{ "aboutHtml": "

Nemotron 3 Embed 1B는 의미 기반 검색과 구간 비교를 위한 NVIDIA 텍스트 모델입니다. 질문, 문서, 프로그램 코드를 밀집 숫자 벡터로 인코딩합니다. 이러한 표현으로 큰 자료 모음에서 필요한 컨텍스트를 찾아 도우미의 응답에 더하거나, 에이전트의 다음 단계를 위해 이전에 저장한 정보를 검색합니다.

다언어 지식과 코드

모델은 다언어 및 언어 간 검색을 위해 설계되었습니다. 질문과 적절한 자료가 서로 다른 언어로 작성되어 있을 수 있습니다. 공개된 34개 언어에는 러시아어와 함께 영어, 우크라이나어, 중국어, 일본어, 아랍어 등이 포함됩니다. 기술 문서와 사용자 문의가 하나의 언어로 통일되지 않은 공통 지식베이스에 유용합니다.

과제에는 문서 검색, 텍스트 비교, 언어로 표현된 설명에 따른 코드 검색이 있습니다. 큰 입력 윈도로 긴 문서, 방대한 코드 컨텍스트, 에이전트의 여러 단계 기록을 처리할 수 있습니다. 찾은 자료는 이후 과정에 컨텍스트로 전달됩니다. 최종 설명과 응답은 시스템의 다음 구성 요소가 만듭니다.

텍스트에서 벡터로

입력은 텍스트 문자열입니다. 문자열마다 2048개 수치의 벡터 하나를 만듭니다. 최대 시퀀스 길이는 32768토큰입니다. 더 긴 자료는 나누거나 줄여야 합니다. 입력을 준비할 때 질문과 문서를 구분합니다. 모델은 각 역할을 비교하도록 학습되었으므로, 두 과제에 같은 문자열을 사용하더라도 용도를 고려하지 않고 구성해서는 안 됩니다.

벡터는 길이를 기준으로 정규화됩니다. 이런 표현에서는 내적과 코사인 유사도가 동등한 비교 방식을 제공합니다. 전체 벡터의 앞 1024개 또는 512개 좌표만 남길 수 있지만, 잘라낸 뒤 다시 정규화해야 합니다. 이는 결과 처리의 특성입니다. 자료 모음과 질의의 차원을 일관되게 선택해야 합니다.

소형 모델의 구조

인코더에는 약 11.4억 개의 파라미터가 있습니다. Ministral 3 3B 기반 모델을 두 단계의 구조적 축소와 증류로 줄여 만들었습니다. 양방향 어텐션이 전체 입력을 반영한 뒤 토큰 표현을 하나의 벡터로 평균합니다.

NVIDIA는 BF16과 NVFP4 버전을 제공합니다. 표현 공간은 비슷하지만 버전을 바꾸려면 자체 문서로 확인해야 합니다. 수치적 유사성과 컨텍스트 길이 중 어느 것도 검색이 항상 올바른 구간을 고른다고 보장하지 않습니다.

", "aboutText": "Nemotron 3 Embed 1B는 의미 기반 검색과 구간 비교를 위한 NVIDIA 텍스트 모델입니다. 질문, 문서, 프로그램 코드를 밀집 숫자 벡터로 인코딩합니다. 이러한 표현으로 큰 자료 모음에서 필요한 컨텍스트를 찾아 도우미의 응답에 더하거나, 에이전트의 다음 단계를 위해 이전에 저장한 정보를 검색합니다.\n\n### 다언어 지식과 코드\n\n모델은 다언어 및 언어 간 검색을 위해 설계되었습니다. 질문과 적절한 자료가 서로 다른 언어로 작성되어 있을 수 있습니다. 공개된 34개 언어에는 러시아어와 함께 영어, 우크라이나어, 중국어, 일본어, 아랍어 등이 포함됩니다. 기술 문서와 사용자 문의가 하나의 언어로 통일되지 않은 공통 지식베이스에 유용합니다.\n\n과제에는 문서 검색, 텍스트 비교, 언어로 표현된 설명에 따른 코드 검색이 있습니다. 큰 입력 윈도로 긴 문서, 방대한 코드 컨텍스트, 에이전트의 여러 단계 기록을 처리할 수 있습니다. 찾은 자료는 이후 과정에 컨텍스트로 전달됩니다. 최종 설명과 응답은 시스템의 다음 구성 요소가 만듭니다.\n\n### 텍스트에서 벡터로\n\n입력은 텍스트 문자열입니다. 문자열마다 2048개 수치의 벡터 하나를 만듭니다. 최대 시퀀스 길이는 32768토큰입니다. 더 긴 자료는 나누거나 줄여야 합니다. 입력을 준비할 때 질문과 문서를 구분합니다. 모델은 각 역할을 비교하도록 학습되었으므로, 두 과제에 같은 문자열을 사용하더라도 용도를 고려하지 않고 구성해서는 안 됩니다.\n\n벡터는 길이를 기준으로 정규화됩니다. 이런 표현에서는 내적과 코사인 유사도가 동등한 비교 방식을 제공합니다. 전체 벡터의 앞 1024개 또는 512개 좌표만 남길 수 있지만, 잘라낸 뒤 다시 정규화해야 합니다. 이는 결과 처리의 특성입니다. 자료 모음과 질의의 차원을 일관되게 선택해야 합니다.\n\n### 소형 모델의 구조\n\n인코더에는 약 11.4억 개의 파라미터가 있습니다. Ministral 3 3B 기반 모델을 두 단계의 구조적 축소와 증류로 줄여 만들었습니다. 양방향 어텐션이 전체 입력을 반영한 뒤 토큰 표현을 하나의 벡터로 평균합니다.\n\nNVIDIA는 BF16과 NVFP4 버전을 제공합니다. 표현 공간은 비슷하지만 버전을 바꾸려면 자체 문서로 확인해야 합니다. 수치적 유사성과 컨텍스트 길이 중 어느 것도 검색이 항상 올바른 구간을 고른다고 보장하지 않습니다.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "772c99b7092060528aa94b33ed2fbeb673f03fe0b14794fd567873bf542c8808", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ko", "methods": [ { "html": "
NV

Nemotron 3 Embed 1B

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

시작하기

Nemotron 3 Embed 1B는 다언어 검색, 코드 검색, RAG를 위해 텍스트를 벡터로 변환합니다. 최대 32768토큰의 시퀀스를 처리하고 2048개 수치의 차원을 갖는 표현을 출력합니다.

허용 입력
텍스트
결과
embedding
모델 소개

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

Nemotron 3 Embed 1B는 의미 기반 검색과 구간 비교를 위한 NVIDIA 텍스트 모델입니다. 질문, 문서, 프로그램 코드를 밀집 숫자 벡터로 인코딩합니다. 이러한 표현으로 큰 자료 모음에서 필요한 컨텍스트를 찾아 도우미의 응답에 더하거나, 에이전트의 다음 단계를 위해 이전에 저장한 정보를 검색합니다.

다언어 지식과 코드

모델은 다언어 및 언어 간 검색을 위해 설계되었습니다. 질문과 적절한 자료가 서로 다른 언어로 작성되어 있을 수 있습니다. 공개된 34개 언어에는 러시아어와 함께 영어, 우크라이나어, 중국어, 일본어, 아랍어 등이 포함됩니다. 기술 문서와 사용자 문의가 하나의 언어로 통일되지 않은 공통 지식베이스에 유용합니다.

과제에는 문서 검색, 텍스트 비교, 언어로 표현된 설명에 따른 코드 검색이 있습니다. 큰 입력 윈도로 긴 문서, 방대한 코드 컨텍스트, 에이전트의 여러 단계 기록을 처리할 수 있습니다. 찾은 자료는 이후 과정에 컨텍스트로 전달됩니다. 최종 설명과 응답은 시스템의 다음 구성 요소가 만듭니다.

텍스트에서 벡터로

입력은 텍스트 문자열입니다. 문자열마다 2048개 수치의 벡터 하나를 만듭니다. 최대 시퀀스 길이는 32768토큰입니다. 더 긴 자료는 나누거나 줄여야 합니다. 입력을 준비할 때 질문과 문서를 구분합니다. 모델은 각 역할을 비교하도록 학습되었으므로, 두 과제에 같은 문자열을 사용하더라도 용도를 고려하지 않고 구성해서는 안 됩니다.

