Llama Nemotron Embed VL 1B v2 è stato sviluppato da NVIDIA per trovare materiali che aiutino a rispondere a una domanda. La richiesta viene formulata come testo. Nell'attuale catalogo Ailoot il modello presenta input testuale: domanda e materiale vengono codificati come testo. Il produttore descrive anche documenti sotto forma di immagini di pagina oppure immagini insieme al testo estratto. Queste varianti visive richiedono un metodo separato con supporto delle immagini. Con l'input corrispondente, il modello rappresenta tabelle, grafici e infografiche in uno spazio vettoriale comune.
Questa ricerca è adatta ad assistenti di domanda e risposta su grandi raccolte di documenti, manuali interni e materiali di ricerca. Il risultato della codifica è un vettore numerico. La pagina o il segmento trovato può essere poi fornito a un modello che formula la risposta: Embed VL stesso esegue la fase di ricerca del contesto.
Domanda e documento vengono codificati indipendentemente. Si può quindi elaborare prima la raccolta e conservare i vettori insieme alle pagine originali, per calcolare soltanto il vettore della domanda quando ne arriva una nuova. La somiglianza tra vettori aiuta a scegliere i materiali per significato. I ruoli testuali di domanda e documento sono diversi e questa distinzione va conservata nella preparazione dei dati.
Ogni input viene convertito in un solo vettore con una dimensione fino a 2048 numeri. Nella modalità testuale si utilizza un budget di 8192 token. Per il metodo visivo del produttore con immagine e testo è descritto un budget complessivo di 10240 token, comprendente entrambe le parti; non è il limite testuale del metodo Ailoot. L'immagine viene suddivisa in segmenti: nella configurazione descritta sono ammessi fino a sei segmenti e una copia ridotta dell'intera pagina, per circa 1792 token visivi complessivi. I testi lunghi devono essere suddivisi o accorciati.
La parte linguistica si basa su Llama 3.2 1B, quella visiva su SigLIP2. Sono unite in un encoder che calcola la media delle rappresentazioni dei token in ingresso e produce un solo vettore. L'addestramento contrastivo avvicina la domanda alla pagina adatta e la allontana dai materiali irrilevanti. La ricerca resta probabilistica: la vicinanza dei vettori non garantisce che il segmento scelto contenga la risposta corretta.
", "aboutText": "### Trovare la pagina giusta da una domanda\n\nLlama Nemotron Embed VL 1B v2 è stato sviluppato da NVIDIA per trovare materiali che aiutino a rispondere a una domanda. La richiesta viene formulata come testo. Nell'attuale catalogo Ailoot il modello presenta input testuale: domanda e materiale vengono codificati come testo. Il produttore descrive anche documenti sotto forma di immagini di pagina oppure immagini insieme al testo estratto. Queste varianti visive richiedono un metodo separato con supporto delle immagini. Con l'input corrispondente, il modello rappresenta tabelle, grafici e infografiche in uno spazio vettoriale comune.\n\nQuesta ricerca è adatta ad assistenti di domanda e risposta su grandi raccolte di documenti, manuali interni e materiali di ricerca. Il risultato della codifica è un vettore numerico. La pagina o il segmento trovato può essere poi fornito a un modello che formula la risposta: Embed VL stesso esegue la fase di ricerca del contesto.\n\n### Varianti dei documenti presso il produttore\n\n- Documento testuale: una sezione separata, un segmento o testo della pagina già riconosciuto.\n- Immagine: l'intera pagina con testo, tabelle ed elementi grafici.\n- Immagine con testo: l'aspetto visivo della pagina e il suo contenuto testuale vengono uniti in una sola rappresentazione.\n\nDomanda e documento vengono codificati indipendentemente. Si può quindi elaborare prima la raccolta e conservare i vettori insieme alle pagine originali, per calcolare soltanto il vettore della domanda quando ne arriva una nuova. La somiglianza tra vettori aiuta a scegliere i materiali per significato. I ruoli testuali di domanda e documento sono diversi e questa distinzione va conservata nella preparazione dei dati.\n\n### Dimensioni della rappresentazione e lunghezza dell'input\n\nOgni input viene convertito in un solo vettore con una dimensione fino a 2048 numeri. Nella modalità testuale si utilizza un budget di 8192 token. Per il metodo visivo del produttore con immagine e testo è descritto un budget complessivo di 10240 token, comprendente entrambe le parti; non è il limite testuale del metodo Ailoot. L'immagine viene suddivisa in segmenti: nella configurazione descritta sono ammessi fino a sei segmenti e una copia ridotta dell'intera pagina, per circa 1792 token visivi complessivi. I testi lunghi devono essere suddivisi o accorciati.