{ "aboutHtml": "

질문으로 필요한 페이지 찾기

Llama Nemotron Embed VL 1B v2는 질문에 답하는 데 도움이 되는 자료를 검색하도록 NVIDIA가 개발했습니다. 질의는 텍스트로 작성합니다. 현재 Ailoot 카탈로그에는 이 모델의 텍스트 입력이 표시되어 있으며, 질문과 자료를 텍스트로 인코딩합니다. 개발사는 페이지 이미지 또는 추출한 텍스트와 결합한 이미지 형태의 문서도 설명합니다. 이러한 시각적 방식에는 이미지 지원이 있는 별도 호출 방식이 필요합니다. 적절한 입력을 사용하면 모델은 표, 차트, 인포그래픽을 공통 벡터 공간에 표현합니다.

이런 검색은 방대한 문서 모음, 내부 참고 자료, 연구 자료를 사용하는 질의응답 도우미에 적합합니다. 인코딩 결과는 숫자 벡터입니다. 찾은 페이지나 구간을 이후 응답 생성 모델에 전달할 수 있습니다. Embed VL 자체는 컨텍스트 검색 단계를 수행합니다.

개발사의 문서 방식

질의와 문서는 독립적으로 인코딩합니다. 따라서 자료 모음을 미리 처리하고 원본 페이지와 함께 벡터를 저장한 뒤, 새 질문이 들어오면 질의 벡터만 계산할 수 있습니다. 벡터 유사도는 의미에 맞는 자료 선택에 도움이 됩니다. 질의와 문서의 텍스트 역할은 서로 다르므로 데이터 준비 시 이를 유지하는 것이 중요합니다.

표현 크기와 입력 길이

각 입력은 최대 2048개 수치의 차원을 갖는 하나의 벡터로 변환됩니다. 텍스트 모드에서는 8192토큰의 예산을 사용합니다. 개발사의 이미지와 텍스트를 결합하는 시각적 호출 방식에는 두 부분을 모두 포함한 전체 예산 10240토큰이 설명되어 있습니다. 이는 Ailoot 호출 방식의 텍스트 제한이 아닙니다. 이미지는 구간으로 나눕니다. 설명된 구성에서는 최대 여섯 구간과 전체 페이지의 축소본을 허용하며, 합계는 약 1792개 시각 토큰입니다. 긴 텍스트는 나누거나 줄여야 합니다.

언어 부분은 Llama 3.2 1B, 시각 부분은 SigLIP2를 기반으로 합니다. 이를 인코더로 결합하여 입력 토큰의 표현을 평균하고 하나의 벡터를 출력합니다. 대조 학습은 질문을 적절한 페이지와 가깝게 하고 관련 없는 자료와 멀어지게 합니다. 검색은 확률적입니다. 벡터가 가깝다고 해서 선택한 구간에 올바른 답이 있다는 보장은 아닙니다.

