Nemotron 3 Embed 1B è la famiglia di embedding testuale di NVIDIA per recupero multilingue e tra lingue diverse e similarità semantica. Trasforma una domanda o un passaggio in un vettore denso che un sistema di ricerca può confrontare con altre rappresentazioni testuali. Il produttore valuta le release 1B documentate in trentaquattro configurazioni di lingue e varianti linguistiche, tra cui inglese, arabo, cinese, russo, giapponese, coreano e Hinglish.
La scheda del modello del produttore descrive un transformer bidirezionale ridotto tramite pruning, derivato da Ministral 3. Ha circa 1,14 miliardi di parametri e calcola la media delle rappresentazioni a livello di token per ottenere un embedding per testo. L’output nativo è un vettore a virgola mobile a 2048 dimensioni. È una rappresentazione per il recupero, anziché una risposta scritta alla domanda codificata.
Il produttore supporta inoltre il mantenimento della prima parte della rappresentazione, per esempio 1024 o 512 dimensioni. Il vettore accorciato deve essere nuovamente normalizzato in norma L2 dopo il taglio. Mantieni coerenti la lunghezza di rappresentazione selezionata e la normalizzazione tra i lati query e corpus di un’attività di ricerca. La lunghezza di un vettore e quella della sequenza di input sono proprietà separate.
La convenzione di recupero documentata usa «query:» per una domanda e «passage:» per il testo documentale. Gli esempi del produttore applicano quei ruoli prima della codifica e confrontano vettori normalizzati con un prodotto scalare, equivalente alla similarità del coseno. Usa la preparazione prevista dal flusso selezionato anziché mescolare una rappresentazione grezza del corpus con una query preparata diversamente.
Una raccolta concreta può contenere spiegazioni tecniche, regole o documentazione relativa al codice. Una domanda su come una funzione gestisce un caso particolare dovrebbe recuperare il passaggio di origine o il frammento di codice che descrive quel comportamento. Preserva identificatori, titoli e condizioni pertinenti insieme al testo effettivo del passaggio. Il vettore rende il candidato ricercabile; la fonte conservata è ciò che usa un lettore o una fase successiva di risposta RAG.
La lunghezza massima di sequenza documentata è di 32.768 token. Scegli intenzionalmente i confini dei passaggi anche quando il modello può accogliere testo consistente. Una sezione completa può preservare una definizione e le sue eccezioni; un estratto mirato può rendere più facile esaminare una risposta specifica. Input oltre la finestra del modello richiedono segmentazione o troncamento, quindi la parte finale omessa non dovrebbe essere trattata come contenuto rappresentato.
Mantieni ogni elemento codificato collegato al documento principale e alla versione. Per un rapporto, conserva il titolo della sezione e la spiegazione attorno alla conclusione a cui si riferisce la domanda. Per una ricerca nel codice, mantieni nome della funzione, interfaccia pertinente e comportamento accanto all’estratto. Ciò fornisce un artefatto concreto della fonte quando la fase di recupero restituisce un candidato.
NVIDIA documenta versioni BF16 e NVFP4 della famiglia 1B. La scheda del modello quantizzato afferma che quelle due release condividono uno spazio di embedding e raccomanda di verificare la qualità del recupero su materiale rappresentativo quando si cambia versione. La rappresentazione comune dichiarata è un’affermazione del produttore su quella coppia denominata, non una regola generale per ogni modello con 2048 valori di output.
Il risultato utile è un vettore di query o una raccolta di fonti indicizzata con modello, scelta di dimensione e preparazione registrati. Restituisci il testo candidato con il suo identificatore ed esamina se fornisce le informazioni richieste. Il produttore osserva esplicitamente che un modello di recupero non garantisce il passaggio corretto per ogni domanda; una successiva fase di reranking o risposta lavora con quei candidati come attività propria.
", "aboutText": "Nemotron 3 Embed 1B è la famiglia di embedding testuale di NVIDIA per recupero multilingue e tra lingue diverse e similarità semantica. Trasforma una domanda o un passaggio in un vettore denso che un sistema di ricerca può confrontare con altre rappresentazioni testuali. Il produttore valuta le release 1B documentate in trentaquattro configurazioni di lingue e varianti linguistiche, tra cui inglese, arabo, cinese, russo, giapponese, coreano e Hinglish.\n\n### Encoder e rappresentazione\n\nLa scheda del modello del produttore descrive un transformer bidirezionale ridotto tramite pruning, derivato da Ministral 3. Ha circa 1,14 miliardi di parametri e calcola la media delle rappresentazioni a livello di token per ottenere un embedding per testo. L’output nativo è un vettore a virgola mobile a 2048 dimensioni. È una rappresentazione per il recupero, anziché una risposta scritta alla domanda codificata.\n\nIl produttore supporta inoltre il mantenimento della prima parte della rappresentazione, per esempio 1024 o 512 dimensioni. Il vettore accorciato deve essere nuovamente normalizzato in norma L2 dopo il taglio. Mantieni coerenti la lunghezza di rappresentazione selezionata e la normalizzazione tra i lati query e corpus di un’attività di ricerca. La lunghezza di un vettore e quella della sequenza di input sono proprietà separate.\n\n### Preparazione di query e passaggi\n\nLa convenzione di recupero documentata usa «query:» per una domanda e «passage:» per il testo documentale. Gli esempi del produttore applicano quei ruoli prima della codifica e confrontano vettori normalizzati con un prodotto scalare, equivalente alla similarità del coseno. Usa la preparazione prevista dal flusso selezionato anziché mescolare una rappresentazione grezza del corpus con una query preparata diversamente.\n\nUna raccolta concreta può contenere spiegazioni tecniche, regole o documentazione relativa al codice. Una domanda su come una funzione gestisce un caso particolare dovrebbe recuperare il passaggio di origine o il frammento di codice che descrive quel comportamento. Preserva identificatori, titoli e condizioni pertinenti insieme al testo effettivo del passaggio. Il vettore rende il candidato ricercabile; la fonte conservata è ciò che usa un lettore o una fase successiva di risposta RAG.\n\n### Materiale di origine più lungo\n\nLa lunghezza massima di sequenza documentata è di 32.768 token. Scegli intenzionalmente i confini dei passaggi anche quando il modello può accogliere testo consistente. Una sezione completa può preservare una definizione e le sue eccezioni; un estratto mirato può rendere più facile esaminare una risposta specifica. Input oltre la finestra del modello richiedono segmentazione o troncamento, quindi la parte finale omessa non dovrebbe essere trattata come contenuto rappresentato.\n\nMantieni ogni elemento codificato collegato al documento principale e alla versione. Per un rapporto, conserva il titolo della sezione e la spiegazione attorno alla conclusione a cui si riferisce la domanda. Per una ricerca nel codice, mantieni nome della funzione, interfaccia pertinente e comportamento accanto all’estratto. Ciò fornisce un artefatto concreto della fonte quando la fase di recupero restituisce un candidato.\n\n### Edizioni della famiglia e uso del risultato\n\nNVIDIA documenta versioni BF16 e NVFP4 della famiglia 1B. La scheda del modello quantizzato afferma che quelle due release condividono uno spazio di embedding e raccomanda di verificare la qualità del recupero su materiale rappresentativo quando si cambia versione. La rappresentazione comune dichiarata è un’affermazione del produttore su quella coppia denominata, non una regola generale per ogni modello con 2048 valori di output.\n\nIl risultato utile è un vettore di query o una raccolta di fonti indicizzata con modello, scelta di dimensione e preparazione registrati. Restituisci il testo candidato con il suo identificatore ed esamina se fornisce le informazioni richieste. Il produttore osserva esplicitamente che un modello di recupero non garantisce il passaggio corretto per ogni domanda; una successiva fase di reranking o risposta lavora con quei candidati come attività propria.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f1cf7aed80244ffffd79c721576ed8a53e6f47cad0d4528afaac43a3678b17de", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "nvidia/nemotron-3-embed-1b:freeNVIDIA Nemotron 3 Embed 1B rappresenta query e passaggi multilingue come vettori di 2048 dimensioni per la ricerca e il RAG. La famiglia documentata supporta sequenze di 32 768 token e dimensioni ridotte dei vettori con rinormalizzazione.
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.
Nemotron 3 Embed 1B è la famiglia di embedding testuale di NVIDIA per recupero multilingue e tra lingue diverse e similarità semantica. Trasforma una domanda o un passaggio in un vettore denso che un sistema di ricerca può confrontare con altre rappresentazioni testuali. Il produttore valuta le release 1B documentate in trentaquattro configurazioni di lingue e varianti linguistiche, tra cui inglese, arabo, cinese, russo, giapponese, coreano e Hinglish.
