{
  "aboutHtml": "<p>Llama Nemotron Rerank VL 1B V2 menilai kerelevanan teks calon dan imej dokumen terhadap pertanyaan teks, termasuk carta, jadual dan halaman media campuran. NVIDIA menerangkannya sebagai model pengekod silang berparameter 1.7B. Dalam aliran kerja pemerolehan maklumat, jalankan carian awal dahulu, kemudian hantar calon terpilih kepada penyusun semula kedudukan. Hasil yang berguna ialah set calon tersebut yang disusun semula dengan skor kerelevanan, yang boleh digunakan oleh aplikasi untuk memilih konteks bagi jawapan atau menyusun halaman hasil carian.</p><p>Gunakan POST /v1/rerank dengan badan application/json. Tetapkan model kepada &quot;nvidia/llama-nemotron-rerank-vl-1b-v2:free&quot;, query kepada soalan carian sebenar, dan documents kepada tatasusunan yang tidak kosong. Setiap calon boleh berupa rentetan teks atau objek dengan text dan/atau image; objek berstruktur mesti membekalkan sekurang-kurangnya satu daripada medan itu. text ialah rentetan. image ialah URL HTTP/HTTPS jauh atau URI data base64 yang bermula dengan data:image/. Calon gabungan membekalkan kedua-dua medan. Kekalkan urutan tatasusunan input itu supaya indeks yang dikembalikan boleh dipadankan dengan ID dokumen yang disimpan. top_n ialah integer pilihan sekurang-kurangnya 1 yang meminta bilangan dokumen berkedudukan tertinggi untuk dikembalikan.</p><p>Sebagai contoh, aplikasi pusat bantuan boleh mendapatkan petikan tentang penghantaran, pemulangan dan akses akaun, kemudian menyusun semula kedudukan petikan itu berdasarkan soalan penghantaran pelanggan. Hantar teks petikan sebenar, dan bukannya nama fail atau cebisan enjin carian yang tidak berkaitan dengan sumber yang disimpan. Pastikan setiap petikan dikaitkan dengan pengecam sumbernya sendiri dalam aplikasi, supaya bukti terpilih boleh dipetik atau dibuka kemudian. Untuk dokumen imbasan, carta, jadual atau infografik, bekalkan imej sebenarnya dalam objek dokumen dan tambah teks apabila ia membantu mengenal pasti kandungan.</p><p>Halaman model mendokumenkan had 10,240 token bagi setiap pertanyaan dan dokumen. Bahagikan bahan sumber yang lebih panjang kepada petikan terhad sebelum menyediakan senarai calon. Simpan konteks sekeliling yang berguna bersama setiap petikan, termasuk tajuk atau nama produk apabila ia mengubah makna. Permintaan yang didokumenkan bermula dengan calon yang anda bekalkan; ia tidak mencari koleksi dokumen bagi pihak anda.</p><p>Penyusunan semula kedudukan mengembalikan hasil JSON segerak. Baca setiap item results, termasuk index asalnya, relevance_score dan objek document yang dikembalikan, yang boleh membawa text dan/atau image, serta simpan sebarang usage dan pengecam balasan yang dikembalikan. Gunakan index untuk memetakan hasil berkedudukan kepada calon inputnya. Anggap skor kerelevanan sebagai isyarat kedudukan bagi pertanyaan ini dan bukannya jawapan fakta yang disahkan secara bebas. Simpan hasil lengkap apabila beberapa petikan dipilih untuk langkah seterusnya.</p><p>Sediakan bahan calon awam atau sintetik untuk edisi percuma ini; terma penggunaan yang didokumenkan mengecualikan maklumat sulit dan data peribadi. Jika permintaan berakhir tanpa hasil lengkap, simpan balasan asal dan pengecam permintaan semasa menyemak percubaan itu. Aliran rerank yang didokumenkan mengembalikan hasilnya secara langsung dan tidak membekalkan aliran kerja tinjauan status tugasan atau pembatalan berasingan.</p>",
  "aboutText": "Llama Nemotron Rerank VL 1B V2 menilai kerelevanan teks calon dan imej dokumen terhadap pertanyaan teks, termasuk carta, jadual dan halaman media campuran. NVIDIA menerangkannya sebagai model pengekod silang berparameter 1.7B. Dalam aliran kerja pemerolehan maklumat, jalankan carian awal dahulu, kemudian hantar calon terpilih kepada penyusun semula kedudukan. Hasil yang berguna ialah set calon tersebut yang disusun semula dengan skor kerelevanan, yang boleh digunakan oleh aplikasi untuk memilih konteks bagi jawapan atau menyusun halaman hasil carian.\n\nGunakan POST /v1/rerank dengan badan application/json. Tetapkan model kepada \"nvidia/llama-nemotron-rerank-vl-1b-v2:free\", query kepada soalan carian sebenar, dan documents kepada tatasusunan yang tidak kosong. Setiap calon boleh berupa rentetan teks atau objek dengan text dan/atau image; objek berstruktur mesti membekalkan sekurang-kurangnya satu daripada medan itu. text ialah rentetan. image ialah URL HTTP/HTTPS jauh atau URI data base64 yang bermula dengan data:image/. Calon gabungan membekalkan kedua-dua medan. Kekalkan urutan tatasusunan input itu supaya indeks yang dikembalikan boleh dipadankan dengan ID dokumen yang disimpan. top_n ialah integer pilihan sekurang-kurangnya 1 yang meminta bilangan dokumen berkedudukan tertinggi untuk dikembalikan.\n\nSebagai contoh, aplikasi pusat bantuan boleh mendapatkan petikan tentang penghantaran, pemulangan dan akses akaun, kemudian menyusun semula kedudukan petikan itu berdasarkan soalan penghantaran pelanggan. Hantar teks petikan sebenar, dan bukannya nama fail atau cebisan enjin carian yang tidak berkaitan dengan sumber yang disimpan. Pastikan setiap petikan dikaitkan dengan pengecam sumbernya sendiri dalam aplikasi, supaya bukti terpilih boleh dipetik atau dibuka kemudian. Untuk dokumen imbasan, carta, jadual atau infografik, bekalkan imej sebenarnya dalam objek dokumen dan tambah teks apabila ia membantu mengenal pasti kandungan.\n\nHalaman model mendokumenkan had 10,240 token bagi setiap pertanyaan dan dokumen. Bahagikan bahan sumber yang lebih panjang kepada petikan terhad sebelum menyediakan senarai calon. Simpan konteks sekeliling yang berguna bersama setiap petikan, termasuk tajuk atau nama produk apabila ia mengubah makna. Permintaan yang didokumenkan bermula dengan calon yang anda bekalkan; ia tidak mencari koleksi dokumen bagi pihak anda.\n\nPenyusunan semula kedudukan mengembalikan hasil JSON segerak. Baca setiap item results, termasuk index asalnya, relevance_score dan objek document yang dikembalikan, yang boleh membawa text dan/atau image, serta simpan sebarang usage dan pengecam balasan yang dikembalikan. Gunakan index untuk memetakan hasil berkedudukan kepada calon inputnya. Anggap skor kerelevanan sebagai isyarat kedudukan bagi pertanyaan ini dan bukannya jawapan fakta yang disahkan secara bebas. Simpan hasil lengkap apabila beberapa petikan dipilih untuk langkah seterusnya.\n\nSediakan bahan calon awam atau sintetik untuk edisi percuma ini; terma penggunaan yang didokumenkan mengecualikan maklumat sulit dan data peribadi. Jika permintaan berakhir tanpa hasil lengkap, simpan balasan asal dan pengecam permintaan semasa menyemak percubaan itu. Aliran rerank yang didokumenkan mengembalikan hasilnya secara langsung dan tidak membekalkan aliran kerja tinjauan status tugasan atau pembatalan berasingan.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "b29d583a952312e65cc1157e10dbd95ce715fb5d48356cefab57ec3d689e9402",
    "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06",
    "raw_model_unchanged": true,
    "schema": "ailoot-native-model-editorial-v1"
  },
  "locale": "ms",
  "methods": [
    {
      "html": "<div class=\"sheet-head\"><span class=\"mav\" aria-hidden=\"true\">NV</span><h2 id=\"sheet-title\">NVIDIA: Llama Nemotron Rerank VL 1B V2 (free)</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Tutup\">×</button></div><div class=\"idline\"><span>NVIDIA /</span><code>nvidia/llama-nemotron-rerank-vl-1b-v2:free</code><button type=\"button\" id=\"copy-id\">Salin ID</button></div><nav class=\"card-jump-nav\" aria-label=\"Bahagian kad model\"><button type=\"button\" data-card-jump=\"overview\">Pengenalan</button><button type=\"button\" data-card-jump=\"methods\">Input &amp; kaedah</button><button type=\"button\" data-card-jump=\"pricing\">Pelan harga</button><button type=\"button\" data-card-jump=\"examples\">Contoh</button><button type=\"button\" data-card-jump=\"results\">Hasil</button><button type=\"button\" data-card-jump=\"aliases\">Alias</button></nav><div class=\"card-method-tabs\" role=\"tablist\" aria-label=\"Kaedah API\"><button type=\"button\" role=\"tab\" tabindex=\"0\" aria-controls=\"card-method-content\" aria-selected=\"true\" id=\"card-method-tab-0\" data-card-method=\"Ultra|rerank|/v1/rerank|nvidia%2Fllama-nemotron-rerank-vl-1b-v2%3Afree\">Pemeringkatan semula</button></div><div id=\"card-method-content\" role=\"tabpanel\" aria-labelledby=\"card-method-tab-0\"><section class=\"card-section\" data-card-section=\"overview\"><h3 tabindex=\"-1\">Pengenalan</h3><p class=\"mdesc-full\">Llama Nemotron Rerank VL 1B V2 ialah penyusun semula kedudukan pengekod silang NVIDIA untuk menyusun bahan yang diperoleh mengikut kerelevanannya dengan pertanyaan. Hantar pertanyaan dan dokumen calon berupa teks, imej atau gabungan, kemudian gunakan skor dan indeks asal yang dikembalikan untuk memilih petikan bagi hasil carian atau jawapan yang diperkaya melalui pemerolehan maklumat.</p><dl class=\"card-io\" data-card-io><div><dt>Input yang diterima</dt><dd>Teks</dd></div><div><dt>Hasil</dt><dd>ranking</dd></div></dl><details class=\"card-about\"><summary>Tentang model</summary><p class=\"note-s\" data-model-method-boundary>Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.</p><div class=\"mabout\" id=\"m-about\"><p>Llama Nemotron Rerank VL 1B V2 menilai kerelevanan teks calon dan imej dokumen terhadap pertanyaan teks, termasuk carta, jadual dan halaman media campuran. NVIDIA menerangkannya sebagai model pengekod silang berparameter 1.7B. Dalam aliran kerja pemerolehan maklumat, jalankan carian awal dahulu, kemudian hantar calon terpilih kepada penyusun semula kedudukan. Hasil yang berguna ialah set calon tersebut yang disusun semula dengan skor kerelevanan, yang boleh digunakan oleh aplikasi untuk memilih konteks bagi jawapan atau menyusun halaman hasil carian.</p><p>Gunakan POST /v1/rerank dengan badan application/json. Tetapkan model kepada &quot;nvidia/llama-nemotron-rerank-vl-1b-v2:free&quot;, query kepada soalan carian sebenar, dan documents kepada tatasusunan yang tidak kosong. Setiap calon boleh berupa rentetan teks atau objek dengan text dan/atau image; objek berstruktur mesti membekalkan sekurang-kurangnya satu daripada medan itu. text ialah rentetan. image ialah URL HTTP/HTTPS jauh atau URI data base64 yang bermula dengan data:image/. Calon gabungan membekalkan kedua-dua medan. Kekalkan urutan tatasusunan input itu supaya indeks yang dikembalikan boleh dipadankan dengan ID dokumen yang disimpan. top_n ialah integer pilihan sekurang-kurangnya 1 yang meminta bilangan dokumen berkedudukan tertinggi untuk dikembalikan.</p><p>Sebagai contoh, aplikasi pusat bantuan boleh mendapatkan petikan tentang penghantaran, pemulangan dan akses akaun, kemudian menyusun semula kedudukan petikan itu berdasarkan soalan penghantaran pelanggan. Hantar teks petikan sebenar, dan bukannya nama fail atau cebisan enjin carian yang tidak berkaitan dengan sumber yang disimpan. Pastikan setiap petikan dikaitkan dengan pengecam sumbernya sendiri dalam aplikasi, supaya bukti terpilih boleh dipetik atau dibuka kemudian. Untuk dokumen imbasan, carta, jadual atau infografik, bekalkan imej sebenarnya dalam objek dokumen dan tambah teks apabila ia membantu mengenal pasti kandungan.