", "aboutText": "### 질문으로 필요한 페이지 찾기\n\nLlama Nemotron Embed VL 1B v2는 질문에 답하는 데 도움이 되는 자료를 검색하도록 NVIDIA가 개발했습니다. 질의는 텍스트로 작성합니다. 현재 Ailoot 카탈로그에는 이 모델의 텍스트 입력이 표시되어 있으며, 질문과 자료를 텍스트로 인코딩합니다. 개발사는 페이지 이미지 또는 추출한 텍스트와 결합한 이미지 형태의 문서도 설명합니다. 이러한 시각적 방식에는 이미지 지원이 있는 별도 호출 방식이 필요합니다. 적절한 입력을 사용하면 모델은 표, 차트, 인포그래픽을 공통 벡터 공간에 표현합니다.\n\n이런 검색은 방대한 문서 모음, 내부 참고 자료, 연구 자료를 사용하는 질의응답 도우미에 적합합니다. 인코딩 결과는 숫자 벡터입니다. 찾은 페이지나 구간을 이후 응답 생성 모델에 전달할 수 있습니다. Embed VL 자체는 컨텍스트 검색 단계를 수행합니다.\n\n### 개발사의 문서 방식\n\n- 텍스트 문서: 개별 섹션, 구간, 이미 인식된 페이지 텍스트.\n- 이미지: 텍스트, 표, 그래픽 요소를 포함한 전체 페이지.\n- 텍스트가 결합된 이미지: 페이지의 시각적 형태와 텍스트 내용을 하나의 표현으로 결합.\n\n질의와 문서는 독립적으로 인코딩합니다. 따라서 자료 모음을 미리 처리하고 원본 페이지와 함께 벡터를 저장한 뒤, 새 질문이 들어오면 질의 벡터만 계산할 수 있습니다. 벡터 유사도는 의미에 맞는 자료 선택에 도움이 됩니다. 질의와 문서의 텍스트 역할은 서로 다르므로 데이터 준비 시 이를 유지하는 것이 중요합니다.\n\n### 표현 크기와 입력 길이\n\n각 입력은 최대 2048개 수치의 차원을 갖는 하나의 벡터로 변환됩니다. 텍스트 모드에서는 8192토큰의 예산을 사용합니다. 개발사의 이미지와 텍스트를 결합하는 시각적 호출 방식에는 두 부분을 모두 포함한 전체 예산 10240토큰이 설명되어 있습니다. 이는 Ailoot 호출 방식의 텍스트 제한이 아닙니다. 이미지는 구간으로 나눕니다. 설명된 구성에서는 최대 여섯 구간과 전체 페이지의 축소본을 허용하며, 합계는 약 1792개 시각 토큰입니다. 긴 텍스트는 나누거나 줄여야 합니다.\n\n언어 부분은 Llama 3.2 1B, 시각 부분은 SigLIP2를 기반으로 합니다. 이를 인코더로 결합하여 입력 토큰의 표현을 평균하고 하나의 벡터를 출력합니다. 대조 학습은 질문을 적절한 페이지와 가깝게 하고 관련 없는 자료와 멀어지게 합니다. 검색은 확률적입니다. 벡터가 가깝다고 해서 선택한 구간에 올바른 답이 있다는 보장은 아닙니다.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "01db0f4914567406dddd16faa5659d5e47fa4efb97db6d62424bfc698ea01b88", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ko", "methods": [ { "html": "
NV

Llama Nemotron Embed VL 1B v2

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

시작하기

Llama Nemotron Embed VL v2는 문서의 의미 기반 검색을 위한 벡터를 만듭니다. 현재 Ailoot 카탈로그에는 질의와 자료를 위한 텍스트 입력이 표시되어 있습니다.

허용 입력
텍스트
결과
embedding
모델 소개

이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.

질문으로 필요한 페이지 찾기

Llama Nemotron Embed VL 1B v2는 질문에 답하는 데 도움이 되는 자료를 검색하도록 NVIDIA가 개발했습니다. 질의는 텍스트로 작성합니다. 현재 Ailoot 카탈로그에는 이 모델의 텍스트 입력이 표시되어 있으며, 질문과 자료를 텍스트로 인코딩합니다. 개발사는 페이지 이미지 또는 추출한 텍스트와 결합한 이미지 형태의 문서도 설명합니다. 이러한 시각적 방식에는 이미지 지원이 있는 별도 호출 방식이 필요합니다. 적절한 입력을 사용하면 모델은 표, 차트, 인포그래픽을 공통 벡터 공간에 표현합니다.

이런 검색은 방대한 문서 모음, 내부 참고 자료, 연구 자료를 사용하는 질의응답 도우미에 적합합니다. 인코딩 결과는 숫자 벡터입니다. 찾은 페이지나 구간을 이후 응답 생성 모델에 전달할 수 있습니다. Embed VL 자체는 컨텍스트 검색 단계를 수행합니다.

개발사의 문서 방식

  • 텍스트 문서: 개별 섹션, 구간, 이미 인식된 페이지 텍스트.
  • 이미지: 텍스트, 표, 그래픽 요소를 포함한 전체 페이지.
  • 텍스트가 결합된 이미지: 페이지의 시각적 형태와 텍스트 내용을 하나의 표현으로 결합.

질의와 문서는 독립적으로 인코딩합니다. 따라서 자료 모음을 미리 처리하고 원본 페이지와 함께 벡터를 저장한 뒤, 새 질문이 들어오면 질의 벡터만 계산할 수 있습니다. 벡터 유사도는 의미에 맞는 자료 선택에 도움이 됩니다. 질의와 문서의 텍스트 역할은 서로 다르므로 데이터 준비 시 이를 유지하는 것이 중요합니다.

표현 크기와 입력 길이

각 입력은 최대 2048개 수치의 차원을 갖는 하나의 벡터로 변환됩니다. 텍스트 모드에서는 8192토큰의 예산을 사용합니다. 개발사의 이미지와 텍스트를 결합하는 시각적 호출 방식에는 두 부분을 모두 포함한 전체 예산 10240토큰이 설명되어 있습니다. 이는 Ailoot 호출 방식의 텍스트 제한이 아닙니다. 이미지는 구간으로 나눕니다. 설명된 구성에서는 최대 여섯 구간과 전체 페이지의 축소본을 허용하며, 합계는 약 1792개 시각 토큰입니다. 긴 텍스트는 나누거나 줄여야 합니다.

언어 부분은 Llama 3.2 1B, 시각 부분은 SigLIP2를 기반으로 합니다. 이를 인코더로 결합하여 입력 토큰의 표현을 평균하고 하나의 벡터를 출력합니다. 대조 학습은 질문을 적절한 페이지와 가깝게 하고 관련 없는 자료와 멀어지게 합니다. 검색은 확률적입니다. 벡터가 가깝다고 해서 선택한 구간에 올바른 답이 있다는 보장은 아닙니다.

Ailoot에서 사용 가능 · 입력 및 메서드

Ailoot · 임베딩 POST /v1/embeddings
입력
text
출력
embedding
컨텍스트
4,096 tokens
출력 형식
json
필드유형요건값과 한도기본값
필드model유형string요건필수값과 한도
nvidia/llama-nemotron-embed-vl-1b-v2
기본값—
필드input유형string|string[]요건필수값과 한도
최소 항목 수: 1
조건: 모든 문자열은 앞뒤 공백을 제거한 후에도 비어 있지 않아야 합니다. data URI는 거부됩니다. 승인된 한도는 관련 UTF8 바이트로 측정합니다.
기본값—
필드input_type유형string요건선택 사항값과 한도
query, passage
기본값query
필드encoding_format유형string요건선택 사항값과 한도
float, base64
기본값float
필드truncate유형string요건선택 사항값과 한도
NONE, START, END
기본값—
필드dimensions유형integer요건선택 사항값과 한도
최솟값: 1
기본값—
필드user유형string요건선택 사항값과 한도기본값—
입력 자료 조합

text_to_embedding

메서드 매개변수와 수명 주기
매개변수명세
매개변수material_types명세text
매개변수required명세model, input
매개변수optional_controls명세null
매개변수content_type명세application/json

수명 주기: exact retained published method

메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.

요금

Ailoot 메서드 요금

Ailoot 임베딩POST /v1/embeddings
입력
US$0.0001 / 1K

Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →

요청 예제

Ailoot · 임베딩

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/llama-nemotron-embed-vl-1b-v2", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

결과 수신 및 저장

Ailoot · 임베딩

json

완료된 결과 모두 보관

반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.

해당 형식을 요청한 경우에만 base64 벡터를 디코딩하세요. 모든 벡터와 원래 인덱스를 보존하세요.

원래 응답을 확인해야 할 경우

임베딩 작업 엔드포인트는 추가되지 않습니다.

응답 필드
필드유형
필드data[].index유형integer
필드data[].embedding유형finite float[]|base64 float32 vector
필드model유형string
필드usage유형object
오류와 다음 단계
응답조건다음 단계
응답400 · invalid_request_error조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음다음 단계새 생성 요청 전에 표시된 필드를 수정하세요.

별칭

모델 별칭

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

메서드 경로 별칭

위에 표시된 메서드 경로를 사용하세요.

관련 호출용 ID

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

", "method_identity": { "effective_request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nvidia%2Fllama-nemotron-embed-vl-1b-v2", "ordinal": 0, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음", "http_status": 400, "recovery": "새 생성 요청 전에 표시된 필드를 수정하세요.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "임베딩 작업 엔드포인트는 추가되지 않습니다." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "해당 형식을 요청한 경우에만 base64 벡터를 디코딩하세요. 모든 벡터와 원래 인덱스를 보존하세요.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nvidia/llama-nemotron-embed-vl-1b-v2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "모든 문자열은 앞뒤 공백을 제거한 후에도 비어 있지 않아야 합니다. data URI는 거부됩니다. 승인된 한도는 관련 UTF8 바이트로 측정합니다.", "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": [ "메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"nvidia/llama-nemotron-embed-vl-1b-v2\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "임베딩", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } }, { "html": "
NV

Llama Nemotron Embed VL 1B v2

NVIDIA /nemotron-embed-vl

시작하기

Llama Nemotron Embed VL v2는 문서의 의미 기반 검색을 위한 벡터를 만듭니다. 현재 Ailoot 카탈로그에는 질의와 자료를 위한 텍스트 입력이 표시되어 있습니다.

허용 입력
텍스트
결과
embedding
모델 소개

이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.

질문으로 필요한 페이지 찾기

Llama Nemotron Embed VL 1B v2는 질문에 답하는 데 도움이 되는 자료를 검색하도록 NVIDIA가 개발했습니다. 질의는 텍스트로 작성합니다. 현재 Ailoot 카탈로그에는 이 모델의 텍스트 입력이 표시되어 있으며, 질문과 자료를 텍스트로 인코딩합니다. 개발사는 페이지 이미지 또는 추출한 텍스트와 결합한 이미지 형태의 문서도 설명합니다. 이러한 시각적 방식에는 이미지 지원이 있는 별도 호출 방식이 필요합니다. 적절한 입력을 사용하면 모델은 표, 차트, 인포그래픽을 공통 벡터 공간에 표현합니다.

이런 검색은 방대한 문서 모음, 내부 참고 자료, 연구 자료를 사용하는 질의응답 도우미에 적합합니다. 인코딩 결과는 숫자 벡터입니다. 찾은 페이지나 구간을 이후 응답 생성 모델에 전달할 수 있습니다. Embed VL 자체는 컨텍스트 검색 단계를 수행합니다.

개발사의 문서 방식

  • 텍스트 문서: 개별 섹션, 구간, 이미 인식된 페이지 텍스트.
  • 이미지: 텍스트, 표, 그래픽 요소를 포함한 전체 페이지.
  • 텍스트가 결합된 이미지: 페이지의 시각적 형태와 텍스트 내용을 하나의 표현으로 결합.

질의와 문서는 독립적으로 인코딩합니다. 따라서 자료 모음을 미리 처리하고 원본 페이지와 함께 벡터를 저장한 뒤, 새 질문이 들어오면 질의 벡터만 계산할 수 있습니다. 벡터 유사도는 의미에 맞는 자료 선택에 도움이 됩니다. 질의와 문서의 텍스트 역할은 서로 다르므로 데이터 준비 시 이를 유지하는 것이 중요합니다.

표현 크기와 입력 길이

각 입력은 최대 2048개 수치의 차원을 갖는 하나의 벡터로 변환됩니다. 텍스트 모드에서는 8192토큰의 예산을 사용합니다. 개발사의 이미지와 텍스트를 결합하는 시각적 호출 방식에는 두 부분을 모두 포함한 전체 예산 10240토큰이 설명되어 있습니다. 이는 Ailoot 호출 방식의 텍스트 제한이 아닙니다. 이미지는 구간으로 나눕니다. 설명된 구성에서는 최대 여섯 구간과 전체 페이지의 축소본을 허용하며, 합계는 약 1792개 시각 토큰입니다. 긴 텍스트는 나누거나 줄여야 합니다.

언어 부분은 Llama 3.2 1B, 시각 부분은 SigLIP2를 기반으로 합니다. 이를 인코더로 결합하여 입력 토큰의 표현을 평균하고 하나의 벡터를 출력합니다. 대조 학습은 질문을 적절한 페이지와 가깝게 하고 관련 없는 자료와 멀어지게 합니다. 검색은 확률적입니다. 벡터가 가깝다고 해서 선택한 구간에 올바른 답이 있다는 보장은 아닙니다.

Ailoot에서 사용 가능 · 입력 및 메서드

Ailoot · 임베딩 POST /v1/embeddings
입력
text
출력
embedding
컨텍스트
4,096 tokens
출력 형식
json
필드유형요건값과 한도기본값
필드model유형string요건필수값과 한도
nemotron-embed-vl
기본값—
필드input유형string|string[]요건필수값과 한도
최소 항목 수: 1
조건: 모든 문자열은 앞뒤 공백을 제거한 후에도 비어 있지 않아야 합니다. data URI는 거부됩니다. 승인된 한도는 관련 UTF8 바이트로 측정합니다.
기본값—
필드input_type유형string요건선택 사항값과 한도
query, passage
기본값query
필드encoding_format유형string요건선택 사항값과 한도
float, base64
기본값float
필드truncate유형string요건선택 사항값과 한도
NONE, START, END
기본값—
필드dimensions유형integer요건선택 사항값과 한도
최솟값: 1
기본값—
필드user유형string요건선택 사항값과 한도기본값—
입력 자료 조합

text_to_embedding

메서드 매개변수와 수명 주기
매개변수명세
매개변수material_types명세text
매개변수required명세model, input
매개변수optional_controls명세null
매개변수content_type명세application/json

수명 주기: exact retained published method

메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.

요금

Ailoot 메서드 요금

Ailoot 임베딩POST /v1/embeddings
입력
US$0.0001 / 1K

Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →

요청 예제

Ailoot · 임베딩

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-embed-vl", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

결과 수신 및 저장

Ailoot · 임베딩

json

완료된 결과 모두 보관

반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.

해당 형식을 요청한 경우에만 base64 벡터를 디코딩하세요. 모든 벡터와 원래 인덱스를 보존하세요.

원래 응답을 확인해야 할 경우

임베딩 작업 엔드포인트는 추가되지 않습니다.

응답 필드
필드유형
필드data[].index유형integer
필드data[].embedding유형finite float[]|base64 float32 vector
필드model유형string
필드usage유형object
오류와 다음 단계
응답조건다음 단계
응답400 · invalid_request_error조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음다음 단계새 생성 요청 전에 표시된 필드를 수정하세요.

별칭

모델 별칭

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

메서드 경로 별칭

위에 표시된 메서드 경로를 사용하세요.

관련 호출용 ID

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

", "method_identity": { "effective_request_model_id": "nemotron-embed-vl", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nemotron-embed-vl", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nemotron-embed-vl", "ordinal": 1, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음", "http_status": 400, "recovery": "새 생성 요청 전에 표시된 필드를 수정하세요.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "임베딩 작업 엔드포인트는 추가되지 않습니다." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "해당 형식을 요청한 경우에만 base64 벡터를 디코딩하세요. 모든 벡터와 원래 인덱스를 보존하세요.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-embed-vl" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "모든 문자열은 앞뒤 공백을 제거한 후에도 비어 있지 않아야 합니다. data URI는 거부됩니다. 승인된 한도는 관련 UTF8 바이트로 측정합니다.", "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": [ "메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"nemotron-embed-vl\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "임베딩", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-embed-vl", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } }, { "html": "
NV

Llama Nemotron Embed VL 1B v2

NVIDIA /nemotron-embed-vl-latest

시작하기

Llama Nemotron Embed VL v2는 문서의 의미 기반 검색을 위한 벡터를 만듭니다. 현재 Ailoot 카탈로그에는 질의와 자료를 위한 텍스트 입력이 표시되어 있습니다.

허용 입력
텍스트
결과
embedding
모델 소개

이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.

질문으로 필요한 페이지 찾기

Llama Nemotron Embed VL 1B v2는 질문에 답하는 데 도움이 되는 자료를 검색하도록 NVIDIA가 개발했습니다. 질의는 텍스트로 작성합니다. 현재 Ailoot 카탈로그에는 이 모델의 텍스트 입력이 표시되어 있으며, 질문과 자료를 텍스트로 인코딩합니다. 개발사는 페이지 이미지 또는 추출한 텍스트와 결합한 이미지 형태의 문서도 설명합니다. 이러한 시각적 방식에는 이미지 지원이 있는 별도 호출 방식이 필요합니다. 적절한 입력을 사용하면 모델은 표, 차트, 인포그래픽을 공통 벡터 공간에 표현합니다.

이런 검색은 방대한 문서 모음, 내부 참고 자료, 연구 자료를 사용하는 질의응답 도우미에 적합합니다. 인코딩 결과는 숫자 벡터입니다. 찾은 페이지나 구간을 이후 응답 생성 모델에 전달할 수 있습니다. Embed VL 자체는 컨텍스트 검색 단계를 수행합니다.

개발사의 문서 방식

  • 텍스트 문서: 개별 섹션, 구간, 이미 인식된 페이지 텍스트.
  • 이미지: 텍스트, 표, 그래픽 요소를 포함한 전체 페이지.
  • 텍스트가 결합된 이미지: 페이지의 시각적 형태와 텍스트 내용을 하나의 표현으로 결합.

질의와 문서는 독립적으로 인코딩합니다. 따라서 자료 모음을 미리 처리하고 원본 페이지와 함께 벡터를 저장한 뒤, 새 질문이 들어오면 질의 벡터만 계산할 수 있습니다. 벡터 유사도는 의미에 맞는 자료 선택에 도움이 됩니다. 질의와 문서의 텍스트 역할은 서로 다르므로 데이터 준비 시 이를 유지하는 것이 중요합니다.

