats": [ "embeddings" ], "id": "nvidia/nemotron-3-embed-1b", "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/nemotron-3-embed-1b" ], "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/nemotron-3-embed-1b\", \"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/nemotron-3-embed-1b", "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-3-embed" ], "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-3-embed\", \"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-3-embed", "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-3-embed-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-3-embed-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-3-embed-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } ], "model_aliases": [ { "canonical_model_id": "nvidia/nemotron-3-embed-1b", "request_model_id": "nvidia/nemotron-3-embed-1b", "route_label": "Core" }, { "canonical_model_id": "nvidia/nemotron-3-embed-1b", "request_model_id": "nemotron-3-embed", "route_label": "Core" }, { "canonical_model_id": "nvidia/nemotron-3-embed-1b", "request_model_id": "nemotron-3-embed-latest", "route_label": "Core" } ], "name": "nvidia/nemotron-3-embed-1b", "price": { "in": 0.1, "in_label": null, "out": null, "out_label": null, "sort_in": 0.1, "sort_out": null, "varies": false }, "short": "Nemotron 3 Embed 1B mengubah teks menjadi vektor untuk pencarian multibahasa, pencarian kode, dan RAG. Memproses urutan hingga 32768 token dan menghasilkan representasi berdimensi 2048 angka." }, "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": "Nemotron 3 Embed 1B mengubah teks menjadi vektor untuk pencarian multibahasa, pencarian kode, dan RAG. Memproses urutan hingga 32768 token dan menghasilkan representasi berdimensi 2048 angka.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "0042e265592b9d952580dbd84f2cfe31da5f946c8b57b1e718db2731c519b645", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "b2803d2f33a26643becf0ab6227f63ef38c2eb8c2c23f5fe95f5dd61185ff7ba" }