Nemotron 3 Embed 1B è un modello testuale di NVIDIA per ricerca semantica e confronto tra segmenti. Codifica domande, documenti e codice in vettori numerici densi. Queste rappresentazioni vengono utilizzate per trovare il contesto necessario tra grandi raccolte, arricchire la risposta di un assistente o recuperare informazioni conservate in precedenza per il passaggio successivo di un agente.
Il modello è pensato per ricerca multilingue e interlinguistica: la domanda e il materiale adatto possono essere scritti in lingue diverse. Il russo rientra nell'insieme pubblicato di 34 lingue, insieme a inglese, ucraino, cinese, giapponese, arabo e altre lingue. È utile per basi di conoscenza comuni in cui documenti tecnici e richieste degli utenti non sono uniformati a una sola lingua.
Tra le attività figurano ricerca nella documentazione, confronto di testi e recupero di codice da una descrizione verbale. L'ampia finestra di input permette di lavorare con documenti lunghi, un contesto software esteso e la cronologia di più passaggi di un agente. Il materiale trovato viene restituito al processo successivo come contesto; spiegazioni e risposte finali sono formulate dal componente successivo del sistema.
L'input è costituito da stringhe testuali. Per ogni stringa si ottiene un vettore di 2048 numeri. La lunghezza massima della sequenza è di 32768 token; il materiale più lungo deve essere suddiviso o accorciato. Nella preparazione dell'input si distinguono domanda e documento: il modello è stato addestrato ad associare questi ruoli, quindi la stessa stringa nei due compiti non deve essere formattata senza considerarne lo scopo.
I vettori vengono normalizzati rispetto alla lunghezza. Con questa rappresentazione, prodotto scalare e somiglianza del coseno offrono modalità equivalenti di confronto. Si possono conservare le prime 1024 o 512 coordinate del vettore completo, ma dopo il troncamento la normalizzazione deve essere eseguita nuovamente. È una proprietà dell'elaborazione del risultato; la dimensione va scelta in modo coerente per la raccolta e per le domande.
L'encoder contiene circa 1,14 miliardi di parametri. È stato ottenuto da un modello basato su Ministral 3 3B mediante due fasi di riduzione strutturale e distillazione. L'attenzione bidirezionale considera l'intero input, poi le rappresentazioni dei token vengono mediate in un vettore comune.
NVIDIA pubblica varianti BF16 e NVFP4. I loro spazi di rappresentazione sono vicini, ma cambiare variante richiede una verifica sui propri documenti. Né la somiglianza numerica né la lunghezza del contesto garantiscono che la ricerca scelga sempre il segmento corretto.
", "aboutText": "Nemotron 3 Embed 1B è un modello testuale di NVIDIA per ricerca semantica e confronto tra segmenti. Codifica domande, documenti e codice in vettori numerici densi. Queste rappresentazioni vengono utilizzate per trovare il contesto necessario tra grandi raccolte, arricchire la risposta di un assistente o recuperare informazioni conservate in precedenza per il passaggio successivo di un agente.\n\n### Conoscenze multilingue e codice\n\nIl modello è pensato per ricerca multilingue e interlinguistica: la domanda e il materiale adatto possono essere scritti in lingue diverse. Il russo rientra nell'insieme pubblicato di 34 lingue, insieme a inglese, ucraino, cinese, giapponese, arabo e altre lingue. È utile per basi di conoscenza comuni in cui documenti tecnici e richieste degli utenti non sono uniformati a una sola lingua.\n\nTra le attività figurano ricerca nella documentazione, confronto di testi e recupero di codice da una descrizione verbale. L'ampia finestra di input permette di lavorare con documenti lunghi, un contesto software esteso e la cronologia di più passaggi di un agente. Il materiale trovato viene restituito al processo successivo come contesto; spiegazioni e risposte finali sono formulate dal componente successivo del sistema.\n\n### Dal testo al vettore\n\nL'input è costituito da stringhe testuali. Per ogni stringa si ottiene un vettore di 2048 numeri. La lunghezza massima della sequenza è di 32768 token; il materiale più lungo deve essere suddiviso o accorciato. Nella preparazione dell'input si distinguono domanda e documento: il modello è stato addestrato ad associare questi ruoli, quindi la stessa stringa nei due compiti non deve essere formattata senza considerarne lo scopo.\n\nI vettori vengono normalizzati rispetto alla lunghezza. Con questa rappresentazione, prodotto scalare e somiglianza del coseno offrono modalità equivalenti di confronto. Si possono conservare le prime 1024 o 512 coordinate del vettore completo, ma dopo il troncamento la normalizzazione deve essere eseguita nuovamente. È una proprietà dell'elaborazione del risultato; la dimensione va scelta in modo coerente per la raccolta e per le domande.\n\n### La struttura del modello compatto\n\nL'encoder contiene circa 1,14 miliardi di parametri. È stato ottenuto da un modello basato su Ministral 3 3B mediante due fasi di riduzione strutturale e distillazione. L'attenzione bidirezionale considera l'intero input, poi le rappresentazioni dei token vengono mediate in un vettore comune.\n\nNVIDIA pubblica varianti BF16 e NVFP4. I loro spazi di rappresentazione sono vicini, ma cambiare variante richiede una verifica sui propri documenti. Né la somiglianza numerica né la lunghezza del contesto garantiscono che la ricerca scelga sempre il segmento corretto.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2c6d09459856e11e4301d461762b31ff41d21e4ea81725bfa1fb413cbef89745", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "nvidia/nemotron-3-embed-1bNemotron 3 Embed 1B converte testi in vettori per ricerca multilingue, ricerca di codice e RAG. Elabora sequenze fino a 32768 token e produce una rappresentazione di 2048 numeri.