표현 크기와 입력 길이

각 입력은 최대 2048개 수치의 차원을 갖는 하나의 벡터로 변환됩니다. 텍스트 모드에서는 8192토큰의 예산을 사용합니다. 개발사의 이미지와 텍스트를 결합하는 시각적 호출 방식에는 두 부분을 모두 포함한 전체 예산 10240토큰이 설명되어 있습니다. 이는 Ailoot 호출 방식의 텍스트 제한이 아닙니다. 이미지는 구간으로 나눕니다. 설명된 구성에서는 최대 여섯 구간과 전체 페이지의 축소본을 허용하며, 합계는 약 1792개 시각 토큰입니다. 긴 텍스트는 나누거나 줄여야 합니다.

언어 부분은 Llama 3.2 1B, 시각 부분은 SigLIP2를 기반으로 합니다. 이를 인코더로 결합하여 입력 토큰의 표현을 평균하고 하나의 벡터를 출력합니다. 대조 학습은 질문을 적절한 페이지와 가깝게 하고 관련 없는 자료와 멀어지게 합니다. 검색은 확률적입니다. 벡터가 가깝다고 해서 선택한 구간에 올바른 답이 있다는 보장은 아닙니다.

Ailoot에서 사용 가능 · 입력 및 메서드

Ailoot · 임베딩 POST /v1/embeddings
입력
text
출력
embedding
컨텍스트
4,096 tokens
출력 형식
json
필드유형요건값과 한도기본값
필드model유형string요건필수값과 한도
nemotron-embed-vl-latest
기본값—
필드input유형string|string[]요건필수값과 한도
최소 항목 수: 1
조건: 모든 문자열은 앞뒤 공백을 제거한 후에도 비어 있지 않아야 합니다. data URI는 거부됩니다. 승인된 한도는 관련 UTF8 바이트로 측정합니다.
기본값—
필드input_type유형string요건선택 사항값과 한도
query, passage
기본값query
필드encoding_format유형string요건선택 사항값과 한도
float, base64
기본값float
필드truncate유형string요건선택 사항값과 한도
NONE, START, END
기본값—
필드dimensions유형integer요건선택 사항값과 한도
최솟값: 1
기본값—
필드user유형string요건선택 사항값과 한도기본값—
입력 자료 조합

text_to_embedding

메서드 매개변수와 수명 주기
매개변수명세
매개변수material_types명세text
매개변수required명세model, input
매개변수optional_controls명세null
매개변수content_type명세application/json

수명 주기: exact retained published method

메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다.

요금

Ailoot 메서드 요금

Ailoot 임베딩POST /v1/embeddings
입력
US$0.0001 / 1K

Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →

요청 예제

Ailoot · 임베딩

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-embed-vl-latest", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

결과 수신 및 저장

Ailoot · 임베딩

json

완료된 결과 모두 보관

반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.

해당 형식을 요청한 경우에만 base64 벡터를 디코딩하세요. 모든 벡터와 원래 인덱스를 보존하세요.

원래 응답을 확인해야 할 경우

임베딩 작업 엔드포인트는 추가되지 않습니다.

응답 필드
필드유형
필드data[].index유형integer
필드data[].embedding유형finite float[]|base64 float32 vector
필드model유형string
필드usage유형object
오류와 다음 단계
응답조건다음 단계
응답400 · invalid_request_error조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음다음 단계새 생성 요청 전에 표시된 필드를 수정하세요.

별칭

모델 별칭

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

메서드 경로 별칭

위에 표시된 메서드 경로를 사용하세요.

관련 호출용 ID

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

", "method_identity": { "effective_request_model_id": "nemotron-embed-vl-latest", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nemotron-embed-vl-latest", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nemotron-embed-vl-latest", "ordinal": 2, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음", "http_status": 400, "recovery": "새 생성 요청 전에 표시된 필드를 수정하세요.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "임베딩 작업 엔드포인트는 추가되지 않습니다." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "해당 형식을 요청한 경우에만 base64 벡터를 디코딩하세요. 모든 벡터와 원래 인덱스를 보존하세요.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-embed-vl-latest" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "모든 문자열은 앞뒤 공백을 제거한 후에도 비어 있지 않아야 합니다. data URI는 거부됩니다. 승인된 한도는 관련 UTF8 바이트로 측정합니다.", "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": [ "메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"nemotron-embed-vl-latest\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "임베딩", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-embed-vl-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } } ], "model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "nativeProvenance": { "input_facts_canonical_sha256": "c4862cb7c97d0ebd2682347d835b27c55d56df729a874f6b29d942f25416820a", "input_html_sha256": "810f8182861ac9f0867151f6536473ec65693adf99b39973814c12e1ba01060e", "private_audit_sha256": "50475b4d909511f8c9011cb34a6177ae309190a85a39e36f7a0e26aa04bf82ef", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ko/nvidia-llama-nemotron-embed-vl-1b-v2/", "description": "Llama Nemotron Embed VL v2는 문서의 의미 기반 검색을 위한 벡터를 만듭니다. 현재 Ailoot 카탈로그에는 질의와 자료를 위한 텍스트 입력이 표시되어 있습니다.", "locale": "ko", "md_url": "https://ailoot.ai/models/ko/nvidia-llama-nemotron-embed-vl-1b-v2/index.md", "title": "Llama Nemotron Embed VL 1B v2 — Ailoot", "url": "https://ailoot.ai/models/ko/nvidia-llama-nemotron-embed-vl-1b-v2/" }, "rawModel": { "about": "### 질문으로 필요한 페이지 찾기\n\nLlama Nemotron Embed VL 1B v2는 질문에 답하는 데 도움이 되는 자료를 검색하도록 NVIDIA가 개발했습니다. 질의는 텍스트로 작성합니다. 현재 Ailoot 카탈로그에는 이 모델의 텍스트 입력이 표시되어 있으며, 질문과 자료를 텍스트로 인코딩합니다. 개발사는 페이지 이미지 또는 추출한 텍스트와 결합한 이미지 형태의 문서도 설명합니다. 이러한 시각적 방식에는 이미지 지원이 있는 별도 호출 방식이 필요합니다. 적절한 입력을 사용하면 모델은 표, 차트, 인포그래픽을 공통 벡터 공간에 표현합니다.\n\n이런 검색은 방대한 문서 모음, 내부 참고 자료, 연구 자료를 사용하는 질의응답 도우미에 적합합니다. 인코딩 결과는 숫자 벡터입니다. 찾은 페이지나 구간을 이후 응답 생성 모델에 전달할 수 있습니다. Embed VL 자체는 컨텍스트 검색 단계를 수행합니다.\n\n### 개발사의 문서 방식\n\n- 텍스트 문서: 개별 섹션, 구간, 이미 인식된 페이지 텍스트.\n- 이미지: 텍스트, 표, 그래픽 요소를 포함한 전체 페이지.\n- 텍스트가 결합된 이미지: 페이지의 시각적 형태와 텍스트 내용을 하나의 표현으로 결합.\n\n질의와 문서는 독립적으로 인코딩합니다. 따라서 자료 모음을 미리 처리하고 원본 페이지와 함께 벡터를 저장한 뒤, 새 질문이 들어오면 질의 벡터만 계산할 수 있습니다. 벡터 유사도는 의미에 맞는 자료 선택에 도움이 됩니다. 질의와 문서의 텍스트 역할은 서로 다르므로 데이터 준비 시 이를 유지하는 것이 중요합니다.\n\n### 표현 크기와 입력 길이\n\n각 입력은 최대 2048개 수치의 차원을 갖는 하나의 벡터로 변환됩니다. 텍스트 모드에서는 8192토큰의 예산을 사용합니다. 개발사의 이미지와 텍스트를 결합하는 시각적 호출 방식에는 두 부분을 모두 포함한 전체 예산 10240토큰이 설명되어 있습니다. 이는 Ailoot 호출 방식의 텍스트 제한이 아닙니다. 이미지는 구간으로 나눕니다. 설명된 구성에서는 최대 여섯 구간과 전체 페이지의 축소본을 허용하며, 합계는 약 1792개 시각 토큰입니다. 긴 텍스트는 나누거나 줄여야 합니다.\n\n언어 부분은 Llama 3.2 1B, 시각 부분은 SigLIP2를 기반으로 합니다. 이를 인코더로 결합하여 입력 토큰의 표현을 평균하고 하나의 벡터를 출력합니다. 대조 학습은 질문을 적절한 페이지와 가깝게 하고 관련 없는 자료와 멀어지게 합니다. 검색은 확률적입니다. 벡터가 가깝다고 해서 선택한 구간에 올바른 답이 있다는 보장은 아닙니다.", "alias_of": null, "aliases": [ "nemotron-embed-vl", "nemotron-embed-vl-latest" ], "author": "NVIDIA", "ctx": 4096, "display_name": "Llama Nemotron Embed VL 1B v2", "formats": [ "embeddings" ], "id": "nvidia/llama-nemotron-embed-vl-1b-v2", "input": [ "text" ], "kind": "embedding", "max_out": null, "methods": [ { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음", "http_status": 400, "recovery": "새 생성 요청 전에 표시된 필드를 수정하세요.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "임베딩 작업 엔드포인트는 추가되지 않습니다." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "해당 형식을 요청한 경우에만 base64 벡터를 디코딩하세요. 모든 벡터와 원래 인덱스를 보존하세요.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nvidia/llama-nemotron-embed-vl-1b-v2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "모든 문자열은 앞뒤 공백을 제거한 후에도 비어 있지 않아야 합니다. data URI는 거부됩니다. 승인된 한도는 관련 UTF8 바이트로 측정합니다.", "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": [ "메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"nvidia/llama-nemotron-embed-vl-1b-v2\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "임베딩", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] }, { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음", "http_status": 400, "recovery": "새 생성 요청 전에 표시된 필드를 수정하세요.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "임베딩 작업 엔드포인트는 추가되지 않습니다." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "해당 형식을 요청한 경우에만 base64 벡터를 디코딩하세요. 모든 벡터와 원래 인덱스를 보존하세요.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-embed-vl" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "모든 문자열은 앞뒤 공백을 제거한 후에도 비어 있지 않아야 합니다. data URI는 거부됩니다. 승인된 한도는 관련 UTF8 바이트로 측정합니다.", "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": [ "메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"nemotron-embed-vl\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "임베딩", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-embed-vl", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] }, { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음", "http_status": 400, "recovery": "새 생성 요청 전에 표시된 필드를 수정하세요.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "임베딩 작업 엔드포인트는 추가되지 않습니다." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "해당 형식을 요청한 경우에만 base64 벡터를 디코딩하세요. 모든 벡터와 원래 인덱스를 보존하세요.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-embed-vl-latest" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "모든 문자열은 앞뒤 공백을 제거한 후에도 비어 있지 않아야 합니다. data URI는 거부됩니다. 승인된 한도는 관련 UTF8 바이트로 측정합니다.", "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": [ "메서드 형식과 ID는 정확합니다. 공급자의 기능 지원과 요청 수락은 별개입니다." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}\"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"nemotron-embed-vl-latest\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "임베딩", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-embed-vl-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } ], "model_aliases": [ { "canonical_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "request_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "route_label": "Core" }, { "canonical_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "request_model_id": "nemotron-embed-vl", "route_label": "Core" }, { "canonical_model_id": "nvidia/llama-nemotron-embed-vl-1b-v2", "request_model_id": "nemotron-embed-vl-latest", "route_label": "Core" } ], "name": "nvidia/llama-nemotron-embed-vl-1b-v2", "price": { "in": 0.1, "in_label": null, "out": null, "out_label": null, "sort_in": 0.1, "sort_out": null, "varies": false }, "short": "Llama Nemotron Embed VL v2는 문서의 의미 기반 검색을 위한 벡터를 만듭니다. 현재 Ailoot 카탈로그에는 질의와 자료를 위한 텍스트 입력이 표시되어 있습니다." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 }, { "contract_json_pointer": "/methods/1/rawMethod/contract", "html_json_pointer": "/methods/1/html", "method_ordinal": 1 }, { "contract_json_pointer": "/methods/2/rawMethod/contract", "html_json_pointer": "/methods/2/html", "method_ordinal": 2 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod", "/methods/1/rawMethod", "/methods/2/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Llama Nemotron Embed VL v2는 문서의 의미 기반 검색을 위한 벡터를 만듭니다. 현재 Ailoot 카탈로그에는 질의와 자료를 위한 텍스트 입력이 표시되어 있습니다.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "56faf35be4dd75c9bb32db425a8f595bd9fb13b3344bb944a6ae1c32a437b467", "renderer_sha256": "6825a317438b70ab0939441dcebefece462384e77f7e96cce899605c4b208caa" }, "sourceRevision": "ed755d7361ff3fb48edc0018f04c25ccf8e833a8516d6a3db3bf94284f66e177" }