벡터는 길이를 기준으로 정규화됩니다. 이런 표현에서는 내적과 코사인 유사도가 동등한 비교 방식을 제공합니다. 전체 벡터의 앞 1024개 또는 512개 좌표만 남길 수 있지만, 잘라낸 뒤 다시 정규화해야 합니다. 이는 결과 처리의 특성입니다. 자료 모음과 질의의 차원을 일관되게 선택해야 합니다.

소형 모델의 구조

인코더에는 약 11.4억 개의 파라미터가 있습니다. Ministral 3 3B 기반 모델을 두 단계의 구조적 축소와 증류로 줄여 만들었습니다. 양방향 어텐션이 전체 입력을 반영한 뒤 토큰 표현을 하나의 벡터로 평균합니다.

NVIDIA는 BF16과 NVFP4 버전을 제공합니다. 표현 공간은 비슷하지만 버전을 바꾸려면 자체 문서로 확인해야 합니다. 수치적 유사성과 컨텍스트 길이 중 어느 것도 검색이 항상 올바른 구간을 고른다고 보장하지 않습니다.

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/nemotron-3-embed-1b
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/nemotron-3-embed-1b", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

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

메서드 경로 별칭

위에 표시된 메서드 경로를 사용하세요.

관련 호출용 ID

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

", "method_identity": { "effective_request_model_id": "nvidia/nemotron-3-embed-1b", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nvidia/nemotron-3-embed-1b", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nvidia%2Fnemotron-3-embed-1b", "ordinal": 0, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "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/nemotron-3-embed-1b" ], "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/nemotron-3-embed-1b\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "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/nemotron-3-embed-1b", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } }, { "html": "
NV

Nemotron 3 Embed 1B

NVIDIA /nemotron-3-embed

시작하기

Nemotron 3 Embed 1B는 다언어 검색, 코드 검색, RAG를 위해 텍스트를 벡터로 변환합니다. 최대 32768토큰의 시퀀스를 처리하고 2048개 수치의 차원을 갖는 표현을 출력합니다.

허용 입력
텍스트
결과
embedding
모델 소개

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

Nemotron 3 Embed 1B는 의미 기반 검색과 구간 비교를 위한 NVIDIA 텍스트 모델입니다. 질문, 문서, 프로그램 코드를 밀집 숫자 벡터로 인코딩합니다. 이러한 표현으로 큰 자료 모음에서 필요한 컨텍스트를 찾아 도우미의 응답에 더하거나, 에이전트의 다음 단계를 위해 이전에 저장한 정보를 검색합니다.

다언어 지식과 코드

모델은 다언어 및 언어 간 검색을 위해 설계되었습니다. 질문과 적절한 자료가 서로 다른 언어로 작성되어 있을 수 있습니다. 공개된 34개 언어에는 러시아어와 함께 영어, 우크라이나어, 중국어, 일본어, 아랍어 등이 포함됩니다. 기술 문서와 사용자 문의가 하나의 언어로 통일되지 않은 공통 지식베이스에 유용합니다.

과제에는 문서 검색, 텍스트 비교, 언어로 표현된 설명에 따른 코드 검색이 있습니다. 큰 입력 윈도로 긴 문서, 방대한 코드 컨텍스트, 에이전트의 여러 단계 기록을 처리할 수 있습니다. 찾은 자료는 이후 과정에 컨텍스트로 전달됩니다. 최종 설명과 응답은 시스템의 다음 구성 요소가 만듭니다.

텍스트에서 벡터로

입력은 텍스트 문자열입니다. 문자열마다 2048개 수치의 벡터 하나를 만듭니다. 최대 시퀀스 길이는 32768토큰입니다. 더 긴 자료는 나누거나 줄여야 합니다. 입력을 준비할 때 질문과 문서를 구분합니다. 모델은 각 역할을 비교하도록 학습되었으므로, 두 과제에 같은 문자열을 사용하더라도 용도를 고려하지 않고 구성해서는 안 됩니다.

벡터는 길이를 기준으로 정규화됩니다. 이런 표현에서는 내적과 코사인 유사도가 동등한 비교 방식을 제공합니다. 전체 벡터의 앞 1024개 또는 512개 좌표만 남길 수 있지만, 잘라낸 뒤 다시 정규화해야 합니다. 이는 결과 처리의 특성입니다. 자료 모음과 질의의 차원을 일관되게 선택해야 합니다.

소형 모델의 구조

인코더에는 약 11.4억 개의 파라미터가 있습니다. Ministral 3 3B 기반 모델을 두 단계의 구조적 축소와 증류로 줄여 만들었습니다. 양방향 어텐션이 전체 입력을 반영한 뒤 토큰 표현을 하나의 벡터로 평균합니다.

NVIDIA는 BF16과 NVFP4 버전을 제공합니다. 표현 공간은 비슷하지만 버전을 바꾸려면 자체 문서로 확인해야 합니다. 수치적 유사성과 컨텍스트 길이 중 어느 것도 검색이 항상 올바른 구간을 고른다고 보장하지 않습니다.

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-3-embed
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-3-embed", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

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

메서드 경로 별칭

위에 표시된 메서드 경로를 사용하세요.

관련 호출용 ID

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

", "method_identity": { "effective_request_model_id": "nemotron-3-embed", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nemotron-3-embed", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nemotron-3-embed", "ordinal": 1, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "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-3-embed" ], "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-3-embed\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "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-3-embed", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } }, { "html": "
NV

Nemotron 3 Embed 1B

NVIDIA /nemotron-3-embed-latest

시작하기

Nemotron 3 Embed 1B는 다언어 검색, 코드 검색, RAG를 위해 텍스트를 벡터로 변환합니다. 최대 32768토큰의 시퀀스를 처리하고 2048개 수치의 차원을 갖는 표현을 출력합니다.

허용 입력
텍스트
결과
embedding
모델 소개

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

Nemotron 3 Embed 1B는 의미 기반 검색과 구간 비교를 위한 NVIDIA 텍스트 모델입니다. 질문, 문서, 프로그램 코드를 밀집 숫자 벡터로 인코딩합니다. 이러한 표현으로 큰 자료 모음에서 필요한 컨텍스트를 찾아 도우미의 응답에 더하거나, 에이전트의 다음 단계를 위해 이전에 저장한 정보를 검색합니다.

다언어 지식과 코드

모델은 다언어 및 언어 간 검색을 위해 설계되었습니다. 질문과 적절한 자료가 서로 다른 언어로 작성되어 있을 수 있습니다. 공개된 34개 언어에는 러시아어와 함께 영어, 우크라이나어, 중국어, 일본어, 아랍어 등이 포함됩니다. 기술 문서와 사용자 문의가 하나의 언어로 통일되지 않은 공통 지식베이스에 유용합니다.

과제에는 문서 검색, 텍스트 비교, 언어로 표현된 설명에 따른 코드 검색이 있습니다. 큰 입력 윈도로 긴 문서, 방대한 코드 컨텍스트, 에이전트의 여러 단계 기록을 처리할 수 있습니다. 찾은 자료는 이후 과정에 컨텍스트로 전달됩니다. 최종 설명과 응답은 시스템의 다음 구성 요소가 만듭니다.

텍스트에서 벡터로

입력은 텍스트 문자열입니다. 문자열마다 2048개 수치의 벡터 하나를 만듭니다. 최대 시퀀스 길이는 32768토큰입니다. 더 긴 자료는 나누거나 줄여야 합니다. 입력을 준비할 때 질문과 문서를 구분합니다. 모델은 각 역할을 비교하도록 학습되었으므로, 두 과제에 같은 문자열을 사용하더라도 용도를 고려하지 않고 구성해서는 안 됩니다.

벡터는 길이를 기준으로 정규화됩니다. 이런 표현에서는 내적과 코사인 유사도가 동등한 비교 방식을 제공합니다. 전체 벡터의 앞 1024개 또는 512개 좌표만 남길 수 있지만, 잘라낸 뒤 다시 정규화해야 합니다. 이는 결과 처리의 특성입니다. 자료 모음과 질의의 차원을 일관되게 선택해야 합니다.

소형 모델의 구조

인코더에는 약 11.4억 개의 파라미터가 있습니다. Ministral 3 3B 기반 모델을 두 단계의 구조적 축소와 증류로 줄여 만들었습니다. 양방향 어텐션이 전체 입력을 반영한 뒤 토큰 표현을 하나의 벡터로 평균합니다.

NVIDIA는 BF16과 NVFP4 버전을 제공합니다. 표현 공간은 비슷하지만 버전을 바꾸려면 자체 문서로 확인해야 합니다. 수치적 유사성과 컨텍스트 길이 중 어느 것도 검색이 항상 올바른 구간을 고른다고 보장하지 않습니다.

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-3-embed-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-3-embed-latest", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

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

메서드 경로 별칭

위에 표시된 메서드 경로를 사용하세요.

관련 호출용 ID

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

", "method_identity": { "effective_request_model_id": "nemotron-3-embed-latest", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nemotron-3-embed-latest", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nemotron-3-embed-latest", "ordinal": 2, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "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-3-embed-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-3-embed-latest\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "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-3-embed-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } } ], "model_id": "nvidia/nemotron-3-embed-1b", "nativeProvenance": { "input_facts_canonical_sha256": "64b922f88204574e1b8dd71058b892ee18e14dcf3c16b3b0392adee68f33c51d", "input_html_sha256": "2af2b2727059c69c097afd1647c9fcc349cdc214b6156efe558de5582806bcd5", "private_audit_sha256": "7099246b1dd953a74cf8e3f882aa61354c0d61b39e441b32ea45437d2b59e049", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ko/nvidia-nemotron-3-embed-1b/", "description": "Nemotron 3 Embed 1B는 다언어 검색, 코드 검색, RAG를 위해 텍스트를 벡터로 변환합니다. 최대 32768토큰의 시퀀스를 처리하고 2048개 수치의 차원을 갖는 표현을 출력합니다.", "locale": "ko", "md_url": "https://ailoot.ai/models/ko/nvidia-nemotron-3-embed-1b/index.md", "title": "Nemotron 3 Embed 1B — Ailoot", "url": "https://ailoot.ai/models/ko/nvidia-nemotron-3-embed-1b/" }, "rawModel": { "about": "Nemotron 3 Embed 1B는 의미 기반 검색과 구간 비교를 위한 NVIDIA 텍스트 모델입니다. 질문, 문서, 프로그램 코드를 밀집 숫자 벡터로 인코딩합니다. 이러한 표현으로 큰 자료 모음에서 필요한 컨텍스트를 찾아 도우미의 응답에 더하거나, 에이전트의 다음 단계를 위해 이전에 저장한 정보를 검색합니다.\n\n### 다언어 지식과 코드\n\n모델은 다언어 및 언어 간 검색을 위해 설계되었습니다. 질문과 적절한 자료가 서로 다른 언어로 작성되어 있을 수 있습니다. 공개된 34개 언어에는 러시아어와 함께 영어, 우크라이나어, 중국어, 일본어, 아랍어 등이 포함됩니다. 기술 문서와 사용자 문의가 하나의 언어로 통일되지 않은 공통 지식베이스에 유용합니다.\n\n과제에는 문서 검색, 텍스트 비교, 언어로 표현된 설명에 따른 코드 검색이 있습니다. 큰 입력 윈도로 긴 문서, 방대한 코드 컨텍스트, 에이전트의 여러 단계 기록을 처리할 수 있습니다. 찾은 자료는 이후 과정에 컨텍스트로 전달됩니다. 최종 설명과 응답은 시스템의 다음 구성 요소가 만듭니다.\n\n### 텍스트에서 벡터로\n\n입력은 텍스트 문자열입니다. 문자열마다 2048개 수치의 벡터 하나를 만듭니다. 최대 시퀀스 길이는 32768토큰입니다. 더 긴 자료는 나누거나 줄여야 합니다. 입력을 준비할 때 질문과 문서를 구분합니다. 모델은 각 역할을 비교하도록 학습되었으므로, 두 과제에 같은 문자열을 사용하더라도 용도를 고려하지 않고 구성해서는 안 됩니다.\n\n벡터는 길이를 기준으로 정규화됩니다. 이런 표현에서는 내적과 코사인 유사도가 동등한 비교 방식을 제공합니다. 전체 벡터의 앞 1024개 또는 512개 좌표만 남길 수 있지만, 잘라낸 뒤 다시 정규화해야 합니다. 이는 결과 처리의 특성입니다. 자료 모음과 질의의 차원을 일관되게 선택해야 합니다.\n\n### 소형 모델의 구조\n\n인코더에는 약 11.4억 개의 파라미터가 있습니다. Ministral 3 3B 기반 모델을 두 단계의 구조적 축소와 증류로 줄여 만들었습니다. 양방향 어텐션이 전체 입력을 반영한 뒤 토큰 표현을 하나의 벡터로 평균합니다.\n\nNVIDIA는 BF16과 NVFP4 버전을 제공합니다. 표현 공간은 비슷하지만 버전을 바꾸려면 자체 문서로 확인해야 합니다. 