\n\nLa parte linguistica si basa su Llama 3.2 1B, quella visiva su SigLIP2. Sono unite in un encoder che calcola la media delle rappresentazioni dei token in ingresso e produce un solo vettore. L'addestramento contrastivo avvicina la domanda alla pagina adatta e la allontana dai materiali irrilevanti. La ricerca resta probabilistica: la vicinanza dei vettori non garantisce che il segmento scelto contenga la risposta corretta.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f2aa2d34316a99d32a3b2cfcea5bd36542c77760f2c2130782cb25ab3f1bc17b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Llama Nemotron Embed VL v2 crea vettori per la ricerca semantica nei documenti. Nell'attuale catalogo Ailoot è rappresentato input testuale per domande e materiali.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Llama Nemotron Embed VL 1B v2 è stato sviluppato da NVIDIA per trovare materiali che aiutino a rispondere a una domanda. La richiesta viene formulata come testo. Nell'attuale catalogo Ailoot il modello presenta input testuale: domanda e materiale vengono codificati come testo. Il produttore descrive anche documenti sotto forma di immagini di pagina oppure immagini insieme al testo estratto. Queste varianti visive richiedono un metodo separato con supporto delle immagini. Con l'input corrispondente, il modello rappresenta tabelle, grafici e infografiche in uno spazio vettoriale comune.
Questa ricerca è adatta ad assistenti di domanda e risposta su grandi raccolte di documenti, manuali interni e materiali di ricerca. Il risultato della codifica è un vettore numerico. La pagina o il segmento trovato può essere poi fornito a un modello che formula la risposta: Embed VL stesso esegue la fase di ricerca del contesto.
Domanda e documento vengono codificati indipendentemente. Si può quindi elaborare prima la raccolta e conservare i vettori insieme alle pagine originali, per calcolare soltanto il vettore della domanda quando ne arriva una nuova. La somiglianza tra vettori aiuta a scegliere i materiali per significato. I ruoli testuali di domanda e documento sono diversi e questa distinzione va conservata nella preparazione dei dati.
Ogni input viene convertito in un solo vettore con una dimensione fino a 2048 numeri. Nella modalità testuale si utilizza un budget di 8192 token. Per il metodo visivo del produttore con immagine e testo è descritto un budget complessivo di 10240 token, comprendente entrambe le parti; non è il limite testuale del metodo Ailoot. L'immagine viene suddivisa in segmenti: nella configurazione descritta sono ammessi fino a sei segmenti e una copia ridotta dell'intera pagina, per circa 1792 token visivi complessivi. I testi lunghi devono essere suddivisi o accorciati.
La parte linguistica si basa su Llama 3.2 1B, quella visiva su SigLIP2. Sono unite in un encoder che calcola la media delle rappresentazioni dei token in ingresso e produce un solo vettore. L'addestramento contrastivo avvicina la domanda alla pagina adatta e la allontana dai materiali irrilevanti. La ricerca resta probabilistica: la vicinanza dei vettori non garantisce che il segmento scelto contenga la risposta corretta.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti nvidia/llama-nemotron-embed-vl-1b-v2 | Predefinito— |
Campoinput | Tipostring|string[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Ogni stringa deve essere non vuota dopo trim; gli URI data vengono rifiutati; il budget accettato misura i byte UTF8 pertinenti. | Predefinito— |
Campoinput_type | Tipostring | RequisitoFacoltativo | Valori e limiti query, passage | Predefinitoquery |
Campoencoding_format | Tipostring | RequisitoFacoltativo | Valori e limiti float, base64 | Predefinitofloat |
Campotruncate | Tipostring | RequisitoFacoltativo | Valori e limiti NONE, START, END | Predefinito— |
Campodimensions | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 | Predefinito— |
Campouser | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
text_to_embedding
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, input |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/embeddingsAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/llama-nemotron-embed-vl-1b-v2", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Decodifica i vettori base64 solo quando è stato richiesto quel formato; conserva ogni vettore e il suo indice originale.
Non viene introdotto alcun endpoint per i job di embedding.
| Campo | Tipo |
|---|---|
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[]|base64 float32 vector |
Campomodel | Tipostring |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Usa i percorsi dei metodi indicati sopra.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlLlama Nemotron Embed VL v2 crea vettori per la ricerca semantica nei documenti. Nell'attuale catalogo Ailoot è rappresentato input testuale per domande e materiali.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Llama Nemotron Embed VL 1B v2 è stato sviluppato da NVIDIA per trovare materiali che aiutino a rispondere a una domanda. La richiesta viene formulata come testo. Nell'attuale catalogo Ailoot il modello presenta input testuale: domanda e materiale vengono codificati come testo. Il produttore descrive anche documenti sotto forma di immagini di pagina oppure immagini insieme al testo estratto. Queste varianti visive richiedono un metodo separato con supporto delle immagini. Con l'input corrispondente, il modello rappresenta tabelle, grafici e infografiche in uno spazio vettoriale comune.
Questa ricerca è adatta ad assistenti di domanda e risposta su grandi raccolte di documenti, manuali interni e materiali di ricerca. Il risultato della codifica è un vettore numerico. La pagina o il segmento trovato può essere poi fornito a un modello che formula la risposta: Embed VL stesso esegue la fase di ricerca del contesto.
Domanda e documento vengono codificati indipendentemente. Si può quindi elaborare prima la raccolta e conservare i vettori insieme alle pagine originali, per calcolare soltanto il vettore della domanda quando ne arriva una nuova. La somiglianza tra vettori aiuta a scegliere i materiali per significato. I ruoli testuali di domanda e documento sono diversi e questa distinzione va conservata nella preparazione dei dati.
Ogni input viene convertito in un solo vettore con una dimensione fino a 2048 numeri. Nella modalità testuale si utilizza un budget di 8192 token. Per il metodo visivo del produttore con immagine e testo è descritto un budget complessivo di 10240 token, comprendente entrambe le parti; non è il limite testuale del metodo Ailoot. L'immagine viene suddivisa in segmenti: nella configurazione descritta sono ammessi fino a sei segmenti e una copia ridotta dell'intera pagina, per circa 1792 token visivi complessivi. I testi lunghi devono essere suddivisi o accorciati.
La parte linguistica si basa su Llama 3.2 1B, quella visiva su SigLIP2. Sono unite in un encoder che calcola la media delle rappresentazioni dei token in ingresso e produce un solo vettore. L'addestramento contrastivo avvicina la domanda alla pagina adatta e la allontana dai materiali irrilevanti. La ricerca resta probabilistica: la vicinanza dei vettori non garantisce che il segmento scelto contenga la risposta corretta.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti nemotron-embed-vl | Predefinito— |
Campoinput | Tipostring|string[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Ogni stringa deve essere non vuota dopo trim; gli URI data vengono rifiutati; il budget accettato misura i byte UTF8 pertinenti. | Predefinito— |
Campoinput_type | Tipostring | RequisitoFacoltativo | Valori e limiti query, passage | Predefinitoquery |
Campoencoding_format | Tipostring | RequisitoFacoltativo | Valori e limiti float, base64 | Predefinitofloat |
Campotruncate | Tipostring | RequisitoFacoltativo | Valori e limiti NONE, START, END | Predefinito— |
Campodimensions | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 | Predefinito— |
Campouser | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
text_to_embedding
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, input |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/embeddingsAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-embed-vl", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Decodifica i vettori base64 solo quando è stato richiesto quel formato; conserva ogni vettore e il suo indice originale.