La scheda del modello del produttore descrive un transformer bidirezionale ridotto tramite pruning, derivato da Ministral 3. Ha circa 1,14 miliardi di parametri e calcola la media delle rappresentazioni a livello di token per ottenere un embedding per testo. L’output nativo è un vettore a virgola mobile a 2048 dimensioni. È una rappresentazione per il recupero, anziché una risposta scritta alla domanda codificata.
Il produttore supporta inoltre il mantenimento della prima parte della rappresentazione, per esempio 1024 o 512 dimensioni. Il vettore accorciato deve essere nuovamente normalizzato in norma L2 dopo il taglio. Mantieni coerenti la lunghezza di rappresentazione selezionata e la normalizzazione tra i lati query e corpus di un’attività di ricerca. La lunghezza di un vettore e quella della sequenza di input sono proprietà separate.
La convenzione di recupero documentata usa «query:» per una domanda e «passage:» per il testo documentale. Gli esempi del produttore applicano quei ruoli prima della codifica e confrontano vettori normalizzati con un prodotto scalare, equivalente alla similarità del coseno. Usa la preparazione prevista dal flusso selezionato anziché mescolare una rappresentazione grezza del corpus con una query preparata diversamente.
Una raccolta concreta può contenere spiegazioni tecniche, regole o documentazione relativa al codice. Una domanda su come una funzione gestisce un caso particolare dovrebbe recuperare il passaggio di origine o il frammento di codice che descrive quel comportamento. Preserva identificatori, titoli e condizioni pertinenti insieme al testo effettivo del passaggio. Il vettore rende il candidato ricercabile; la fonte conservata è ciò che usa un lettore o una fase successiva di risposta RAG.
La lunghezza massima di sequenza documentata è di 32.768 token. Scegli intenzionalmente i confini dei passaggi anche quando il modello può accogliere testo consistente. Una sezione completa può preservare una definizione e le sue eccezioni; un estratto mirato può rendere più facile esaminare una risposta specifica. Input oltre la finestra del modello richiedono segmentazione o troncamento, quindi la parte finale omessa non dovrebbe essere trattata come contenuto rappresentato.
Mantieni ogni elemento codificato collegato al documento principale e alla versione. Per un rapporto, conserva il titolo della sezione e la spiegazione attorno alla conclusione a cui si riferisce la domanda. Per una ricerca nel codice, mantieni nome della funzione, interfaccia pertinente e comportamento accanto all’estratto. Ciò fornisce un artefatto concreto della fonte quando la fase di recupero restituisce un candidato.
NVIDIA documenta versioni BF16 e NVFP4 della famiglia 1B. La scheda del modello quantizzato afferma che quelle due release condividono uno spazio di embedding e raccomanda di verificare la qualità del recupero su materiale rappresentativo quando si cambia versione. La rappresentazione comune dichiarata è un’affermazione del produttore su quella coppia denominata, non una regola generale per ogni modello con 2048 valori di output.
Il risultato utile è un vettore di query o una raccolta di fonti indicizzata con modello, scelta di dimensione e preparazione registrati. Restituisci il testo candidato con il suo identificatore ed esamina se fornisce le informazioni richieste. Il produttore osserva esplicitamente che un modello di recupero non garantisce il passaggio corretto per ogni domanda; una successiva fase di reranking o risposta lavora con quei candidati come attività propria.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti nvidia/nemotron-3-embed-1b:free | Predefinito— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi. Budget di input: Massimo: 32.768 · Unità di testo: byte UTF8 · Unità di token: elementi dell’array di token | Predefinito— |
Campoencoding_format | Tipostring | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat |
Campodimensions | Tipointeger | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— |
Campouser | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Camposession_id | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campotrace | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— |
text_to_embedding
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input |
Parametroinput_shapes | Contrattostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametroencoding_format | Contrattofloat |
Parametrodimensions_override | Contrattofalse |
Parametromax_input_budget_units | Contratto32768 |
Parametromultimodal_objects | Contrattofalse |
Parametromaterial_types | Contrattotext, token_ids |
Ciclo di vita: synchronous_json
Conserva l'indice e la dimensione di ogni vettore.
Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/nemotron-3-embed-1b:free", "input": ["First document", "Second document"]}')\n\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\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='nvidia/nemotron-3-embed-1b:free',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.
Non viene introdotto alcun endpoint per i job di embedding.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
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 Ultra nvidia/nemotron-3-embed-1b:free
Usa i percorsi dei metodi indicati sopra.