{ "aboutHtml": "

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

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.

", "aboutText": "### Mencari halaman yang diperlukan berdasarkan soalan\n\nLlama 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.\n\nCarian 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.\n\n### Varian dokumen pengeluar\n\n- Dokumen teks: bahagian berasingan, petikan atau teks halaman yang telah dikenal pasti.\n- Imej: keseluruhan halaman dengan teks, jadual dan unsur grafiknya.\n- Imej bersama teks: rupa visual halaman dan kandungan teksnya digabungkan dalam satu perwakilan.\n\nPertanyaan 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.\n\n### Saiz perwakilan dan panjang input\n\nSetiap 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.\n\nBahagian 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5f0ef6edc8e310dafdd9ad685957174d560a8c7c706666b10bc6f7085e48283b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
NV

Llama Nemotron Embed VL 1B v2

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

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
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.

Tersedia di Ailoot · input & kaedah

Ailoot · Pembenaman POST /v1/embeddings
Input
text
Output
embedding
Konteks
4,096 tokens
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
nvidia/llama-nemotron-embed-vl-1b-v2
Lalai—
MedaninputJenisstring|string[]KeperluanDiperlukanNilai & 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_typeJenisstringKeperluanPilihanNilai & had
query, passage
Lalaiquery
Medanencoding_formatJenisstringKeperluanPilihanNilai & had
float, base64
Lalaifloat
MedantruncateJenisstringKeperluanPilihanNilai & had
NONE, START, END
Lalai—
MedandimensionsJenisintegerKeperluanPilihanNilai & had
Minimum: 1
Lalai—
MedanuserJenisstringKeperluanPilihanNilai & hadLalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametermaterial_typesKontraktext
ParameterrequiredKontrakmodel, input
Parameteroptional_controlsKontraknull
Parametercontent_typeKontrakapplication/json

Kitar hayat: exact retained published method

Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.

Pelan harga

Kadar kaedah Ailoot

Ailoot PembenamanPOST /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\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

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
MedanJenis
Medandata[].indexJenisinteger
Medandata[].embeddingJenisfinite float[]|base64 float32 vector
MedanmodelJenisstring
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah 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

", "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Nyahkod vektor base64 hanya apabila format tersebut diminta; simpan setiap vektor berserta indeks asalnya.", "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": "Setiap rentetan mesti tidak kosong selepas trim; URI data ditolak; belanjawan yang diterima mengukur bait UTF8 yang berkaitan.", "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": [ "Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan." ], "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": "Pembenaman", "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

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
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.

Tersedia di Ailoot · input & kaedah

Ailoot · Pembenaman POST /v1/embeddings
Input
text
Output
embedding
Konteks
4,096 tokens
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
nemotron-embed-vl
Lalai—
MedaninputJenisstring|string[]KeperluanDiperlukanNilai & 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_typeJenisstringKeperluanPilihanNilai & had
query, passage
Lalaiquery
Medanencoding_formatJenisstringKeperluanPilihanNilai & had
float, base64
Lalaifloat
MedantruncateJenisstringKeperluanPilihanNilai & had
NONE, START, END
Lalai—
MedandimensionsJenisintegerKeperluanPilihanNilai & had
Minimum: 1
Lalai—
MedanuserJenisstringKeperluanPilihanNilai & hadLalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametermaterial_typesKontraktext
ParameterrequiredKontrakmodel, input
Parameteroptional_controlsKontraknull
Parametercontent_typeKontrakapplication/json

Kitar hayat: exact retained published method

Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.

Pelan harga

Kadar kaedah Ailoot

Ailoot PembenamanPOST /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\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

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
MedanJenis
Medandata[].indexJenisinteger
Medandata[].embeddingJenisfinite float[]|base64 float32 vector
MedanmodelJenisstring
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah 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

", "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Nyahkod vektor base64 hanya apabila format tersebut diminta; simpan setiap vektor berserta indeks asalnya.", "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": "Setiap rentetan mesti tidak kosong selepas trim; URI data ditolak; belanjawan yang diterima mengukur bait UTF8 yang berkaitan.", "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": [ "Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan." ], "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": "Pembenaman", "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

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
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.

Tersedia di Ailoot · input & kaedah

Ailoot · Pembenaman POST /v1/embeddings
Input
text
Output
embedding
Konteks
4,096 tokens
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
nemotron-embed-vl-latest
Lalai—
MedaninputJenisstring|string[]KeperluanDiperlukanNilai & 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_typeJenisstringKeperluanPilihanNilai & had
query, passage
Lalaiquery
Medanencoding_formatJenisstringKeperluanPilihanNilai & had
float, base64
Lalaifloat
MedantruncateJenisstringKeperluanPilihanNilai & had
NONE, START, END
Lalai—
MedandimensionsJenisintegerKeperluanPilihanNilai & had
Minimum: 1
Lalai—
MedanuserJenisstringKeperluanPilihanNilai & hadLalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametermaterial_typesKontraktext
ParameterrequiredKontrakmodel, input
Parameteroptional_controlsKontraknull
Parametercontent_typeKontrakapplication/json

Kitar hayat: exact retained published method

Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.

Pelan harga

Kadar kaedah Ailoot

Ailoot PembenamanPOST /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\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

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
MedanJenis
Medandata[].indexJenisinteger
Medandata[].embeddingJenisfinite float[]|base64 float32 vector
MedanmodelJenisstring
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah 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

", "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Nyahkod vektor base64 hanya apabila format tersebut diminta; simpan setiap vektor berserta indeks asalnya.", "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": "Setiap rentetan mesti tidak kosong selepas trim; URI data ditolak; belanjawan yang diterima mengukur bait UTF8 yang berkaitan.", "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": [ "Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan." ], "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": "Pembenaman", "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": "7c660bb9c00e0f78712cd0b6448d0bb86b7b4e44f5c9ebb869b5bff92495d6cc", "input_html_sha256": "6cbd0a0351ca06952c55504dc9c08ec0890ed07d21ede4ba85c6bd517f59526b", "private_audit_sha256": "4ed8a4cd4e8099874348de20e38fc027db265f548790f1b465aee29e234b022c", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/nvidia-llama-nemotron-embed-vl-1b-v2/", "description": "Llama Nemotron Embed VL v2 menghasilkan vektor untuk carian semantik dokumen. Katalog Ailoot semasa menyediakan input teks untuk pertanyaan dan bahan.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/nvidia-llama-nemotron-embed-vl-1b-v2/index.md", "title": "Llama Nemotron Embed VL 1B v2 — Ailoot", "url": "https://ailoot.ai/models/ms/nvidia-llama-nemotron-embed-vl-1b-v2/" }, "rawModel": { "about": "### Mencari halaman yang diperlukan berdasarkan soalan\n\nLlama 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.\n\nCarian 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.\n\n### Varian dokumen pengeluar\n\n- Dokumen teks: bahagian berasingan, petikan atau teks halaman yang telah dikenal pasti.\n- Imej: keseluruhan halaman dengan teks, jadual dan unsur grafiknya.\n- Imej bersama teks: rupa visual halaman dan kandungan teksnya digabungkan dalam satu perwakilan.\n\nPertanyaan 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.\n\n### Saiz perwakilan dan panjang input\n\nSetiap 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.\n\nBahagian 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.", "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Nyahkod vektor base64 hanya apabila format tersebut diminta; simpan setiap vektor berserta indeks asalnya.", "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": "Setiap rentetan mesti tidak kosong selepas trim; URI data ditolak; belanjawan yang diterima mengukur bait UTF8 yang berkaitan.", "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": [ "Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan." ], "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": "Pembenaman", "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Nyahkod vektor base64 hanya apabila format tersebut diminta; simpan setiap vektor berserta indeks asalnya.", "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": "Setiap rentetan mesti tidak kosong selepas trim; URI data ditolak; belanjawan yang diterima mengukur bait UTF8 yang berkaitan.", "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": [ "Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan." ], "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": "Pembenaman", "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Nyahkod vektor base64 hanya apabila format tersebut diminta; simpan setiap vektor berserta indeks asalnya.", "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": "Setiap rentetan mesti tidak kosong selepas trim; URI data ditolak; belanjawan yang diterima mengukur bait UTF8 yang berkaitan.", "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": [ "Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan." ], "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": "Pembenaman", "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 menghasilkan vektor untuk carian semantik dokumen. Katalog Ailoot semasa menyediakan input teks untuk pertanyaan dan bahan." }, "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 menghasilkan vektor untuk carian semantik dokumen. Katalog Ailoot semasa menyediakan input teks untuk pertanyaan dan bahan.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "8b804d140382a9a7370dafa175839f411303b842f64ab725826161c678b31f9b", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "98d35ecd23f5de57539c5f697d75093c375305d60dcda6ad940f3ae5ecc52bda" }