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 un modello testuale di NVIDIA per ricerca semantica e confronto tra segmenti. Codifica domande, documenti e codice in vettori numerici densi. Queste rappresentazioni vengono utilizzate per trovare il contesto necessario tra grandi raccolte, arricchire la risposta di un assistente o recuperare informazioni conservate in precedenza per il passaggio successivo di un agente.
Il modello è pensato per ricerca multilingue e interlinguistica: la domanda e il materiale adatto possono essere scritti in lingue diverse. Il russo rientra nell'insieme pubblicato di 34 lingue, insieme a inglese, ucraino, cinese, giapponese, arabo e altre lingue. È utile per basi di conoscenza comuni in cui documenti tecnici e richieste degli utenti non sono uniformati a una sola lingua.
Tra le attività figurano ricerca nella documentazione, confronto di testi e recupero di codice da una descrizione verbale. L'ampia finestra di input permette di lavorare con documenti lunghi, un contesto software esteso e la cronologia di più passaggi di un agente. Il materiale trovato viene restituito al processo successivo come contesto; spiegazioni e risposte finali sono formulate dal componente successivo del sistema.
L'input è costituito da stringhe testuali. Per ogni stringa si ottiene un vettore di 2048 numeri. La lunghezza massima della sequenza è di 32768 token; il materiale più lungo deve essere suddiviso o accorciato. Nella preparazione dell'input si distinguono domanda e documento: il modello è stato addestrato ad associare questi ruoli, quindi la stessa stringa nei due compiti non deve essere formattata senza considerarne lo scopo.
I vettori vengono normalizzati rispetto alla lunghezza. Con questa rappresentazione, prodotto scalare e somiglianza del coseno offrono modalità equivalenti di confronto. Si possono conservare le prime 1024 o 512 coordinate del vettore completo, ma dopo il troncamento la normalizzazione deve essere eseguita nuovamente. È una proprietà dell'elaborazione del risultato; la dimensione va scelta in modo coerente per la raccolta e per le domande.
L'encoder contiene circa 1,14 miliardi di parametri. È stato ottenuto da un modello basato su Ministral 3 3B mediante due fasi di riduzione strutturale e distillazione. L'attenzione bidirezionale considera l'intero input, poi le rappresentazioni dei token vengono mediate in un vettore comune.
NVIDIA pubblica varianti BF16 e NVFP4. I loro spazi di rappresentazione sono vicini, ma cambiare variante richiede una verifica sui propri documenti. Né la somiglianza numerica né la lunghezza del contesto garantiscono che la ricerca scelga sempre il segmento corretto.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti nvidia/nemotron-3-embed-1b | 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/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\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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Usa i percorsi dei metodi indicati sopra.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embedNemotron 3 Embed 1B converte testi in vettori per ricerca multilingue, ricerca di codice e RAG. Elabora sequenze fino a 32768 token e produce una rappresentazione di 2048 numeri.
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 un modello testuale di NVIDIA per ricerca semantica e confronto tra segmenti. Codifica domande, documenti e codice in vettori numerici densi. Queste rappresentazioni vengono utilizzate per trovare il contesto necessario tra grandi raccolte, arricchire la risposta di un assistente o recuperare informazioni conservate in precedenza per il passaggio successivo di un agente.
Il modello è pensato per ricerca multilingue e interlinguistica: la domanda e il materiale adatto possono essere scritti in lingue diverse. Il russo rientra nell'insieme pubblicato di 34 lingue, insieme a inglese, ucraino, cinese, giapponese, arabo e altre lingue. È utile per basi di conoscenza comuni in cui documenti tecnici e richieste degli utenti non sono uniformati a una sola lingua.
