Llama Nemotron Embed VL 1B v2
Llama Nemotron Embed VL v2 menghasilkan vektor untuk carian semantik dokumen. Katalog Ailoot semasa menyediakan input teks untuk pertanyaan dan bahan.
- Ailoot · Pembenaman
POST /v1/embeddingsnvidia/llama-nemotron-embed-vl-1b-v2 - Ailoot · Pembenaman
POST /v1/embeddingsnemotron-embed-vl - Ailoot · Pembenaman
POST /v1/embeddingsnemotron-embed-vl-latest
Tentang model
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mencari halaman yang diperlukan berdasarkan soalan
Llama Nemotron Embed VL 1B v2 dibangunkan oleh NVIDIA untuk mencari bahan yang membantu menjawab soalan. Pertanyaan diberikan dalam teks. Katalog Ailoot semasa menyediakan input teks bagi model ini: soalan dan bahan dikodkan sebagai teks. Pengeluar turut menerangkan dokumen dalam bentuk imej halaman atau imej bersama teks yang diekstrak. Varian visual ini memerlukan kaedah berasingan dengan sokongan imej. Dengan input yang sepadan, model mewakili jadual, graf dan infografik dalam ruang vektor bersama.
Carian sebegini sesuai untuk pembantu soal jawab berdasarkan koleksi dokumen besar, rujukan dalaman dan bahan penyelidikan. Hasil pengekodan ialah vektor angka. Halaman atau petikan yang ditemui kemudian boleh diberikan kepada model yang menghasilkan respons: Embed VL sendiri melaksanakan peringkat pencarian konteks.
Varian dokumen pengeluar
- Dokumen teks: bahagian berasingan, petikan atau teks halaman yang telah dikenal pasti.
- Imej: keseluruhan halaman dengan teks, jadual dan unsur grafiknya.
- Imej bersama teks: rupa visual halaman dan kandungan teksnya digabungkan dalam satu perwakilan.
Pertanyaan dan dokumen dikodkan secara bebas. Oleh itu, koleksi boleh diproses terlebih dahulu, vektor disimpan bersama halaman asal dan hanya vektor pertanyaan dikira apabila soalan baharu diterima. Keserupaan vektor membantu memilih bahan berdasarkan makna. Peranan teks pertanyaan dan dokumen berbeza, dan perbezaan ini perlu dikekalkan semasa penyediaan data.
Saiz perwakilan dan panjang input
Setiap input ditukarkan kepada satu vektor dengan dimensi sehingga 2048 nombor. Mod teks menggunakan bajet 8192 token. Kaedah visual pengeluar yang menggabungkan imej dan teks menerangkan bajet keseluruhan 10240 token yang merangkumi kedua-dua bahagian; ini bukan had teks kaedah Ailoot. Imej dibahagikan kepada petikan: konfigurasi yang diterangkan membenarkan sehingga enam petikan dan salinan kecil keseluruhan halaman, bersama-sama kira-kira 1792 token visual. Teks panjang perlu dibahagikan atau dipendekkan.
Bahagian bahasa dibina berdasarkan Llama 3.2 1B, manakala bahagian visual berdasarkan SigLIP2. Kedua-duanya digabungkan dalam pengekod yang mengambil purata perwakilan token input dan menghasilkan satu vektor. Latihan kontrastif mendekatkan soalan dengan halaman yang sesuai dan menjauhkannya daripada bahan tidak relevan. Carian kekal bersifat kebarangkalian: kedekatan vektor tidak menjamin bahawa petikan yang dipilih mengandungi jawapan yang betul.
Ailoot · Pembenaman POST /v1/embeddings nvidia/llama-nemotron-embed-vl-1b-v2
nvidia/llama-nemotron-embed-vl-1b-v2
nvidia/llama-nemotron-embed-vl-1b-v2nvidia/llama-nemotron-embed-vl-1b-v2nemotron-embed-vlnemotron-embed-vl-latest
Pengenalan
Llama Nemotron Embed VL v2 menghasilkan vektor untuk carian semantik dokumen. Katalog Ailoot semasa menyediakan input teks untuk pertanyaan dan bahan.
- Input yang diterima
- Teks
- Hasil
- embedding
Tersedia di Ailoot · input & kaedah
Ailoot · Pembenaman POST /v1/embeddings
- Input
text- Output
embedding- Konteks
- 4,096 tokens
- Format output
- json
| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had nvidia/llama-nemotron-embed-vl-1b-v2 | Lalai— |
Medaninput | Jenisstring|string[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 Syarat: Setiap rentetan mesti tidak kosong selepas trim; URI data ditolak; belanjawan yang diterima mengukur bait UTF8 yang berkaitan. | Lalai— |
Medaninput_type | Jenisstring | KeperluanPilihan | Nilai & had query, passage | Lalaiquery |
Medanencoding_format | Jenisstring | KeperluanPilihan | Nilai & had float, base64 | Lalaifloat |
Medantruncate | Jenisstring | KeperluanPilihan | Nilai & had NONE, START, END | Lalai— |
Medandimensions | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 | Lalai— |
Medanuser | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Gabungan bahan input
text_to_embedding
Parameter kaedah dan kitar hayat
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext |
Parameterrequired | Kontrakmodel, input |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
Pelan harga
Kadar kaedah Ailoot
POST /v1/embeddings- Input
- USD 0.0001 / 1K
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Contoh permintaan
Ailoot · Pembenaman
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "nvidia/llama-nemotron-embed-vl-1b-v2", "input": []}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=[text]
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
Terima dan simpan hasil
Ailoot · Pembenaman
json
Simpan semua hasil yang selesai
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Nyahkod vektor base64 hanya apabila format tersebut diminta; simpan setiap vektor berserta indeks asalnya.
Jika respons asal perlu disemak
Tiada titik akhir tugas pembenaman diperkenalkan.
Medan respons
| Medan | Jenis |
|---|---|
Medandata[].index | Jenisinteger |
Medandata[].embedding | Jenisfinite float[]|base64 float32 vector |
Medanmodel | Jenisstring |
Medanusage | Jenisobject |
Ralat dan langkah seterusnya
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Alias
Alias model
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Alias laluan kaedah
Gunakan laluan kaedah yang dipaparkan di atas.
ID pemanggil berkaitan
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Ailoot · Pembenaman POST /v1/embeddings nemotron-embed-vl
nemotron-embed-vlnvidia/llama-nemotron-embed-vl-1b-v2nemotron-embed-vlnemotron-embed-vl-latest
Pengenalan
Llama Nemotron Embed VL v2 menghasilkan vektor untuk carian semantik dokumen. Katalog Ailoot semasa menyediakan input teks untuk pertanyaan dan bahan.
- Input yang diterima
- Teks
- Hasil
- embedding
Tersedia di Ailoot · input & kaedah
Ailoot · Pembenaman POST /v1/embeddings
- Input
text- Output
embedding- Konteks
- 4,096 tokens
- Format output
- json
| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had nemotron-embed-vl | Lalai— |
Medaninput | Jenisstring|string[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 Syarat: Setiap rentetan mesti tidak kosong selepas trim; URI data ditolak; belanjawan yang diterima mengukur bait UTF8 yang berkaitan. | Lalai— |
Medaninput_type | Jenisstring | KeperluanPilihan | Nilai & had query, passage | Lalaiquery |
Medanencoding_format | Jenisstring | KeperluanPilihan | Nilai & had float, base64 | Lalaifloat |
Medantruncate | Jenisstring | KeperluanPilihan | Nilai & had NONE, START, END | Lalai— |
Medandimensions | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 | Lalai— |
Medanuser | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Gabungan bahan input
text_to_embedding
Parameter kaedah dan kitar hayat
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext |
Parameterrequired | Kontrakmodel, input |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
Pelan harga
Kadar kaedah Ailoot
POST /v1/embeddings- Input
- USD 0.0001 / 1K
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Contoh permintaan
Ailoot · Pembenaman
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "nemotron-embed-vl", "input": []}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=[text]
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
Terima dan simpan hasil
Ailoot · Pembenaman
json
Simpan semua hasil yang selesai
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Nyahkod vektor base64 hanya apabila format tersebut diminta; simpan setiap vektor berserta indeks asalnya.
Jika respons asal perlu disemak
Tiada titik akhir tugas pembenaman diperkenalkan.
Medan respons
| Medan | Jenis |
|---|---|
Medandata[].index | Jenisinteger |
Medandata[].embedding | Jenisfinite float[]|base64 float32 vector |
Medanmodel | Jenisstring |
Medanusage | Jenisobject |
Ralat dan langkah seterusnya
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Alias
Alias model
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Alias laluan kaedah
Gunakan laluan kaedah yang dipaparkan di atas.
ID pemanggil berkaitan
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Ailoot · Pembenaman POST /v1/embeddings nemotron-embed-vl-latest
nemotron-embed-vl-latestnvidia/llama-nemotron-embed-vl-1b-v2nemotron-embed-vlnemotron-embed-vl-latest
Pengenalan
Llama Nemotron Embed VL v2 menghasilkan vektor untuk carian semantik dokumen. Katalog Ailoot semasa menyediakan input teks untuk pertanyaan dan bahan.
- Input yang diterima
- Teks
- Hasil
- embedding
Tersedia di Ailoot · input & kaedah
Ailoot · Pembenaman POST /v1/embeddings
- Input
text- Output
embedding- Konteks
- 4,096 tokens
- Format output
- json
| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had nemotron-embed-vl-latest | Lalai— |
Medaninput | Jenisstring|string[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 Syarat: Setiap rentetan mesti tidak kosong selepas trim; URI data ditolak; belanjawan yang diterima mengukur bait UTF8 yang berkaitan. | Lalai— |
Medaninput_type | Jenisstring | KeperluanPilihan | Nilai & had query, passage | Lalaiquery |
Medanencoding_format | Jenisstring | KeperluanPilihan | Nilai & had float, base64 | Lalaifloat |
Medantruncate | Jenisstring | KeperluanPilihan | Nilai & had NONE, START, END | Lalai— |
Medandimensions | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 | Lalai— |
Medanuser | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Gabungan bahan input
text_to_embedding
Parameter kaedah dan kitar hayat
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext |
Parameterrequired | Kontrakmodel, input |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
Pelan harga
Kadar kaedah Ailoot
POST /v1/embeddings- Input
- USD 0.0001 / 1K
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Contoh permintaan
Ailoot · Pembenaman
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "nemotron-embed-vl-latest", "input": []}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=[text]
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
Terima dan simpan hasil
Ailoot · Pembenaman
json
Simpan semua hasil yang selesai
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Nyahkod vektor base64 hanya apabila format tersebut diminta; simpan setiap vektor berserta indeks asalnya.
Jika respons asal perlu disemak
Tiada titik akhir tugas pembenaman diperkenalkan.
Medan respons
| Medan | Jenis |
|---|---|
Medandata[].index | Jenisinteger |
Medandata[].embedding | Jenisfinite float[]|base64 float32 vector |
Medanmodel | Jenisstring |
Medanusage | Jenisobject |
Ralat dan langkah seterusnya
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Alias
Alias model
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Alias laluan kaedah
Gunakan laluan kaedah yang dipaparkan di atas.
ID pemanggil berkaitan
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
FAQ · nvidia/llama-nemotron-embed-vl-1b-v2
- Apakah input dan hasil yang tersedia?
POST /v1/embeddings·nvidia/llama-nemotron-embed-vl-1b-v2:text→embeddingPOST /v1/embeddings·nemotron-embed-vl:text→embeddingPOST /v1/embeddings·nemotron-embed-vl-latest:text→embedding- Apakah medan yang digunakan oleh permintaan?
POST /v1/embeddings·nvidia/llama-nemotron-embed-vl-1b-v2:model,input,input_type,encoding_format,truncate,dimensions,userPOST /v1/embeddings·nemotron-embed-vl:model,input,input_type,encoding_format,truncate,dimensions,userPOST /v1/embeddings·nemotron-embed-vl-latest:model,input,input_type,encoding_format,truncate,dimensions,user- Apakah had yang terpakai?
POST /v1/embeddings·nvidia/llama-nemotron-embed-vl-1b-v2:ctx:4096;input.min_items:1;dimensions.minimum:1POST /v1/embeddings·nemotron-embed-vl:ctx:4096;input.min_items:1;dimensions.minimum:1POST /v1/embeddings·nemotron-embed-vl-latest:ctx:4096;input.min_items:1;dimensions.minimum:1