</p><p>Halaman model mendokumenkan had 10,240 token bagi setiap pertanyaan dan dokumen. Bahagikan bahan sumber yang lebih panjang kepada petikan terhad sebelum menyediakan senarai calon. Simpan konteks sekeliling yang berguna bersama setiap petikan, termasuk tajuk atau nama produk apabila ia mengubah makna. Permintaan yang didokumenkan bermula dengan calon yang anda bekalkan; ia tidak mencari koleksi dokumen bagi pihak anda.</p><p>Penyusunan semula kedudukan mengembalikan hasil JSON segerak. Baca setiap item results, termasuk index asalnya, relevance_score dan objek document yang dikembalikan, yang boleh membawa text dan/atau image, serta simpan sebarang usage dan pengecam balasan yang dikembalikan. Gunakan index untuk memetakan hasil berkedudukan kepada calon inputnya. Anggap skor kerelevanan sebagai isyarat kedudukan bagi pertanyaan ini dan bukannya jawapan fakta yang disahkan secara bebas. Simpan hasil lengkap apabila beberapa petikan dipilih untuk langkah seterusnya.</p><p>Sediakan bahan calon awam atau sintetik untuk edisi percuma ini; terma penggunaan yang didokumenkan mengecualikan maklumat sulit dan data peribadi. Jika permintaan berakhir tanpa hasil lengkap, simpan balasan asal dan pengecam permintaan semasa menyemak percubaan itu. Aliran rerank yang didokumenkan mengembalikan hasilnya secara langsung dan tidak membekalkan aliran kerja tinjauan status tugasan atau pembatalan berasingan.</p></div></details></section><section class=\"card-section\" data-card-section=\"methods\"><h3 tabindex=\"-1\">Tersedia di Ailoot · input &amp; kaedah</h3><details class=\"card-method\" open><summary><b>Ailoot Ultra · Rerank</b> <code>POST /v1/rerank</code></summary><dl class=\"method-capabilities\"><div><dt>Input</dt><dd><code>text</code></dd></div><div><dt>Output</dt><dd><code>ranking</code></dd></div><div><dt>Format output</dt><dd>JSON</dd></div></dl><div class=\"tw\" data-card-parameters data-typed-parameters><table><thead><tr><th>Medan</th><th>Jenis</th><th>Keperluan</th><th>Nilai &amp; had</th><th>Lalai</th></tr></thead><tbody><tr><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>string</code></td><td data-cell-label=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Diperlukan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>nvidia/llama-nemotron-rerank-vl-1b-v2:free</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr><tr><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">query</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>string</code></td><td data-cell-label=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Diperlukan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr><tr><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">documents</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>array</code></td><td data-cell-label=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Diperlukan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr><tr><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">top_n</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>integer</code></td><td data-cell-label=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Pilihan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>Minimum: 1</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr></tbody></table></div><details class=\"note-s\" data-method-contract><summary>Parameter kaedah dan kitar hayat</summary><div class=\"tw\" data-card-table=\"contract\"><table><thead><tr><th>Parameter</th><th>Kontrak</th></tr></thead><tbody><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>content_type</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>application/json</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>required</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>model, query, documents</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>optional</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>top_n</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>material_types</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>text</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>conditions</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span></td></tr></tbody></table></div><p>Kitar hayat: <code>synchronous_json</code></p></details></details></section><section class=\"card-section\" data-card-section=\"pricing\"><h3 tabindex=\"-1\">Pelan harga</h3><div data-native-semantic-method=\"v1\" data-tariff-reference-only><p class=\"note-s\" data-rate-support-note>Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.</p><dl data-price-conditions><dt>Mod pantas</dt><dd>Tidak dinyatakan <span class=\"note-s\">Apabila mod pantas dipilih</span></dd><dt>Mod flex</dt><dd>Tidak dinyatakan <span class=\"note-s\">Apabila mod flex dipilih</span></dd><dt>Usaha penaakulan maksimum</dt><dd>Tidak dinyatakan <span class=\"note-s\">Apabila usaha penaakulan maksimum menggunakan pelarasan default</span></dd></dl></div><div data-declared-tariff-pricing><h4>Kadar Ailoot</h4><h4>Harga mengikut konfigurasi</h4><p class=\"note-s\">Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.</p><div class=\"tw\" data-pricing-profiles><table><thead><tr><th>Konfigurasi</th><th>Jadual kadar</th><th>Kuantiti pengebilan</th><th>Caj</th></tr></thead><tbody><tr><th data-cell-label=\"Konfigurasi\" scope=\"row\"><span class=\"card-cell-label\">Konfigurasi</span>Kadar asas token</th><td data-cell-label=\"Jadual kadar\"><span class=\"card-cell-label\">Jadual kadar</span>Kadar asas</td><td data-cell-label=\"Kuantiti pengebilan\"><span class=\"card-cell-label\">Kuantiti pengebilan</span>—</td><td data-cell-label=\"Caj\"><span class=\"card-cell-label\">Caj</span><div><span>Input · Token input</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Output · Token output</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Bacaan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Penulisan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Penulisan cache, 1 jam</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div></td></tr><tr><th data-cell-label=\"Konfigurasi\" scope=\"row\"><span class=\"card-cell-label\">Konfigurasi</span>Bagi setiap permintaan</th><td data-cell-label=\"Jadual kadar\"><span class=\"card-cell-label\">Jadual kadar</span>—</td><td data-cell-label=\"Kuantiti pengebilan\"><span class=\"card-cell-label\">Kuantiti pengebilan</span>satu permintaan</td><td data-cell-label=\"Caj\"><span class=\"card-cell-label\">Caj</span><div><span>Input</span> <b>$0</b> <span class=\"price-unit\">bagi setiap permintaan</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. <a href=\"/docs/ms/billing/reserve/\">Cara rizab dan penyelesaian caj berfungsi →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Contoh permintaan</h3><h4>Ailoot Ultra · Rerank</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Pilihan kod\"><button class=\"cg-tab\" id=\"model-code-32-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-32-panel-0\" aria-selected=\"true\" tabindex=\"0\">curl · cipta sekali sahaja dan simpan hasil lengkap</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Salin kod\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-32-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-32-tab-0\"><pre data-lang=\"bash\"><code>set -eu\n: &quot;${AILOOT_API_KEY:?Set your Ailoot API key}&quot;\nexport AILOOT_API_KEY\npython3 - &lt;&lt;&#39;PY_REQUEST&#39;\nimport json,os\nfrom pathlib import Path\np=json.loads(&#39;{&quot;documents&quot;: [&quot;Paris is the capital of France.&quot;, &quot;Berlin is the capital of Germany.&quot;], &quot;model&quot;: &quot;nvidia/llama-nemotron-rerank-vl-1b-v2:free&quot;, &quot;query&quot;: &quot;What is the capital of France?&quot;, &quot;top_n&quot;: 3}&#39;)\n\nPath(&quot;request.json&quot;).write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/rerank \\\n  -H &quot;Authorization: Bearer $AILOOT_API_KEY&quot; -H &#39;Content-Type: application/json&#39; \\\n  --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n</code></pre></div></div></div></section><section class=\"card-section\" data-card-section=\"results\"><h3 tabindex=\"-1\">Terima dan simpan hasil</h3><h4>Ailoot Ultra · Rerank</h4><p class=\"note-s\">JSON</p><div class=\"card-result-process\" data-all-results><h5>Simpan semua hasil yang selesai</h5><p class=\"note-s\">Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.</p><p class=\"note-s\">Retain the complete response, all actual results, original identifiers, usage and response headers.</p></div><div class=\"card-result-process\" data-unknown-recovery><h5>Jika respons asal perlu disemak</h5><p class=\"note-s\">Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.</p></div><details class=\"card-about\" data-output-fields><summary>Medan respons</summary><div class=\"tw\" data-card-table=\"output\"><table><thead><tr><th>Medan</th><th>Jenis</th></tr></thead><tbody><tr><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">results</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span>array</td></tr></tbody></table></div></details></section><section class=\"card-section\" data-card-section=\"aliases\"><h3 tabindex=\"-1\">Alias</h3><h4>Alias model</h4><p class=\"note-s\"><span data-model-alias-route=\"Ultra\"><b>Ailoot Ultra</b> <a href=\"#m=nvidia%2Fllama-nemotron-rerank-vl-1b-v2%3Afree&amp;route=Ultra&amp;caller=nvidia%2Fllama-nemotron-rerank-vl-1b-v2%3Afree&amp;fmt=rerank\"><code>nvidia/llama-nemotron-rerank-vl-1b-v2:free</code></a></span></p><h4>Alias laluan kaedah</h4><p class=\"note-s\">Gunakan laluan kaedah yang dipaparkan di atas.</p><h4>ID pemanggil berkaitan</h4><p class=\"note-s\"><a href=\"#m=nvidia%2Fllama-nemotron-rerank-vl-1b-v2%3Afree&amp;route=Ultra&amp;caller=nvidia%2Fllama-nemotron-rerank-vl-1b-v2%3Afree&amp;fmt=rerank\"><code>nvidia/llama-nemotron-rerank-vl-1b-v2:free</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "nvidia/llama-nemotron-rerank-vl-1b-v2:free",
        "fmt": "rerank",
        "http": "POST",
        "path": "/v1/rerank",
        "request_model_id": "nvidia/llama-nemotron-rerank-vl-1b-v2:free",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|rerank|/v1/rerank|nvidia%2Fllama-nemotron-rerank-vl-1b-v2%3Afree",
      "ordinal": 0,
      "rawMethod": {
        "available": null,
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.",
            "authentication": {
              "api_key_source": "AILOOT_API_KEY",
              "header": "Authorization: Bearer"
            },
            "example_body": {
              "documents": [
                "Paris is the capital of France.",
                "Berlin is the capital of Germany."
              ],
              "model": "nvidia/llama-nemotron-rerank-vl-1b-v2:free",
              "query": "What is the capital of France?",
              "top_n": 3
            },
            "lifecycle": {
              "cancel_endpoint": null,
              "create": {
                "http": "POST",
                "path": "/v1/rerank"
              },
              "mode": "synchronous_json",
              "status": [],
              "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.",
              "unknown_no_replay": true
            },
            "outputs": {
              "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.",
              "family": "ranking",
              "fields": [
                {
                  "name": "results",
                  "type": "array"
                }
              ],
              "format": "JSON"
            },
            "parameters": [
              {
                "default_known": false,
                "enum": [
                  "nvidia/llama-nemotron-rerank-vl-1b-v2:free"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "default_known": false,
                "enum_known": false,
                "name": "query",
                "required": true,
                "type": "string"
              },
              {
                "default_known": false,
                "enum_known": false,
                "items": {
                  "type": "string"
                },
                "minItems": 1,
                "name": "documents",
                "required": true,
                "type": "array"
              },
              {
                "default_known": false,
                "enum_known": false,
                "minimum": 1,
                "name": "top_n",
                "required": false,
                "type": "integer"
              }
            ],
            "request_schema": {
              "additionalProperties": true,
              "properties": {
                "documents": {
                  "items": {
                    "type": "string"
                  },
                  "minItems": 1,
                  "type": "array"
                },
                "model": {
                  "enum": [
                    "nvidia/llama-nemotron-rerank-vl-1b-v2:free"
                  ],
                  "type": "string"
                },
                "query": {
                  "type": "string"
                },
                "top_n": {
                  "minimum": 1,
                  "type": "integer"
                }
              },
              "required": [
                "model",
                "query",
                "documents"
              ],
              "type": "object"
            },
            "schema_template": {
              "body": {
                "documents": [
                  "Paris is the capital of France.",
                  "Berlin is the capital of Germany."
                ],
                "model": "nvidia/llama-nemotron-rerank-vl-1b-v2:free",
                "query": "What is the capital of France?",
                "top_n": 3
              },
              "content_type": "application/json"
            }
          },
          "input": {
            "conditions": [],
            "content_type": "application/json",
            "material_types": [
              "text"
            ],
            "optional": [
              "top_n"
            ],
            "required": [
              "model",
              "query",
              "documents"
            ]
          },
          "lifecycle": {
            "cancel_endpoint": null,
            "create": {
              "http": "POST",
              "path": "/v1/rerank"
            },
            "mode": "synchronous_json",
            "status": [],
            "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.",
            "unknown_no_replay": true
          },
          "method": {
            "http": "POST",
            "path": "/v1/rerank"
          },
          "method_aliases": [],
          "output": {
            "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.",
            "family": "ranking",
            "fields": [
              {
                "name": "results",
                "type": "array"
              }
            ],
            "format": "JSON"
          }
        },
        "ctx": null,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          },
          {
            "dimensions": {
              "billing_quantity": "one request"
            },
            "label": "Per request",
            "units": [
              {
                "amount": "0",
                "amount_unit": "usd_per_exact_native_unit",
                "billing_input": true,
                "estimate_only": false,
                "key": "per_request",
                "label": "per request",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "public_unit_label": "per request",
                "quantity": 1,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "per_request"
              }
            ]
          }
        ],
        "examples": [
          {
            "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"documents\": [\"Paris is the capital of France.\", \"Berlin is the capital of Germany.\"], \"model\": \"nvidia/llama-nemotron-rerank-vl-1b-v2:free\", \"query\": \"What is the capital of France?\", \"top_n\": 3}')\n\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/rerank \\\n  -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n",
            "label": "curl · create once and retain the complete result",
            "language": "bash"
          }
        ],
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "rerank",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": null,
        "input": [
          "text"
        ],
        "label": "Rerank",
        "max_out": null,
        "max_reasoning_effort_multiplier": null,
        "method_aliases": [],
        "out": null,
        "output": [
          "ranking"
        ],
        "path": "/v1/rerank",
        "price_conditions": [
          {
            "label": "Fast mode",
            "value": "Not specified",
            "when": "When fast mode is selected"
          },
          {
            "label": "Flex mode",
            "value": "Not specified",
            "when": "When flex mode is selected"
          },
          {
            "label": "Maximum reasoning effort",
            "value": "Not specified",
            "when": "When maximum reasoning effort uses the default adjustment"
          }
        ],
        "pricing": {
          "billing_mode": "per_request",
          "cache_read_price": null,
          "cache_write_1h_price": null,
          "cache_write_price": null,
          "fast_multiplier": null,
          "flex_multiplier": null,
          "image_input_price": null,
          "image_output_price": null,
          "input_price": null,
          "intervals": null,
          "max_reasoning_effort_multiplier": null,
          "output_price": null,
          "per_request_price": 0
        },
        "pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          },
          {
            "dimensions": {
              "billing_quantity": "one request"
            },
            "label": "Per request",
            "units": [
              {
                "amount": "0",
                "amount_unit": "usd_per_exact_native_unit",
                "billing_input": true,
                "estimate_only": false,
                "key": "per_request",
                "label": "per request",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "public_unit_label": "per request",
                "quantity": 1,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "per_request"
              }
            ]
          }
        ],
        "request_model_id": "nvidia/llama-nemotron-rerank-vl-1b-v2:free",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "unit": "per_request",
        "units": [
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_exact_native_unit",
            "billing_input": true,
            "estimate_only": false,
            "key": "per_request",
            "label": "per request",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "public_unit_label": "per request",
            "quantity": 1,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "per_request"
          }
        ]
      }
    }
  ],
  "model_id": "nvidia/llama-nemotron-rerank-vl-1b-v2:free",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "e727cd8fbb17b076216411551c8a202df6c4f577ca196cae76371f9d8b89f231",
    "input_html_sha256": "d907a21c0d64585301e0cb8c8b65b87314ab766c2af33a5b99580ca25b2b0c6b",
    "private_audit_sha256": "f1a12441852f8d6375c91621c4d30e49d882579e3adcd3da15e900a6cc38a21f",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/ms/nvidia-llama-nemotron-rerank-vl-1b-v2-u003a-free/",
    "description": "Llama Nemotron Rerank VL 1B V2 ialah penyusun semula kedudukan pengekod silang NVIDIA untuk menyusun bahan yang diperoleh mengikut kerelevanannya dengan pertanyaan. Hantar pertanyaan dan dokumen calon berupa teks, imej atau gabungan, kemudian gunakan skor dan indeks asal yang dikembalikan untuk memilih petikan bagi hasil carian atau jawapan yang diperkaya melalui pemerolehan maklumat.",
    "locale": "ms",
    "md_url": "https://ailoot.ai/models/ms/nvidia-llama-nemotron-rerank-vl-1b-v2-u003a-free/index.md",
    "title": "NVIDIA: Llama Nemotron Rerank VL 1B V2 (free) — Ailoot",
    "url": "https://ailoot.ai/models/ms/nvidia-llama-nemotron-rerank-vl-1b-v2-u003a-free/"
  },
  "rawModel": {
    "about": "Llama Nemotron Rerank VL 1B V2 menilai kerelevanan teks calon dan imej dokumen terhadap pertanyaan teks, termasuk carta, jadual dan halaman media campuran. NVIDIA menerangkannya sebagai model pengekod silang berparameter 1.7B. Dalam aliran kerja pemerolehan maklumat, jalankan carian awal dahulu, kemudian hantar calon terpilih kepada penyusun semula kedudukan. Hasil yang berguna ialah set calon tersebut yang disusun semula dengan skor kerelevanan, yang boleh digunakan oleh aplikasi untuk memilih konteks bagi jawapan atau menyusun halaman hasil carian.\n\nGunakan POST /v1/rerank dengan badan application/json. Tetapkan model kepada \"nvidia/llama-nemotron-rerank-vl-1b-v2:free\", query kepada soalan carian sebenar, dan documents kepada tatasusunan yang tidak kosong. Setiap calon boleh berupa rentetan teks atau objek dengan text dan/atau image; objek berstruktur mesti membekalkan sekurang-kurangnya satu daripada medan itu. text ialah rentetan. image ialah URL HTTP/HTTPS jauh atau URI data base64 yang bermula dengan data:image/. Calon gabungan membekalkan kedua-dua medan. Kekalkan urutan tatasusunan input itu supaya indeks yang dikembalikan boleh dipadankan dengan ID dokumen yang disimpan. top_n ialah integer pilihan sekurang-kurangnya 1 yang meminta bilangan dokumen berkedudukan tertinggi untuk dikembalikan.\n\nSebagai contoh, aplikasi pusat bantuan boleh mendapatkan petikan tentang penghantaran, pemulangan dan akses akaun, kemudian menyusun semula kedudukan petikan itu berdasarkan soalan penghantaran pelanggan. Hantar teks petikan sebenar, dan bukannya nama fail atau cebisan enjin carian yang tidak berkaitan dengan sumber yang disimpan. Pastikan setiap petikan dikaitkan dengan pengecam sumbernya sendiri dalam aplikasi, supaya bukti terpilih boleh dipetik atau dibuka kemudian. Untuk dokumen imbasan, carta, jadual atau infografik, bekalkan imej sebenarnya dalam objek dokumen dan tambah teks apabila ia membantu mengenal pasti kandungan.\n\nHalaman model mendokumenkan had 10,240 token bagi setiap pertanyaan dan dokumen. Bahagikan bahan sumber yang lebih panjang kepada petikan terhad sebelum menyediakan senarai calon. Simpan konteks sekeliling yang berguna bersama setiap petikan, termasuk tajuk atau nama produk apabila ia mengubah makna. Permintaan yang didokumenkan bermula dengan calon yang anda bekalkan; ia tidak mencari koleksi dokumen bagi pihak anda.\n\nPenyusunan semula kedudukan mengembalikan hasil JSON segerak. Baca setiap item results, termasuk index asalnya, relevance_score dan objek document yang dikembalikan, yang boleh membawa text dan/atau image, serta simpan sebarang usage dan pengecam balasan yang dikembalikan. Gunakan index untuk memetakan hasil berkedudukan kepada calon inputnya. Anggap skor kerelevanan sebagai isyarat kedudukan bagi pertanyaan ini dan bukannya jawapan fakta yang disahkan secara bebas. Simpan hasil lengkap apabila beberapa petikan dipilih untuk langkah seterusnya.\n\nSediakan bahan calon awam atau sintetik untuk edisi percuma ini; terma penggunaan yang didokumenkan mengecualikan maklumat sulit dan data peribadi. Jika permintaan berakhir tanpa hasil lengkap, simpan balasan asal dan pengecam permintaan semasa menyemak percubaan itu. Aliran rerank yang didokumenkan mengembalikan hasilnya secara langsung dan tidak membekalkan aliran kerja tinjauan status tugasan atau pembatalan berasingan.",
    "alias_of": null,
    "aliases": [],
    "author": "NVIDIA",
    "ctx": 10240,
    "formats": [
      "rerank"
    ],
    "id": "nvidia/llama-nemotron-rerank-vl-1b-v2:free",
    "input": [
      "text"
    ],
    "kind": "text",
    "max_out": null,
    "methods": [
      {
        "available": null,
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.",
            "authentication": {
              "api_key_source": "AILOOT_API_KEY",
              "header": "Authorization: Bearer"
            },
            "example_body": {
              "documents": [
                "Paris is the capital of France.",
                "Berlin is the capital of Germany."
              ],
              "model": "nvidia/llama-nemotron-rerank-vl-1b-v2:free",
              "query": "What is the capital of France?",
              "top_n": 3
            },
            "lifecycle": {
              "cancel_endpoint": null,
              "create": {
                "http": "POST",
                "path": "/v1/rerank"
              },
              "mode": "synchronous_json",
              "status": [],
              "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.",
              "unknown_no_replay": true
            },
            "outputs": {
              "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.",
              "family": "ranking",
              "fields": [
                {
                  "name": "results",
                  "type": "array"
                }
              ],
              "format": "JSON"
            },
            "parameters": [
              {
                "default_known": false,
                "enum": [
                  "nvidia/llama-nemotron-rerank-vl-1b-v2:free"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "default_known": false,
                "enum_known": false,
                "name": "query",
                "required": true,
                "type": "string"
              },
              {
                "default_known": false,
                "enum_known": false,
                "items": {
                  "type": "string"
                },
                "minItems": 1,
                "name": "documents",
                "required": true,
                "type": "array"
              },
              {
                "default_known": false,
                "enum_known": false,
                "minimum": 1,
                "name": "top_n",
                "required": false,
                "type": "integer"
              }
            ],
            "request_schema": {
              "additionalProperties": true,
              "properties": {
                "documents": {
                  "items": {
                    "type": "string"
                  },
                  "minItems": 1,
                  "type": "array"
                },
                "model": {
                  "enum": [
                    "nvidia/llama-nemotron-rerank-vl-1b-v2:free"
                  ],
                  "type": "string"
                },
                "query": {
                  "type": "string"
                },
                "top_n": {
                  "minimum": 1,
                  "type": "integer"
                }
              },
              "required": [
                "model",
                "query",
                "documents"
              ],
              "type": "object"
            },
            "schema_template": {
              "body": {
                "documents": [
                  "Paris is the capital of France.",
                  "Berlin is the capital of Germany."
                ],
                "model": "nvidia/llama-nemotron-rerank-vl-1b-v2:free",
                "query": "What is the capital of France?",
                "top_n": 3
              },
              "content_type": "application/json"
            }
          },
          "input": {
            "conditions": [],
            "content_type": "application/json",
            "material_types": [
              "text"
            ],
            "optional": [
              "top_n"
            ],
            "required": [
              "model",
              "query",
              "documents"
            ]
          },
          "lifecycle": {
            "cancel_endpoint": null,
            "create": {
              "http": "POST",
              "path": "/v1/rerank"
            },
            "mode": "synchronous_json",
            "status": [],
            "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.",
            "unknown_no_replay": true
          },
          "method": {
            "http": "POST",
            "path": "/v1/rerank"
          },
          "method_aliases": [],
          "output": {
            "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.",
            "family": "ranking",
            "fields": [
              {
                "name": "results",
                "type": "array"
              }
            ],
            "format": "JSON"
          }
        },
        "ctx": null,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          },
          {
            "dimensions": {
              "billing_quantity": "one request"
            },
            "label": "Per request",
            "units": [
              {
                "amount": "0",
                "amount_unit": "usd_per_exact_native_unit",
                "billing_input": true,
                "estimate_only": false,
                "key": "per_request",
                "label": "per request",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "public_unit_label": "per request",
                "quantity": 1,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "per_request"
              }
            ]
          }
        ],
        "examples": [
          {
            "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"documents\": [\"Paris is the capital of France.\", \"Berlin is the capital of Germany.\"], \"model\": \"nvidia/llama-nemotron-rerank-vl-1b-v2:free\", \"query\": \"What is the capital of France?\", \"top_n\": 3}')\n\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/rerank \\\n  -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n",
            "label": "curl · create once and retain the complete result",
            "language": "bash"
          }
        ],
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "rerank",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": null,
        "input": [
          "text"
        ],
        "label": "Rerank",
        "max_out": null,
        "max_reasoning_effort_multiplier": null,
        "method_aliases": [],
        "out": null,
        "output": [
          "ranking"
        ],
        "path": "/v1/rerank",
        "price_conditions": [
          {
            "label": "Fast mode",
            "value": "Not specified",
            "when": "When fast mode is selected"
          },
          {
            "label": "Flex mode",
            "value": "Not specified",
            "when": "When flex mode is selected"
          },
          {
            "label": "Maximum reasoning effort",
            "value": "Not specified",
            "when": "When maximum reasoning effort uses the default adjustment"
          }
        ],
        "pricing": {
          "billing_mode": "per_request",
          "cache_read_price": null,
          "cache_write_1h_price": null,
          "cache_write_price": null,
          "fast_multiplier": null,
          "flex_multiplier": null,
          "image_input_price": null,
          "image_output_price": null,
          "input_price": null,
          "intervals": null,
          "max_reasoning_effort_multiplier": null,
          "output_price": null,
          "per_request_price": 0
        },
        "pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          },
          {
            "dimensions": {
              "billing_quantity": "one request"
            },
            "label": "Per request",
            "units": [
              {
                "amount": "0",
                "amount_unit": "usd_per_exact_native_unit",
                "billing_input": true,
                "estimate_only": false,
                "key": "per_request",
                "label": "per request",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "public_unit_label": "per request",
                "quantity": 1,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "per_request"
              }
            ]
          }
        ],
        "request_model_id": "nvidia/llama-nemotron-rerank-vl-1b-v2:free",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "unit": "per_request",
        "units": [
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_exact_native_unit",
            "billing_input": true,
            "estimate_only": false,
            "key": "per_request",
            "label": "per request",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "public_unit_label": "per request",
            "quantity": 1,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "per_request"
          }
        ]
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "nvidia/llama-nemotron-rerank-vl-1b-v2:free",
        "request_model_id": "nvidia/llama-nemotron-rerank-vl-1b-v2:free",
        "route_label": "Ultra"
      }
    ],
    "name": "NVIDIA: Llama Nemotron Rerank VL 1B V2 (free)",
    "price": {
      "in": "0",
      "in_label": "per request",
      "out": null,
      "out_label": null,
      "sort_in": null,
      "sort_out": null,
      "varies": false
    },
    "short": "Llama Nemotron Rerank VL 1B V2 ialah penyusun semula kedudukan pengekod silang NVIDIA untuk menyusun bahan yang diperoleh mengikut kerelevanannya dengan pertanyaan. Hantar pertanyaan dan dokumen calon berupa teks, imej atau gabungan, kemudian gunakan skor dan indeks asal yang dikembalikan untuk memilih petikan bagi hasil carian atau jawapan yang diperkaya melalui pemerolehan maklumat."
  },
  "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
        }
      ],
      "role": "current-semantic-reference"
    },
    "raw_input": {
      "examples_role": "historical-input-not-current-ready-examples",
      "json_pointers": [
        "/rawModel",
        "/methods/0/rawMethod"
      ],
      "role": "historical-owner-input"
    },
    "schema": "ailoot-native-model-representations-v1"
  },
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "Llama Nemotron Rerank VL 1B V2 ialah penyusun semula kedudukan pengekod silang NVIDIA untuk menyusun bahan yang diperoleh mengikut kerelevanannya dengan pertanyaan. Hantar pertanyaan dan dokumen calon berupa teks, imej atau gabungan, kemudian gunakan skor dan indeks asal yang dikembalikan untuk memilih petikan bagi hasil carian atau jawapan yang diperkaya melalui pemerolehan maklumat.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "e488682fe0f391e8e54669a5eb1691ee7e3e7346c82ce36454e190b68a8dde67",
    "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460"
  },
  "sourceRevision": "5100d61c753ff51b6aa81b825e893a0f0f10e1f4cfb1b613a5adc84a2bd038a2"
}