Tra le attività figurano ricerca nella documentazione, confronto di testi e recupero di codice da una descrizione verbale. L'ampia finestra di input permette di lavorare con documenti lunghi, un contesto software esteso e la cronologia di più passaggi di un agente. Il materiale trovato viene restituito al processo successivo come contesto; spiegazioni e risposte finali sono formulate dal componente successivo del sistema.
L'input è costituito da stringhe testuali. Per ogni stringa si ottiene un vettore di 2048 numeri. La lunghezza massima della sequenza è di 32768 token; il materiale più lungo deve essere suddiviso o accorciato. Nella preparazione dell'input si distinguono domanda e documento: il modello è stato addestrato ad associare questi ruoli, quindi la stessa stringa nei due compiti non deve essere formattata senza considerarne lo scopo.
I vettori vengono normalizzati rispetto alla lunghezza. Con questa rappresentazione, prodotto scalare e somiglianza del coseno offrono modalità equivalenti di confronto. Si possono conservare le prime 1024 o 512 coordinate del vettore completo, ma dopo il troncamento la normalizzazione deve essere eseguita nuovamente. È una proprietà dell'elaborazione del risultato; la dimensione va scelta in modo coerente per la raccolta e per le domande.
L'encoder contiene circa 1,14 miliardi di parametri. È stato ottenuto da un modello basato su Ministral 3 3B mediante due fasi di riduzione strutturale e distillazione. L'attenzione bidirezionale considera l'intero input, poi le rappresentazioni dei token vengono mediate in un vettore comune.
NVIDIA pubblica varianti BF16 e NVFP4. I loro spazi di rappresentazione sono vicini, ma cambiare variante richiede una verifica sui propri documenti. Né la somiglianza numerica né la lunghezza del contesto garantiscono che la ricerca scelga sempre il segmento corretto.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti nemotron-3-embed | 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-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\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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Usa i percorsi dei metodi indicati sopra.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embed-latestNemotron 3 Embed 1B converte testi in vettori per ricerca multilingue, ricerca di codice e RAG. Elabora sequenze fino a 32768 token e produce una rappresentazione di 2048 numeri.
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 un modello testuale di NVIDIA per ricerca semantica e confronto tra segmenti. Codifica domande, documenti e codice in vettori numerici densi. Queste rappresentazioni vengono utilizzate per trovare il contesto necessario tra grandi raccolte, arricchire la risposta di un assistente o recuperare informazioni conservate in precedenza per il passaggio successivo di un agente.
Il modello è pensato per ricerca multilingue e interlinguistica: la domanda e il materiale adatto possono essere scritti in lingue diverse. Il russo rientra nell'insieme pubblicato di 34 lingue, insieme a inglese, ucraino, cinese, giapponese, arabo e altre lingue. È utile per basi di conoscenza comuni in cui documenti tecnici e richieste degli utenti non sono uniformati a una sola lingua.
Tra le attività figurano ricerca nella documentazione, confronto di testi e recupero di codice da una descrizione verbale. L'ampia finestra di input permette di lavorare con documenti lunghi, un contesto software esteso e la cronologia di più passaggi di un agente. Il materiale trovato viene restituito al processo successivo come contesto; spiegazioni e risposte finali sono formulate dal componente successivo del sistema.
L'input è costituito da stringhe testuali. Per ogni stringa si ottiene un vettore di 2048 numeri. La lunghezza massima della sequenza è di 32768 token; il materiale più lungo deve essere suddiviso o accorciato. Nella preparazione dell'input si distinguono domanda e documento: il modello è stato addestrato ad associare questi ruoli, quindi la stessa stringa nei due compiti non deve essere formattata senza considerarne lo scopo.
I vettori vengono normalizzati rispetto alla lunghezza. Con questa rappresentazione, prodotto scalare e somiglianza del coseno offrono modalità equivalenti di confronto. Si possono conservare le prime 1024 o 512 coordinate del vettore completo, ma dopo il troncamento la normalizzazione deve essere eseguita nuovamente. È una proprietà dell'elaborazione del risultato; la dimensione va scelta in modo coerente per la raccolta e per le domande.
L'encoder contiene circa 1,14 miliardi di parametri. È stato ottenuto da un modello basato su Ministral 3 3B mediante due fasi di riduzione strutturale e distillazione. L'attenzione bidirezionale considera l'intero input, poi le rappresentazioni dei token vengono mediate in un vettore comune.
NVIDIA pubblica varianti BF16 e NVFP4. I loro spazi di rappresentazione sono vicini, ma cambiare variante richiede una verifica sui propri documenti. Né la somiglianza numerica né la lunghezza del contesto garantiscono che la ricerca scelga sempre il segmento corretto.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti nemotron-3-embed-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-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\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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Usa i percorsi dei metodi indicati sopra.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest