{ "aboutHtml": "

Rasti reikiamą puslapį pagal klausimą

NVIDIA sukūrė Llama Nemotron Embed VL 1B v2 medžiagai, padedančiai atsakyti į klausimą, ieškoti. Užklausa pateikiama tekstu. Dabartiniame Ailoot kataloge modeliui pateikta tekstinė įvestis: klausimas ir medžiaga koduojami kaip tekstas. Gamintojas taip pat aprašo dokumentą kaip puslapio vaizdą arba vaizdą kartu su išgautu tekstu. Tokiems vaizdiniams variantams reikia atskiro metodo su vaizdų palaikymu. Su atitinkama įvestimi modelis atvaizduoja lenteles, grafikus ir infografiką bendroje vektorių erdvėje.

Tokia paieška tinka klausimų ir atsakymų asistentams, dirbantiems su didele dokumentų kolekcija, vidiniais žinynais ir tyrimų medžiaga. Kodavimo rezultatas yra skaitinis vektorius. Rastą puslapį ar fragmentą tuomet galima perduoti atsakymą formuojančiam modeliui: pati Embed VL atlieka konteksto paieškos etapą.

Gamintojo dokumento variantai

Užklausa ir dokumentas koduojami nepriklausomai. Todėl kolekciją galima apdoroti iš anksto, išsaugoti vektorius kartu su pradiniais puslapiais, o gavus naują klausimą skaičiuoti tik užklausos vektorių. Vektorių panašumas padeda pasirinkti medžiagą pagal prasmę. Tekstiniai užklausos ir dokumento vaidmenys skiriasi; tai svarbu išlaikyti rengiant duomenis.

Atvaizdžio dydis ir įvesties ilgis

Kiekviena įvestis paverčiama vienu vektoriumi, kurio matmenų skaičius yra iki 2048. Tekstiniame režime naudojamas 8192 tokenų biudžetas. Gamintojo vaizdiniam metodui su vaizdo ir teksto deriniu aprašytas bendras 10240 tokenų biudžetas, apimantis abi dalis; tai nėra Ailoot metodo tekstinis limitas. Vaizdas skaidomas į fragmentus: aprašytoje konfigūracijoje leidžiami iki šešių fragmentų ir sumažinta viso puslapio kopija, kartu apie 1792 vaizdinių tokenų. Ilgus tekstus reikia skaidyti arba trumpinti.

Kalbinė dalis sukurta Llama 3.2 1B pagrindu, vaizdinė — SigLIP2. Jos sujungtos į koduotuvą, kuris vidurkina įvesties tokenų atvaizdžius ir pateikia vieną vektorių. Kontrastinis mokymas suartina klausimą su tinkamu puslapiu ir nutolina jį nuo nereikšmingos medžiagos. Paieška išlieka tikimybinė: vektorių artumas negarantuoja, kad pasirinktame fragmente yra teisingas atsakymas.

", "aboutText": "### Rasti reikiamą puslapį pagal klausimą\n\nNVIDIA sukūrė Llama Nemotron Embed VL 1B v2 medžiagai, padedančiai atsakyti į klausimą, ieškoti. Užklausa pateikiama tekstu. Dabartiniame Ailoot kataloge modeliui pateikta tekstinė įvestis: klausimas ir medžiaga koduojami kaip tekstas. Gamintojas taip pat aprašo dokumentą kaip puslapio vaizdą arba vaizdą kartu su išgautu tekstu. Tokiems vaizdiniams variantams reikia atskiro metodo su vaizdų palaikymu. Su atitinkama įvestimi modelis atvaizduoja lenteles, grafikus ir infografiką bendroje vektorių erdvėje.\n\nTokia paieška tinka klausimų ir atsakymų asistentams, dirbantiems su didele dokumentų kolekcija, vidiniais žinynais ir tyrimų medžiaga. Kodavimo rezultatas yra skaitinis vektorius. Rastą puslapį ar fragmentą tuomet galima perduoti atsakymą formuojančiam modeliui: pati Embed VL atlieka konteksto paieškos etapą.\n\n### Gamintojo dokumento variantai\n\n- Tekstinis dokumentas: atskiras skyrius, fragmentas arba jau atpažintas puslapio tekstas.\n- Vaizdas: visas puslapis su jo tekstu, lentelėmis ir grafiniais elementais.\n- Vaizdas su tekstu: vaizdinis puslapio pavidalas ir jo tekstinis turinys sujungiami į vieną atvaizdį.\n\nUžklausa ir dokumentas koduojami nepriklausomai. Todėl kolekciją galima apdoroti iš anksto, išsaugoti vektorius kartu su pradiniais puslapiais, o gavus naują klausimą skaičiuoti tik užklausos vektorių. Vektorių panašumas padeda pasirinkti medžiagą pagal prasmę. Tekstiniai užklausos ir dokumento vaidmenys skiriasi; tai svarbu išlaikyti rengiant duomenis.\n\n### Atvaizdžio dydis ir įvesties ilgis\n\nKiekviena įvestis paverčiama vienu vektoriumi, kurio matmenų skaičius yra iki 2048. Tekstiniame režime naudojamas 8192 tokenų biudžetas. Gamintojo vaizdiniam metodui su vaizdo ir teksto deriniu aprašytas bendras 10240 tokenų biudžetas, apimantis abi dalis; tai nėra Ailoot metodo tekstinis limitas. Vaizdas skaidomas į fragmentus: aprašytoje konfigūracijoje leidžiami iki šešių fragmentų ir sumažinta viso puslapio kopija, kartu apie 1792 vaizdinių tokenų. Ilgus tekstus reikia skaidyti arba trumpinti.\n\nKalbinė dalis sukurta Llama 3.2 1B pagrindu, vaizdinė — SigLIP2. Jos sujungtos į koduotuvą, kuris vidurkina įvesties tokenų atvaizdžius ir pateikia vieną vektorių. Kontrastinis mokymas suartina klausimą su tinkamu puslapiu ir nutolina jį nuo nereikšmingos medžiagos. Paieška išlieka tikimybinė: vektorių artumas negarantuoja, kad pasirinktame fragmente yra teisingas atsakymas.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a7104037fe3db6f54a5e5d6e4498ea7b07a67f365479ae280b5e2aadd7befd89", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "lt", "methods": [ { "html": "
NV

Llama Nemotron Embed VL 1B v2

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

Pradžia

Llama Nemotron Embed VL v2 kuria vektorius semantinei paieškai dokumentuose. Dabartiniame Ailoot kataloge pateikta tekstinė užklausų ir medžiagos įvestis.

Leidžiamos įvestys
Tekstas
Rezultatai
embedding
Apie modelį

Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.

Rasti reikiamą puslapį pagal klausimą

NVIDIA sukūrė Llama Nemotron Embed VL 1B v2 medžiagai, padedančiai atsakyti į klausimą, ieškoti. Užklausa pateikiama tekstu. Dabartiniame Ailoot kataloge modeliui pateikta tekstinė įvestis: klausimas ir medžiaga koduojami kaip tekstas. Gamintojas taip pat aprašo dokumentą kaip puslapio vaizdą arba vaizdą kartu su išgautu tekstu. Tokiems vaizdiniams variantams reikia atskiro metodo su vaizdų palaikymu. Su atitinkama įvestimi modelis atvaizduoja lenteles, grafikus ir infografiką bendroje vektorių erdvėje.

Tokia paieška tinka klausimų ir atsakymų asistentams, dirbantiems su didele dokumentų kolekcija, vidiniais žinynais ir tyrimų medžiaga. Kodavimo rezultatas yra skaitinis vektorius. Rastą puslapį ar fragmentą tuomet galima perduoti atsakymą formuojančiam modeliui: pati Embed VL atlieka konteksto paieškos etapą.

Gamintojo dokumento variantai

  • Tekstinis dokumentas: atskiras skyrius, fragmentas arba jau atpažintas puslapio tekstas.
  • Vaizdas: visas puslapis su jo tekstu, lentelėmis ir grafiniais elementais.
  • Vaizdas su tekstu: vaizdinis puslapio pavidalas ir jo tekstinis turinys sujungiami į vieną atvaizdį.

Užklausa ir dokumentas koduojami nepriklausomai. Todėl kolekciją galima apdoroti iš anksto, išsaugoti vektorius kartu su pradiniais puslapiais, o gavus naują klausimą skaičiuoti tik užklausos vektorių. Vektorių panašumas padeda pasirinkti medžiagą pagal prasmę. Tekstiniai užklausos ir dokumento vaidmenys skiriasi; tai svarbu išlaikyti rengiant duomenis.

Atvaizdžio dydis ir įvesties ilgis

Kiekviena įvestis paverčiama vienu vektoriumi, kurio matmenų skaičius yra iki 2048. Tekstiniame režime naudojamas 8192 tokenų biudžetas. Gamintojo vaizdiniam metodui su vaizdo ir teksto deriniu aprašytas bendras 10240 tokenų biudžetas, apimantis abi dalis; tai nėra Ailoot metodo tekstinis limitas. Vaizdas skaidomas į fragmentus: aprašytoje konfigūracijoje leidžiami iki šešių fragmentų ir sumažinta viso puslapio kopija, kartu apie 1792 vaizdinių tokenų. Ilgus tekstus reikia skaidyti arba trumpinti.

Kalbinė dalis sukurta Llama 3.2 1B pagrindu, vaizdinė — SigLIP2. Jos sujungtos į koduotuvą, kuris vidurkina įvesties tokenų atvaizdžius ir pateikia vieną vektorių. Kontrastinis mokymas suartina klausimą su tinkamu puslapiu ir nutolina jį nuo nereikšmingos medžiagos. Paieška išlieka tikimybinė: vektorių artumas negarantuoja, kad pasirinktame fragmente yra teisingas atsakymas.

Prieinama Ailoot · įvestys ir metodai

Ailoot · Įterpiniai POST /v1/embeddings
Įvestis
text
Išvestis
embedding
Kontekstas
4 096 tokens
Išvesties formatas
json
LaukasTipasReikalavimasReikšmės ir ribosNumatyta
LaukasmodelTipasstringReikalavimasPrivalomaReikšmės ir ribos
nvidia/llama-nemotron-embed-vl-1b-v2
Numatyta—
LaukasinputTipasstring|string[]ReikalavimasPrivalomaReikšmės ir ribos
Mažiausias elementų skaičius: 1
Sąlygos: Kiekviena eilutė turi būti netuščia pašalinus kraštinius tarpus; data URI atmetami; priimtas biudžetas matuoja atitinkamus UTF8 baitus.
Numatyta—
Laukasinput_typeTipasstringReikalavimasNeprivalomaReikšmės ir ribos
query, passage
Numatytaquery
Laukasencoding_formatTipasstringReikalavimasNeprivalomaReikšmės ir ribos
float, base64
Numatytafloat
LaukastruncateTipasstringReikalavimasNeprivalomaReikšmės ir ribos
NONE, START, END
Numatyta—
LaukasdimensionsTipasintegerReikalavimasNeprivalomaReikšmės ir ribos
Mažiausia reikšmė: 1
Numatyta—
LaukasuserTipasstringReikalavimasNeprivalomaReikšmės ir ribosNumatyta—
Įvesties medžiagos deriniai

text_to_embedding

Metodo parametrai ir gyvavimo ciklas
ParametrasSpecifikacija
Parametrasmaterial_typesSpecifikacijatext
ParametrasrequiredSpecifikacijamodel, input
Parametrasoptional_controlsSpecifikacijanull
Parametrascontent_typeSpecifikacijaapplication/json

Gyvavimo ciklas: exact retained published method

Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo.

Planai

Ailoot metodų įkainiai

Ailoot ĮterpiniaiPOST /v1/embeddings
Įvestis
0,0001 USD / 1K

Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →

Užklausų pavyzdžiai

Ailoot · Įterpiniai

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

Gauti ir išsaugoti rezultatus

Ailoot · Įterpiniai

json

Išsaugoti visus baigtus rezultatus

Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.

Dekoduokite base64 vektorius tik tada, jei buvo prašoma šio formato; išsaugokite kiekvieną vektorių ir jo pradinį indeksą.

Jei reikia patikrinti pradinį atsakymą

Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas.

Atsakymo laukai
LaukasTipas
Laukasdata[].indexTipasinteger
Laukasdata[].embeddingTipasfinite float[]|base64 float32 vector
LaukasmodelTipasstring
LaukasusageTipasobject
Klaidos ir tolesni veiksmai
AtsakymasSąlygaKitas žingsnis
Atsakymas400 · invalid_request_errorSąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmėKitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus.

Pseudonimai

Modelių pseudonimai

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

Metodų kelių pseudonimai

Naudokite aukščiau nurodytus metodų kelius.

Susiję ID iškvietimui

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": "Netinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė", "http_status": 400, "recovery": "Prieš naują kūrimo užklausą pataisykite nurodytus laukus.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Dekoduokite base64 vektorius tik tada, jei buvo prašoma šio formato; išsaugokite kiekvieną vektorių ir jo pradinį indeksą.", "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": "Kiekviena eilutė turi būti netuščia pašalinus kraštinius tarpus; data URI atmetami; priimtas biudžetas matuoja atitinkamus UTF8 baitus.", "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": [ "Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo." ], "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": "Įterpiniai", "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

Pradžia

Llama Nemotron Embed VL v2 kuria vektorius semantinei paieškai dokumentuose. Dabartiniame Ailoot kataloge pateikta tekstinė užklausų ir medžiagos įvestis.

Leidžiamos įvestys
Tekstas
Rezultatai
embedding
Apie modelį

Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.

Rasti reikiamą puslapį pagal klausimą

NVIDIA sukūrė Llama Nemotron Embed VL 1B v2 medžiagai, padedančiai atsakyti į klausimą, ieškoti. Užklausa pateikiama tekstu. Dabartiniame Ailoot kataloge modeliui pateikta tekstinė įvestis: klausimas ir medžiaga koduojami kaip tekstas. Gamintojas taip pat aprašo dokumentą kaip puslapio vaizdą arba vaizdą kartu su išgautu tekstu. Tokiems vaizdiniams variantams reikia atskiro metodo su vaizdų palaikymu. Su atitinkama įvestimi modelis atvaizduoja lenteles, grafikus ir infografiką bendroje vektorių erdvėje.

Tokia paieška tinka klausimų ir atsakymų asistentams, dirbantiems su didele dokumentų kolekcija, vidiniais žinynais ir tyrimų medžiaga. Kodavimo rezultatas yra skaitinis vektorius. Rastą puslapį ar fragmentą tuomet galima perduoti atsakymą formuojančiam modeliui: pati Embed VL atlieka konteksto paieškos etapą.

Gamintojo dokumento variantai

  • Tekstinis dokumentas: atskiras skyrius, fragmentas arba jau atpažintas puslapio tekstas.
  • Vaizdas: visas puslapis su jo tekstu, lentelėmis ir grafiniais elementais.
  • Vaizdas su tekstu: vaizdinis puslapio pavidalas ir jo tekstinis turinys sujungiami į vieną atvaizdį.

Užklausa ir dokumentas koduojami nepriklausomai. Todėl kolekciją galima apdoroti iš anksto, išsaugoti vektorius kartu su pradiniais puslapiais, o gavus naują klausimą skaičiuoti tik užklausos vektorių. Vektorių panašumas padeda pasirinkti medžiagą pagal prasmę. Tekstiniai užklausos ir dokumento vaidmenys skiriasi; tai svarbu išlaikyti rengiant duomenis.

Atvaizdžio dydis ir įvesties ilgis

Kiekviena įvestis paverčiama vienu vektoriumi, kurio matmenų skaičius yra iki 2048. Tekstiniame režime naudojamas 8192 tokenų biudžetas. Gamintojo vaizdiniam metodui su vaizdo ir teksto deriniu aprašytas bendras 10240 tokenų biudžetas, apimantis abi dalis; tai nėra Ailoot metodo tekstinis limitas. Vaizdas skaidomas į fragmentus: aprašytoje konfigūracijoje leidžiami iki šešių fragmentų ir sumažinta viso puslapio kopija, kartu apie 1792 vaizdinių tokenų. Ilgus tekstus reikia skaidyti arba trumpinti.

Kalbinė dalis sukurta Llama 3.2 1B pagrindu, vaizdinė — SigLIP2. Jos sujungtos į koduotuvą, kuris vidurkina įvesties tokenų atvaizdžius ir pateikia vieną vektorių. Kontrastinis mokymas suartina klausimą su tinkamu puslapiu ir nutolina jį nuo nereikšmingos medžiagos. Paieška išlieka tikimybinė: vektorių artumas negarantuoja, kad pasirinktame fragmente yra teisingas atsakymas.

Prieinama Ailoot · įvestys ir metodai

Ailoot · Įterpiniai POST /v1/embeddings
Įvestis
text
Išvestis
embedding
Kontekstas
4 096 tokens
Išvesties formatas
json
LaukasTipasReikalavimasReikšmės ir ribosNumatyta
LaukasmodelTipasstringReikalavimasPrivalomaReikšmės ir ribos
nemotron-embed-vl
Numatyta—
LaukasinputTipasstring|string[]ReikalavimasPrivalomaReikšmės ir ribos
Mažiausias elementų skaičius: 1
Sąlygos: Kiekviena eilutė turi būti netuščia pašalinus kraštinius tarpus; data URI atmetami; priimtas biudžetas matuoja atitinkamus UTF8 baitus.
Numatyta—
Laukasinput_typeTipasstringReikalavimasNeprivalomaReikšmės ir ribos
query, passage
Numatytaquery
Laukasencoding_formatTipasstringReikalavimasNeprivalomaReikšmės ir ribos
float, base64
Numatytafloat
LaukastruncateTipasstringReikalavimasNeprivalomaReikšmės ir ribos
NONE, START, END
Numatyta—
LaukasdimensionsTipasintegerReikalavimasNeprivalomaReikšmės ir ribos
Mažiausia reikšmė: 1
Numatyta—
LaukasuserTipasstringReikalavimasNeprivalomaReikšmės ir ribosNumatyta—
Įvesties medžiagos deriniai

text_to_embedding

Metodo parametrai ir gyvavimo ciklas
ParametrasSpecifikacija
Parametrasmaterial_typesSpecifikacijatext
ParametrasrequiredSpecifikacijamodel, input
Parametrasoptional_controlsSpecifikacijanull
Parametrascontent_typeSpecifikacijaapplication/json

Gyvavimo ciklas: exact retained published method

Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo.

Planai

Ailoot metodų įkainiai

Ailoot ĮterpiniaiPOST /v1/embeddings
Įvestis
0,0001 USD / 1K

Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →

Užklausų pavyzdžiai

Ailoot · Įterpiniai

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

Gauti ir išsaugoti rezultatus

Ailoot · Įterpiniai

json

Išsaugoti visus baigtus rezultatus

Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.

Dekoduokite base64 vektorius tik tada, jei buvo prašoma šio formato; išsaugokite kiekvieną vektorių ir jo pradinį indeksą.

Jei reikia patikrinti pradinį atsakymą

Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas.

Atsakymo laukai
LaukasTipas
Laukasdata[].indexTipasinteger
Laukasdata[].embeddingTipasfinite float[]|base64 float32 vector
LaukasmodelTipasstring
LaukasusageTipasobject
Klaidos ir tolesni veiksmai
AtsakymasSąlygaKitas žingsnis
Atsakymas400 · invalid_request_errorSąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmėKitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus.

Pseudonimai

Modelių pseudonimai

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

Metodų kelių pseudonimai

Naudokite aukščiau nurodytus metodų kelius.

Susiję ID iškvietimui

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": "Netinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė", "http_status": 400, "recovery": "Prieš naują kūrimo užklausą pataisykite nurodytus laukus.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Dekoduokite base64 vektorius tik tada, jei buvo prašoma šio formato; išsaugokite kiekvieną vektorių ir jo pradinį indeksą.", "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": "Kiekviena eilutė turi būti netuščia pašalinus kraštinius tarpus; data URI atmetami; priimtas biudžetas matuoja atitinkamus UTF8 baitus.", "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": [ "Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo." ], "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": "Įterpiniai", "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

Pradžia

Llama Nemotron Embed VL v2 kuria vektorius semantinei paieškai dokumentuose. Dabartiniame Ailoot kataloge pateikta tekstinė užklausų ir medžiagos įvestis.

Leidžiamos įvestys
Tekstas
Rezultatai
embedding
Apie modelį

Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.

Rasti reikiamą puslapį pagal klausimą

NVIDIA sukūrė Llama Nemotron Embed VL 1B v2 medžiagai, padedančiai atsakyti į klausimą, ieškoti. Užklausa pateikiama tekstu. Dabartiniame Ailoot kataloge modeliui pateikta tekstinė įvestis: klausimas ir medžiaga koduojami kaip tekstas. Gamintojas taip pat aprašo dokumentą kaip puslapio vaizdą arba vaizdą kartu su išgautu tekstu. Tokiems vaizdiniams variantams reikia atskiro metodo su vaizdų palaikymu. Su atitinkama įvestimi modelis atvaizduoja lenteles, grafikus ir infografiką bendroje vektorių erdvėje.

Tokia paieška tinka klausimų ir atsakymų asistentams, dirbantiems su didele dokumentų kolekcija, vidiniais žinynais ir tyrimų medžiaga. Kodavimo rezultatas yra skaitinis vektorius. Rastą puslapį ar fragmentą tuomet galima perduoti atsakymą formuojančiam modeliui: pati Embed VL atlieka konteksto paieškos etapą.

Gamintojo dokumento variantai

  • Tekstinis dokumentas: atskiras skyrius, fragmentas arba jau atpažintas puslapio tekstas.
  • Vaizdas: visas puslapis su jo tekstu, lentelėmis ir grafiniais elementais.
  • Vaizdas su tekstu: vaizdinis puslapio pavidalas ir jo tekstinis turinys sujungiami į vieną atvaizdį.

Užklausa ir dokumentas koduojami nepriklausomai. Todėl kolekciją galima apdoroti iš anksto, išsaugoti vektorius kartu su pradiniais puslapiais, o gavus naują klausimą skaičiuoti tik užklausos vektorių. Vektorių panašumas padeda pasirinkti medžiagą pagal prasmę. Tekstiniai užklausos ir dokumento vaidmenys skiriasi; tai svarbu išlaikyti rengiant duomenis.

Atvaizdžio dydis ir įvesties ilgis

Kiekviena įvestis paverčiama vienu vektoriumi, kurio matmenų skaičius yra iki 2048. Tekstiniame režime naudojamas 8192 tokenų biudžetas. Gamintojo vaizdiniam metodui su vaizdo ir teksto deriniu aprašytas bendras 10240 tokenų biudžetas, apimantis abi dalis; tai nėra Ailoot metodo tekstinis limitas. Vaizdas skaidomas į fragmentus: aprašytoje konfigūracijoje leidžiami iki šešių fragmentų ir sumažinta viso puslapio kopija, kartu apie 1792 vaizdinių tokenų. Ilgus tekstus reikia skaidyti arba trumpinti.

Kalbinė dalis sukurta Llama 3.2 1B pagrindu, vaizdinė — SigLIP2. Jos sujungtos į koduotuvą, kuris vidurkina įvesties tokenų atvaizdžius ir pateikia vieną vektorių. Kontrastinis mokymas suartina klausimą su tinkamu puslapiu ir nutolina jį nuo nereikšmingos medžiagos. Paieška išlieka tikimybinė: vektorių artumas negarantuoja, kad pasirinktame fragmente yra teisingas atsakymas.

Prieinama Ailoot · įvestys ir metodai

Ailoot · Įterpiniai POST /v1/embeddings
Įvestis
text
Išvestis
embedding
Kontekstas
4 096 tokens
Išvesties formatas
json
LaukasTipasReikalavimasReikšmės ir ribosNumatyta
LaukasmodelTipasstringReikalavimasPrivalomaReikšmės ir ribos
nemotron-embed-vl-latest
Numatyta—
LaukasinputTipasstring|string[]ReikalavimasPrivalomaReikšmės ir ribos
Mažiausias elementų skaičius: 1
Sąlygos: Kiekviena eilutė turi būti netuščia pašalinus kraštinius tarpus; data URI atmetami; priimtas biudžetas matuoja atitinkamus UTF8 baitus.
Numatyta—
Laukasinput_typeTipasstringReikalavimasNeprivalomaReikšmės ir ribos
query, passage
Numatytaquery
Laukasencoding_formatTipasstringReikalavimasNeprivalomaReikšmės ir ribos
float, base64
Numatytafloat
LaukastruncateTipasstringReikalavimasNeprivalomaReikšmės ir ribos
NONE, START, END
Numatyta—
LaukasdimensionsTipasintegerReikalavimasNeprivalomaReikšmės ir ribos
Mažiausia reikšmė: 1
Numatyta—
LaukasuserTipasstringReikalavimasNeprivalomaReikšmės ir ribosNumatyta—
Įvesties medžiagos deriniai

text_to_embedding

Metodo parametrai ir gyvavimo ciklas
ParametrasSpecifikacija
Parametrasmaterial_typesSpecifikacijatext
ParametrasrequiredSpecifikacijamodel, input
Parametrasoptional_controlsSpecifikacijanull
Parametrascontent_typeSpecifikacijaapplication/json

Gyvavimo ciklas: exact retained published method

Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo.

Planai

Ailoot metodų įkainiai

Ailoot ĮterpiniaiPOST /v1/embeddings
Įvestis
0,0001 USD / 1K

Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →

Užklausų pavyzdžiai

Ailoot · Įterpiniai

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

Gauti ir išsaugoti rezultatus

Ailoot · Įterpiniai

json

Išsaugoti visus baigtus rezultatus

Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.

Dekoduokite base64 vektorius tik tada, jei buvo prašoma šio formato; išsaugokite kiekvieną vektorių ir jo pradinį indeksą.

Jei reikia patikrinti pradinį atsakymą

Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas.

Atsakymo laukai
LaukasTipas
Laukasdata[].indexTipasinteger
Laukasdata[].embeddingTipasfinite float[]|base64 float32 vector
LaukasmodelTipasstring
LaukasusageTipasobject
Klaidos ir tolesni veiksmai
AtsakymasSąlygaKitas žingsnis
Atsakymas400 · invalid_request_errorSąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmėKitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus.

Pseudonimai

Modelių pseudonimai

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

Metodų kelių pseudonimai

Naudokite aukščiau nurodytus metodų kelius.

Susiję ID iškvietimui

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": "Netinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė", "http_status": 400, "recovery": "Prieš naują kūrimo užklausą pataisykite nurodytus laukus.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Dekoduokite base64 vektorius tik tada, jei buvo prašoma šio formato; išsaugokite kiekvieną vektorių ir jo pradinį indeksą.", "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": "Kiekviena eilutė turi būti netuščia pašalinus kraštinius tarpus; data URI atmetami; priimtas biudžetas matuoja atitinkamus UTF8 baitus.", "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": [ "Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo." ], "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": "Įterpiniai", "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": "25c585e52a0ce9998ffc1f8913099e53973c2d645491f307b5ae25f7c0f4b7d7", "input_html_sha256": "0451c49e93abd810b36053741760a9322e0563dbe1d2be0b691053d47a5d90fe", "private_audit_sha256": "cb90ed0600c67fd0c6db0a0f75f3af09660416c331954cb9f9912dff40083740", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/lt/nvidia-llama-nemotron-embed-vl-1b-v2/", "description": "Llama Nemotron Embed VL v2 kuria vektorius semantinei paieškai dokumentuose. Dabartiniame Ailoot kataloge pateikta tekstinė užklausų ir medžiagos įvestis.", "locale": "lt", "md_url": "https://ailoot.ai/models/lt/nvidia-llama-nemotron-embed-vl-1b-v2/index.md", "title": "Llama Nemotron Embed VL 1B v2 — Ailoot", "url": "https://ailoot.ai/models/lt/nvidia-llama-nemotron-embed-vl-1b-v2/" }, "rawModel": { "about": "### Rasti reikiamą puslapį pagal klausimą\n\nNVIDIA sukūrė Llama Nemotron Embed VL 1B v2 medžiagai, padedančiai atsakyti į klausimą, ieškoti. Užklausa pateikiama tekstu. Dabartiniame Ailoot kataloge modeliui pateikta tekstinė įvestis: klausimas ir medžiaga koduojami kaip tekstas. Gamintojas taip pat aprašo dokumentą kaip puslapio vaizdą arba vaizdą kartu su išgautu tekstu. Tokiems vaizdiniams variantams reikia atskiro metodo su vaizdų palaikymu. Su atitinkama įvestimi modelis atvaizduoja lenteles, grafikus ir infografiką bendroje vektorių erdvėje.\n\nTokia paieška tinka klausimų ir atsakymų asistentams, dirbantiems su didele dokumentų kolekcija, vidiniais žinynais ir tyrimų medžiaga. Kodavimo rezultatas yra skaitinis vektorius. Rastą puslapį ar fragmentą tuomet galima perduoti atsakymą formuojančiam modeliui: pati Embed VL atlieka konteksto paieškos etapą.\n\n### Gamintojo dokumento variantai\n\n- Tekstinis dokumentas: atskiras skyrius, fragmentas arba jau atpažintas puslapio tekstas.\n- Vaizdas: visas puslapis su jo tekstu, lentelėmis ir grafiniais elementais.\n- Vaizdas su tekstu: vaizdinis puslapio pavidalas ir jo tekstinis turinys sujungiami į vieną atvaizdį.\n\nUžklausa ir dokumentas koduojami nepriklausomai. Todėl kolekciją galima apdoroti iš anksto, išsaugoti vektorius kartu su pradiniais puslapiais, o gavus naują klausimą skaičiuoti tik užklausos vektorių. Vektorių panašumas padeda pasirinkti medžiagą pagal prasmę. Tekstiniai užklausos ir dokumento vaidmenys skiriasi; tai svarbu išlaikyti rengiant duomenis.\n\n### Atvaizdžio dydis ir įvesties ilgis\n\nKiekviena įvestis paverčiama vienu vektoriumi, kurio matmenų skaičius yra iki 2048. Tekstiniame režime naudojamas 8192 tokenų biudžetas. Gamintojo vaizdiniam metodui su vaizdo ir teksto deriniu aprašytas bendras 10240 tokenų biudžetas, apimantis abi dalis; tai nėra Ailoot metodo tekstinis limitas. Vaizdas skaidomas į fragmentus: aprašytoje konfigūracijoje leidžiami iki šešių fragmentų ir sumažinta viso puslapio kopija, kartu apie 1792 vaizdinių tokenų. Ilgus tekstus reikia skaidyti arba trumpinti.\n\nKalbinė dalis sukurta Llama 3.2 1B pagrindu, vaizdinė — SigLIP2. Jos sujungtos į koduotuvą, kuris vidurkina įvesties tokenų atvaizdžius ir pateikia vieną vektorių. Kontrastinis mokymas suartina klausimą su tinkamu puslapiu ir nutolina jį nuo nereikšmingos medžiagos. Paieška išlieka tikimybinė: vektorių artumas negarantuoja, kad pasirinktame fragmente yra teisingas atsakymas.", "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": "Netinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė", "http_status": 400, "recovery": "Prieš naują kūrimo užklausą pataisykite nurodytus laukus.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Dekoduokite base64 vektorius tik tada, jei buvo prašoma šio formato; išsaugokite kiekvieną vektorių ir jo pradinį indeksą.", "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": "Kiekviena eilutė turi būti netuščia pašalinus kraštinius tarpus; data URI atmetami; priimtas biudžetas matuoja atitinkamus UTF8 baitus.", "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": [ "Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo." ], "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": "Įterpiniai", "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": "Netinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė", "http_status": 400, "recovery": "Prieš naują kūrimo užklausą pataisykite nurodytus laukus.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Dekoduokite base64 vektorius tik tada, jei buvo prašoma šio formato; išsaugokite kiekvieną vektorių ir jo pradinį indeksą.", "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": "Kiekviena eilutė turi būti netuščia pašalinus kraštinius tarpus; data URI atmetami; priimtas biudžetas matuoja atitinkamus UTF8 baitus.", "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": [ "Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo." ], "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": "Įterpiniai", "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": "Netinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė", "http_status": 400, "recovery": "Prieš naują kūrimo užklausą pataisykite nurodytus laukus.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Dekoduokite base64 vektorius tik tada, jei buvo prašoma šio formato; išsaugokite kiekvieną vektorių ir jo pradinį indeksą.", "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": "Kiekviena eilutė turi būti netuščia pašalinus kraštinius tarpus; data URI atmetami; priimtas biudžetas matuoja atitinkamus UTF8 baitus.", "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": [ "Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo." ], "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": "Įterpiniai", "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 v2 kuria vektorius semantinei paieškai dokumentuose. Dabartiniame Ailoot kataloge pateikta tekstinė užklausų ir medžiagos įvestis." }, "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 v2 kuria vektorius semantinei paieškai dokumentuose. Dabartiniame Ailoot kataloge pateikta tekstinė užklausų ir medžiagos įvestis.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "16eb745c6abcf83e23f161520d7051638f0a9819d11da7b304c408546940559c", "renderer_sha256": "57bd2f8a61f57d341aae369006eca818e3eea645ec43af488ec7b2289eeca772" }, "sourceRevision": "f66ab650ab888329ca6af4aabc3ffa16356d86ebafd3c53ffed8839d9442b2c0" }