Non viene introdotto alcun endpoint per i job di embedding.
| Campo | Tipo |
|---|---|
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[]|base64 float32 vector |
Campomodel | Tipostring |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Usa i percorsi dei metodi indicati sopra.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestLlama Nemotron Embed VL v2 crea vettori per la ricerca semantica nei documenti. Nell'attuale catalogo Ailoot è rappresentato input testuale per domande e materiali.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Llama Nemotron Embed VL 1B v2 è stato sviluppato da NVIDIA per trovare materiali che aiutino a rispondere a una domanda. La richiesta viene formulata come testo. Nell'attuale catalogo Ailoot il modello presenta input testuale: domanda e materiale vengono codificati come testo. Il produttore descrive anche documenti sotto forma di immagini di pagina oppure immagini insieme al testo estratto. Queste varianti visive richiedono un metodo separato con supporto delle immagini. Con l'input corrispondente, il modello rappresenta tabelle, grafici e infografiche in uno spazio vettoriale comune.
Questa ricerca è adatta ad assistenti di domanda e risposta su grandi raccolte di documenti, manuali interni e materiali di ricerca. Il risultato della codifica è un vettore numerico. La pagina o il segmento trovato può essere poi fornito a un modello che formula la risposta: Embed VL stesso esegue la fase di ricerca del contesto.
Domanda e documento vengono codificati indipendentemente. Si può quindi elaborare prima la raccolta e conservare i vettori insieme alle pagine originali, per calcolare soltanto il vettore della domanda quando ne arriva una nuova. La somiglianza tra vettori aiuta a scegliere i materiali per significato. I ruoli testuali di domanda e documento sono diversi e questa distinzione va conservata nella preparazione dei dati.
Ogni input viene convertito in un solo vettore con una dimensione fino a 2048 numeri. Nella modalità testuale si utilizza un budget di 8192 token. Per il metodo visivo del produttore con immagine e testo è descritto un budget complessivo di 10240 token, comprendente entrambe le parti; non è il limite testuale del metodo Ailoot. L'immagine viene suddivisa in segmenti: nella configurazione descritta sono ammessi fino a sei segmenti e una copia ridotta dell'intera pagina, per circa 1792 token visivi complessivi. I testi lunghi devono essere suddivisi o accorciati.
La parte linguistica si basa su Llama 3.2 1B, quella visiva su SigLIP2. Sono unite in un encoder che calcola la media delle rappresentazioni dei token in ingresso e produce un solo vettore. L'addestramento contrastivo avvicina la domanda alla pagina adatta e la allontana dai materiali irrilevanti. La ricerca resta probabilistica: la vicinanza dei vettori non garantisce che il segmento scelto contenga la risposta corretta.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti nemotron-embed-vl-latest | Predefinito— |
Campoinput | Tipostring|string[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Ogni stringa deve essere non vuota dopo trim; gli URI data vengono rifiutati; il budget accettato misura i byte UTF8 pertinenti. | Predefinito— |
Campoinput_type | Tipostring | RequisitoFacoltativo | Valori e limiti query, passage | Predefinitoquery |
Campoencoding_format | Tipostring | RequisitoFacoltativo | Valori e limiti float, base64 | Predefinitofloat |
Campotruncate | Tipostring | RequisitoFacoltativo | Valori e limiti NONE, START, END | Predefinito— |
Campodimensions | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 | Predefinito— |
Campouser | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
text_to_embedding
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattomodel, input |
Parametrooptional_controls | Contrattonull |
Parametrocontent_type | Contrattoapplication/json |
Ciclo di vita: exact retained published method
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
POST /v1/embeddingsAiloot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-embed-vl-latest", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Decodifica i vettori base64 solo quando è stato richiesto quel formato; conserva ogni vettore e il suo indice originale.
Non viene introdotto alcun endpoint per i job di embedding.
| Campo | Tipo |
|---|---|
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[]|base64 float32 vector |
Campomodel | Tipostring |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Usa i percorsi dei metodi indicati sopra.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest