{ "aboutHtml": "

Nemotron 3 Embed 1B — NVIDIA tekstinis modelis paieškai pagal prasmę ir fragmentų palyginimui. Jis koduoja klausimus, dokumentus ir programų kodą į tankiuosius skaitinius vektorius. Šie atvaizdžiai naudojami reikiamam kontekstui didelėse kolekcijose rasti, asistento atsakymui juo papildyti arba anksčiau išsaugotai informacijai išgauti kitam agento žingsniui.

Daugiakalbės žinios ir kodas

Modelis skirtas daugiakalbei ir tarpkalbinei paieškai: klausimas ir tinkama medžiaga gali būti parašyti skirtingomis kalbomis. Rusų kalba įtraukta į paskelbtą 34 kalbų rinkinį kartu su anglų, ukrainiečių, kinų, japonų, arabų ir kitomis. Tai naudinga bendroms žinių bazėms, kuriose techniniai dokumentai ir naudotojų užklausos nėra suvienodinti į vieną kalbą.

Tarp užduočių yra paieška dokumentacijoje, tekstų palyginimas ir kodo išgavimas pagal žodinį aprašymą. Didelis įvesties langas leidžia dirbti su ilgais dokumentais, dideliu programiniu kontekstu ir kelių agento žingsnių istorija. Rasta medžiaga grąžinama į tolesnį procesą kaip kontekstas; galutinius paaiškinimus ir atsakymus formuoja kitas sistemos komponentas.

Nuo teksto prie vektoriaus

Įvestis yra teksto eilutės. Kiekvienai eilutei gaunamas vienas vektorius iš 2048 skaičių. Didžiausias sekos ilgis yra 32768 tokenų; ilgesnę medžiagą reikia skaidyti į dalis arba trumpinti. Rengiant įvestį atskiriami klausimas ir dokumentas: modelis mokytas susieti jų vaidmenis, todėl tos pačios eilutės šiose dviejose užduotyse negalima pateikti neatsižvelgiant į paskirtį.

Vektoriai normalizuojami pagal ilgį. Tokiuose atvaizdžiuose skaliarinė sandauga ir kosinuso panašumas suteikia lygiavertį palyginimo būdą. Galima palikti pirmąsias 1024 arba 512 viso vektoriaus koordinates, tačiau po sutrumpinimo reikia iš naujo atlikti normalizavimą. Tai rezultato apdorojimo savybė; kolekcijos ir užklausų matmenų skaičių reikia pasirinkti suderintai.

Kompaktiško modelio sandara

Koduotuve yra apie 1,14 mlrd. parametrų. Jis gautas iš Ministral 3 3B pagrindu sukurto modelio per du struktūrinio mažinimo ir distiliavimo etapus. Dvikryptis dėmesys atsižvelgia į visą įvestį, tuomet tokenų atvaizdžiai vidurkinami į bendrą vektorių.

NVIDIA išleidžia BF16 ir NVFP4 variantus. Jų atvaizdžių erdvės artimos, tačiau keičiant variantą reikia patikrinti su savo dokumentais. Nei skaitinis panašumas, nei konteksto ilgis negarantuoja, kad paieška visada pasirinks tinkamą fragmentą.

", "aboutText": "Nemotron 3 Embed 1B — NVIDIA tekstinis modelis paieškai pagal prasmę ir fragmentų palyginimui. Jis koduoja klausimus, dokumentus ir programų kodą į tankiuosius skaitinius vektorius. Šie atvaizdžiai naudojami reikiamam kontekstui didelėse kolekcijose rasti, asistento atsakymui juo papildyti arba anksčiau išsaugotai informacijai išgauti kitam agento žingsniui.\n\n### Daugiakalbės žinios ir kodas\n\nModelis skirtas daugiakalbei ir tarpkalbinei paieškai: klausimas ir tinkama medžiaga gali būti parašyti skirtingomis kalbomis. Rusų kalba įtraukta į paskelbtą 34 kalbų rinkinį kartu su anglų, ukrainiečių, kinų, japonų, arabų ir kitomis. Tai naudinga bendroms žinių bazėms, kuriose techniniai dokumentai ir naudotojų užklausos nėra suvienodinti į vieną kalbą.\n\nTarp užduočių yra paieška dokumentacijoje, tekstų palyginimas ir kodo išgavimas pagal žodinį aprašymą. Didelis įvesties langas leidžia dirbti su ilgais dokumentais, dideliu programiniu kontekstu ir kelių agento žingsnių istorija. Rasta medžiaga grąžinama į tolesnį procesą kaip kontekstas; galutinius paaiškinimus ir atsakymus formuoja kitas sistemos komponentas.\n\n### Nuo teksto prie vektoriaus\n\nĮvestis yra teksto eilutės. Kiekvienai eilutei gaunamas vienas vektorius iš 2048 skaičių. Didžiausias sekos ilgis yra 32768 tokenų; ilgesnę medžiagą reikia skaidyti į dalis arba trumpinti. Rengiant įvestį atskiriami klausimas ir dokumentas: modelis mokytas susieti jų vaidmenis, todėl tos pačios eilutės šiose dviejose užduotyse negalima pateikti neatsižvelgiant į paskirtį.\n\nVektoriai normalizuojami pagal ilgį. Tokiuose atvaizdžiuose skaliarinė sandauga ir kosinuso panašumas suteikia lygiavertį palyginimo būdą. Galima palikti pirmąsias 1024 arba 512 viso vektoriaus koordinates, tačiau po sutrumpinimo reikia iš naujo atlikti normalizavimą. Tai rezultato apdorojimo savybė; kolekcijos ir užklausų matmenų skaičių reikia pasirinkti suderintai.\n\n### Kompaktiško modelio sandara\n\nKoduotuve yra apie 1,14 mlrd. parametrų. Jis gautas iš Ministral 3 3B pagrindu sukurto modelio per du struktūrinio mažinimo ir distiliavimo etapus. Dvikryptis dėmesys atsižvelgia į visą įvestį, tuomet tokenų atvaizdžiai vidurkinami į bendrą vektorių.\n\nNVIDIA išleidžia BF16 ir NVFP4 variantus. Jų atvaizdžių erdvės artimos, tačiau keičiant variantą reikia patikrinti su savo dokumentais. Nei skaitinis panašumas, nei konteksto ilgis negarantuoja, kad paieška visada pasirinks tinkamą fragmentą.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5266e715f8a5fbfa1fa2d3babc0be6d506963ee209b5d7225ad9235aacbee86c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "lt", "methods": [ { "html": "
NV

Nemotron 3 Embed 1B

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

Pradžia

Nemotron 3 Embed 1B paverčia tekstus vektoriais daugiakalbei paieškai, kodo paieškai ir RAG. Apdoroja iki 32768 tokenų sekas ir pateikia 2048 skaičių atvaizdį.

Leidžiamos įvestys
Tekstas
Rezultatai
embedding
Apie modelį

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

Nemotron 3 Embed 1B — NVIDIA tekstinis modelis paieškai pagal prasmę ir fragmentų palyginimui. Jis koduoja klausimus, dokumentus ir programų kodą į tankiuosius skaitinius vektorius. Šie atvaizdžiai naudojami reikiamam kontekstui didelėse kolekcijose rasti, asistento atsakymui juo papildyti arba anksčiau išsaugotai informacijai išgauti kitam agento žingsniui.

Daugiakalbės žinios ir kodas

Modelis skirtas daugiakalbei ir tarpkalbinei paieškai: klausimas ir tinkama medžiaga gali būti parašyti skirtingomis kalbomis. Rusų kalba įtraukta į paskelbtą 34 kalbų rinkinį kartu su anglų, ukrainiečių, kinų, japonų, arabų ir kitomis. Tai naudinga bendroms žinių bazėms, kuriose techniniai dokumentai ir naudotojų užklausos nėra suvienodinti į vieną kalbą.

Tarp užduočių yra paieška dokumentacijoje, tekstų palyginimas ir kodo išgavimas pagal žodinį aprašymą. Didelis įvesties langas leidžia dirbti su ilgais dokumentais, dideliu programiniu kontekstu ir kelių agento žingsnių istorija. Rasta medžiaga grąžinama į tolesnį procesą kaip kontekstas; galutinius paaiškinimus ir atsakymus formuoja kitas sistemos komponentas.

Nuo teksto prie vektoriaus

Įvestis yra teksto eilutės. Kiekvienai eilutei gaunamas vienas vektorius iš 2048 skaičių. Didžiausias sekos ilgis yra 32768 tokenų; ilgesnę medžiagą reikia skaidyti į dalis arba trumpinti. Rengiant įvestį atskiriami klausimas ir dokumentas: modelis mokytas susieti jų vaidmenis, todėl tos pačios eilutės šiose dviejose užduotyse negalima pateikti neatsižvelgiant į paskirtį.

Vektoriai normalizuojami pagal ilgį. Tokiuose atvaizdžiuose skaliarinė sandauga ir kosinuso panašumas suteikia lygiavertį palyginimo būdą. Galima palikti pirmąsias 1024 arba 512 viso vektoriaus koordinates, tačiau po sutrumpinimo reikia iš naujo atlikti normalizavimą. Tai rezultato apdorojimo savybė; kolekcijos ir užklausų matmenų skaičių reikia pasirinkti suderintai.

Kompaktiško modelio sandara

Koduotuve yra apie 1,14 mlrd. parametrų. Jis gautas iš Ministral 3 3B pagrindu sukurto modelio per du struktūrinio mažinimo ir distiliavimo etapus. Dvikryptis dėmesys atsižvelgia į visą įvestį, tuomet tokenų atvaizdžiai vidurkinami į bendrą vektorių.

NVIDIA išleidžia BF16 ir NVFP4 variantus. Jų atvaizdžių erdvės artimos, tačiau keičiant variantą reikia patikrinti su savo dokumentais. Nei skaitinis panašumas, nei konteksto ilgis negarantuoja, kad paieška visada pasirinks tinkamą fragmentą.

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/nemotron-3-embed-1b
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/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

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

Metodų kelių pseudonimai

Naudokite aukščiau nurodytus metodų kelius.

Susiję ID iškvietimui

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": "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/nemotron-3-embed-1b" ], "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/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": "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/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

Pradžia

Nemotron 3 Embed 1B paverčia tekstus vektoriais daugiakalbei paieškai, kodo paieškai ir RAG. Apdoroja iki 32768 tokenų sekas ir pateikia 2048 skaičių atvaizdį.

Leidžiamos įvestys
Tekstas
Rezultatai
embedding
Apie modelį

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

Nemotron 3 Embed 1B — NVIDIA tekstinis modelis paieškai pagal prasmę ir fragmentų palyginimui. Jis koduoja klausimus, dokumentus ir programų kodą į tankiuosius skaitinius vektorius. Šie atvaizdžiai naudojami reikiamam kontekstui didelėse kolekcijose rasti, asistento atsakymui juo papildyti arba anksčiau išsaugotai informacijai išgauti kitam agento žingsniui.

Daugiakalbės žinios ir kodas

Modelis skirtas daugiakalbei ir tarpkalbinei paieškai: klausimas ir tinkama medžiaga gali būti parašyti skirtingomis kalbomis. Rusų kalba įtraukta į paskelbtą 34 kalbų rinkinį kartu su anglų, ukrainiečių, kinų, japonų, arabų ir kitomis. Tai naudinga bendroms žinių bazėms, kuriose techniniai dokumentai ir naudotojų užklausos nėra suvienodinti į vieną kalbą.

Tarp užduočių yra paieška dokumentacijoje, tekstų palyginimas ir kodo išgavimas pagal žodinį aprašymą. Didelis įvesties langas leidžia dirbti su ilgais dokumentais, dideliu programiniu kontekstu ir kelių agento žingsnių istorija. Rasta medžiaga grąžinama į tolesnį procesą kaip kontekstas; galutinius paaiškinimus ir atsakymus formuoja kitas sistemos komponentas.

Nuo teksto prie vektoriaus

Įvestis yra teksto eilutės. Kiekvienai eilutei gaunamas vienas vektorius iš 2048 skaičių. Didžiausias sekos ilgis yra 32768 tokenų; ilgesnę medžiagą reikia skaidyti į dalis arba trumpinti. Rengiant įvestį atskiriami klausimas ir dokumentas: modelis mokytas susieti jų vaidmenis, todėl tos pačios eilutės šiose dviejose užduotyse negalima pateikti neatsižvelgiant į paskirtį.

Vektoriai normalizuojami pagal ilgį. Tokiuose atvaizdžiuose skaliarinė sandauga ir kosinuso panašumas suteikia lygiavertį palyginimo būdą. Galima palikti pirmąsias 1024 arba 512 viso vektoriaus koordinates, tačiau po sutrumpinimo reikia iš naujo atlikti normalizavimą. Tai rezultato apdorojimo savybė; kolekcijos ir užklausų matmenų skaičių reikia pasirinkti suderintai.

Kompaktiško modelio sandara

Koduotuve yra apie 1,14 mlrd. parametrų. Jis gautas iš Ministral 3 3B pagrindu sukurto modelio per du struktūrinio mažinimo ir distiliavimo etapus. Dvikryptis dėmesys atsižvelgia į visą įvestį, tuomet tokenų atvaizdžiai vidurkinami į bendrą vektorių.

NVIDIA išleidžia BF16 ir NVFP4 variantus. Jų atvaizdžių erdvės artimos, tačiau keičiant variantą reikia patikrinti su savo dokumentais. Nei skaitinis panašumas, nei konteksto ilgis negarantuoja, kad paieška visada pasirinks tinkamą fragmentą.

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-3-embed
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-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

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

Metodų kelių pseudonimai

Naudokite aukščiau nurodytus metodų kelius.

Susiję ID iškvietimui

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": "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-3-embed" ], "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-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": "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-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

Pradžia

Nemotron 3 Embed 1B paverčia tekstus vektoriais daugiakalbei paieškai, kodo paieškai ir RAG. Apdoroja iki 32768 tokenų sekas ir pateikia 2048 skaičių atvaizdį.

Leidžiamos įvestys
Tekstas
Rezultatai
embedding
Apie modelį

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

Nemotron 3 Embed 1B — NVIDIA tekstinis modelis paieškai pagal prasmę ir fragmentų palyginimui. Jis koduoja klausimus, dokumentus ir programų kodą į tankiuosius skaitinius vektorius. Šie atvaizdžiai naudojami reikiamam kontekstui didelėse kolekcijose rasti, asistento atsakymui juo papildyti arba anksčiau išsaugotai informacijai išgauti kitam agento žingsniui.

Daugiakalbės žinios ir kodas

Modelis skirtas daugiakalbei ir tarpkalbinei paieškai: klausimas ir tinkama medžiaga gali būti parašyti skirtingomis kalbomis. Rusų kalba įtraukta į paskelbtą 34 kalbų rinkinį kartu su anglų, ukrainiečių, kinų, japonų, arabų ir kitomis. Tai naudinga bendroms žinių bazėms, kuriose techniniai dokumentai ir naudotojų užklausos nėra suvienodinti į vieną kalbą.

Tarp užduočių yra paieška dokumentacijoje, tekstų palyginimas ir kodo išgavimas pagal žodinį aprašymą. Didelis įvesties langas leidžia dirbti su ilgais dokumentais, dideliu programiniu kontekstu ir kelių agento žingsnių istorija. Rasta medžiaga grąžinama į tolesnį procesą kaip kontekstas; galutinius paaiškinimus ir atsakymus formuoja kitas sistemos komponentas.

Nuo teksto prie vektoriaus

Įvestis yra teksto eilutės. Kiekvienai eilutei gaunamas vienas vektorius iš 2048 skaičių. Didžiausias sekos ilgis yra 32768 tokenų; ilgesnę medžiagą reikia skaidyti į dalis arba trumpinti. Rengiant įvestį atskiriami klausimas ir dokumentas: modelis mokytas susieti jų vaidmenis, todėl tos pačios eilutės šiose dviejose užduotyse negalima pateikti neatsižvelgiant į paskirtį.

Vektoriai normalizuojami pagal ilgį. Tokiuose atvaizdžiuose skaliarinė sandauga ir kosinuso panašumas suteikia lygiavertį palyginimo būdą. Galima palikti pirmąsias 1024 arba 512 viso vektoriaus koordinates, tačiau po sutrumpinimo reikia iš naujo atlikti normalizavimą. Tai rezultato apdorojimo savybė; kolekcijos ir užklausų matmenų skaičių reikia pasirinkti suderintai.

Kompaktiško modelio sandara

Koduotuve yra apie 1,14 mlrd. parametrų. Jis gautas iš Ministral 3 3B pagrindu sukurto modelio per du struktūrinio mažinimo ir distiliavimo etapus. Dvikryptis dėmesys atsižvelgia į visą įvestį, tuomet tokenų atvaizdžiai vidurkinami į bendrą vektorių.

NVIDIA išleidžia BF16 ir NVFP4 variantus. Jų atvaizdžių erdvės artimos, tačiau keičiant variantą reikia patikrinti su savo dokumentais. Nei skaitinis panašumas, nei konteksto ilgis negarantuoja, kad paieška visada pasirinks tinkamą fragmentą.

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-3-embed-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-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

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

Metodų kelių pseudonimai

Naudokite aukščiau nurodytus metodų kelius.

Susiję ID iškvietimui

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": "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-3-embed-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-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": "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-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": "65fe2b8b348e1db763ad8c56db2a4982c5f242a60fc5b2a9c66cd59845097acb", "input_html_sha256": "d2ec610322f01ea5b98efbd7d6b4ed10fde781e6100fee63b654c65ac9e43b17", "private_audit_sha256": "dcd98c4a7787215ac09945408f8c13249b1dd919a889a58bbb89e4eb5284d7e5", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/lt/nvidia-nemotron-3-embed-1b/", "description": "Nemotron 3 Embed 1B paverčia tekstus vektoriais daugiakalbei paieškai, kodo paieškai ir RAG. Apdoroja iki 32768 tokenų sekas ir pateikia 2048 skaičių atvaizdį.", "locale": "lt", "md_url": "https://ailoot.ai/models/lt/nvidia-nemotron-3-embed-1b/index.md", "title": "Nemotron 3 Embed 1B — Ailoot", "url": "https://ailoot.ai/models/lt/nvidia-nemotron-3-embed-1b/" }, "rawModel": { "about": "Nemotron 3 Embed 1B — NVIDIA tekstinis modelis paieškai pagal prasmę ir fragmentų palyginimui. Jis koduoja klausimus, dokumentus ir programų kodą į tankiuosius skaitinius vektorius. Šie atvaizdžiai naudojami reikiamam kontekstui didelėse kolekcijose rasti, asistento atsakymui juo papildyti arba anksčiau išsaugotai informacijai išgauti kitam agento žingsniui.\n\n### Daugiakalbės žinios ir kodas\n\nModelis skirtas daugiakalbei ir tarpkalbinei paieškai: klausimas ir tinkama medžiaga gali būti parašyti skirtingomis kalbomis. Rusų kalba įtraukta į paskelbtą 34 kalbų rinkinį kartu su anglų, ukrainiečių, kinų, japonų, arabų ir kitomis. Tai naudinga bendroms žinių bazėms, kuriose techniniai dokumentai ir naudotojų užklausos nėra suvienodinti į vieną kalbą.\n\nTarp užduočių yra paieška dokumentacijoje, tekstų palyginimas ir kodo išgavimas pagal žodinį aprašymą. Didelis įvesties langas leidžia dirbti su ilgais dokumentais, dideliu programiniu kontekstu ir kelių agento žingsnių istorija. Rasta medžiaga grąžinama į tolesnį procesą kaip kontekstas; galutinius paaiškinimus ir atsakymus formuoja kitas sistemos komponentas.\n\n### Nuo teksto prie vektoriaus\n\nĮvestis yra teksto eilutės. Kiekvienai eilutei gaunamas vienas vektorius iš 2048 skaičių. Didžiausias sekos ilgis yra 32768 tokenų; ilgesnę medžiagą reikia skaidyti į dalis arba trumpinti. Rengiant įvestį atskiriami klausimas ir dokumentas: modelis mokytas susieti jų vaidmenis, todėl tos pačios eilutės šiose dviejose užduotyse negalima pateikti neatsižvelgiant į paskirtį.\n\nVektoriai normalizuojami pagal ilgį. Tokiuose atvaizdžiuose skaliarinė sandauga ir kosinuso panašumas suteikia lygiavertį palyginimo būdą. Galima palikti pirmąsias 1024 arba 512 viso vektoriaus koordinates, tačiau po sutrumpinimo reikia iš naujo atlikti normalizavimą. Tai rezultato apdorojimo savybė; kolekcijos ir užklausų matmenų skaičių reikia pasirinkti suderintai.\n\n### Kompaktiško modelio sandara\n\nKoduotuve yra apie 1,14 mlrd. parametrų. Jis gautas iš Ministral 3 3B pagrindu sukurto modelio per du struktūrinio mažinimo ir distiliavimo etapus. Dvikryptis dėmesys atsižvelgia į visą įvestį, tuomet tokenų atvaizdžiai vidurkinami į bendrą vektorių.\n\nNVIDIA išleidžia BF16 ir NVFP4 variantus. Jų atvaizdžių erdvės artimos, tačiau keičiant variantą reikia patikrinti su savo dokumentais. Nei skaitinis panašumas, nei konteksto ilgis negarantuoja, kad paieška visada pasirinks tinkamą fragmentą.", "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": "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/nemotron-3-embed-1b" ], "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/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": "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/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": "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-3-embed" ], "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-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": "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-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": "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-3-embed-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-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": "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-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 1B paverčia tekstus vektoriais daugiakalbei paieškai, kodo paieškai ir RAG. Apdoroja iki 32768 tokenų sekas ir pateikia 2048 skaičių atvaizdį." }, "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 1B paverčia tekstus vektoriais daugiakalbei paieškai, kodo paieškai ir RAG. Apdoroja iki 32768 tokenų sekas ir pateikia 2048 skaičių atvaizdį.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "49877369843b0b2ffe5007bc3717dd866cd2763a9d0a82f582509da1c4f77d94", "renderer_sha256": "57bd2f8a61f57d341aae369006eca818e3eea645ec43af488ec7b2289eeca772" }, "sourceRevision": "757e4b3ef07684c24fddde0729d933a264d0e5ea047ee200aa944b17eee3a923" }