수치적 유사성과 컨텍스트 길이 중 어느 것도 검색이 항상 올바른 구간을 고른다고 보장하지 않습니다.", "alias_of": null, "aliases": [ "nemotron-3-embed", "nemotron-3-embed-latest" ], "author": "NVIDIA", "ctx": 4096, "display_name": "Nemotron 3 Embed 1B", "formats": [ "embeddings" ], "id": "nvidia/nemotron-3-embed-1b", "input": [ "text" ], "kind": "embedding", "max_out": null, "methods": [ { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "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/nemotron-3-embed-1b" ], "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/nemotron-3-embed-1b\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "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/nemotron-3-embed-1b", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] }, { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "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-3-embed" ], "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-3-embed\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "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-3-embed", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] }, { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "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-3-embed-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-3-embed-latest\", \"input\": []}')\nf=Path(os.environ[\"AILOOT_TEXT_FILE\"])\nif not f.is_file():raise SystemExit(\"Choose your actual UTF-8 source material\")\ntext=f.read_text(encoding=\"utf-8\")\nif not text.strip():raise SystemExit(\"Source material must contain text\")\np[\"input\"]=[text]\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "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-3-embed-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } ], "model_aliases": [ { "canonical_model_id": "nvidia/nemotron-3-embed-1b", "request_model_id": "nvidia/nemotron-3-embed-1b", "route_label": "Core" }, { "canonical_model_id": "nvidia/nemotron-3-embed-1b", "request_model_id": "nemotron-3-embed", "route_label": "Core" }, { "canonical_model_id": "nvidia/nemotron-3-embed-1b", "request_model_id": "nemotron-3-embed-latest", "route_label": "Core" } ], "name": "nvidia/nemotron-3-embed-1b", "price": { "in": 0.1, "in_label": null, "out": null, "out_label": null, "sort_in": 0.1, "sort_out": null, "varies": false }, "short": "Nemotron 3 Embed 1B는 다언어 검색, 코드 검색, RAG를 위해 텍스트를 벡터로 변환합니다. 최대 32768토큰의 시퀀스를 처리하고 2048개 수치의 차원을 갖는 표현을 출력합니다." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 }, { "contract_json_pointer": "/methods/1/rawMethod/contract", "html_json_pointer": "/methods/1/html", "method_ordinal": 1 }, { "contract_json_pointer": "/methods/2/rawMethod/contract", "html_json_pointer": "/methods/2/html", "method_ordinal": 2 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod", "/methods/1/rawMethod", "/methods/2/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Nemotron 3 Embed 1B는 다언어 검색, 코드 검색, RAG를 위해 텍스트를 벡터로 변환합니다. 최대 32768토큰의 시퀀스를 처리하고 2048개 수치의 차원을 갖는 표현을 출력합니다.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "223d9f79df4525acd3e32fa1ee78086630bd057d2bba8af85f1357e81ce25aa4", "renderer_sha256": "6825a317438b70ab0939441dcebefece462384e77f7e96cce899605c4b208caa" }, "sourceRevision": "6b41672bd5a5be6263dc198cdcbff4ca7f91992d7feab89fd30f369837b824cc" }