Nemotron 3 Embed 1B
Nemotron 3 Embed 1B menukarkan teks kepada vektor untuk carian berbilang bahasa, carian kod dan RAG. Memproses urutan sehingga 32768 token dan menghasilkan perwakilan dengan dimensi 2048 nombor.
- Ailoot · Pembenaman
POST /v1/embeddingsnvidia/nemotron-3-embed-1b - Ailoot · Pembenaman
POST /v1/embeddingsnemotron-3-embed - Ailoot · Pembenaman
POST /v1/embeddingsnemotron-3-embed-latest
Tentang model
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Nemotron 3 Embed 1B ialah model teks NVIDIA untuk carian berdasarkan makna dan pemadanan petikan. Model mengekodkan soalan, dokumen dan kod program kepada vektor angka padat. Perwakilan ini digunakan untuk mencari konteks yang diperlukan dalam koleksi besar, melengkapkan respons pembantu dengannya atau mendapatkan maklumat yang disimpan sebelum ini untuk langkah ejen seterusnya.
Pengetahuan berbilang bahasa dan kod
Model direka untuk carian berbilang bahasa dan rentas bahasa: soalan dan bahan yang sesuai boleh ditulis dalam bahasa berbeza. Bahasa Rusia termasuk dalam set 34 bahasa yang diterbitkan, bersama bahasa Inggeris, Ukraine, Cina, Jepun, Arab dan bahasa lain. Ini berguna untuk pangkalan pengetahuan bersama yang dokumen teknikal dan permintaan penggunanya tidak diseragamkan kepada satu bahasa.
Antara tugasan ialah carian dokumentasi, pemadanan teks dan pencarian kod berdasarkan penerangan bertulis. Tetingkap input besar membolehkan dokumen panjang, konteks perisian yang banyak dan sejarah beberapa langkah ejen digunakan. Bahan yang ditemui dikembalikan kepada proses seterusnya sebagai konteks; penerangan dan respons akhir dihasilkan oleh komponen sistem yang berikutnya.
Daripada teks kepada vektor
Input terdiri daripada rentetan teks. Satu vektor dengan 2048 nombor dihasilkan bagi setiap rentetan. Panjang urutan maksimum ialah 32768 token; bahan lebih panjang perlu dibahagikan atau dipendekkan. Penyediaan input membezakan soalan dengan dokumen: model dilatih untuk memadankan peranan masing-masing, jadi rentetan yang sama dalam dua tugasan ini tidak patut disediakan tanpa mengambil kira tujuannya.
Vektor dinormalkan mengikut panjang. Dengan perwakilan sebegini, hasil darab skalar dan keserupaan kosinus memberikan cara perbandingan yang setara. Koordinat 1024 atau 512 yang pertama daripada vektor penuh boleh dikekalkan, tetapi penormalan perlu dilakukan semula selepas pemotongan. Ini ialah sifat pemprosesan hasil; dimensi perlu dipilih secara konsisten untuk koleksi dan pertanyaan.
Struktur model padat
Pengekod mengandungi kira-kira 1,14 bilion parameter. Pengekod dihasilkan daripada model berasaskan Ministral 3 3B melalui dua peringkat pengecilan struktur dan penyulingan. Perhatian dua hala mengambil kira keseluruhan input, kemudian perwakilan token diambil purata menjadi vektor bersama.
NVIDIA mengeluarkan varian BF16 dan NVFP4. Ruang perwakilannya hampir serupa, tetapi pertukaran varian memerlukan semakan menggunakan dokumen sendiri. Keserupaan angka mahupun panjang konteks tidak menjamin bahawa carian sentiasa memilih petikan yang betul.
Ailoot · Pembenaman POST /v1/embeddings nvidia/nemotron-3-embed-1b
nvidia/nemotron-3-embed-1bnvidia/nemotron-3-embed-1bnemotron-3-embednemotron-3-embed-latest
Pengenalan
Nemotron 3 Embed 1B menukarkan teks kepada vektor untuk carian berbilang bahasa, carian kod dan RAG. Memproses urutan sehingga 32768 token dan menghasilkan perwakilan dengan dimensi 2048 nombor.
- Input yang diterima
- Teks
- Hasil
- embedding
Tersedia di Ailoot · input & kaedah
Ailoot · Pembenaman POST /v1/embeddings
- Input
text- Output
embedding- Konteks
- 4,096 tokens
- Format output
- json
| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had nvidia/nemotron-3-embed-1b | Lalai— |
Medaninput | Jenisstring|string[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 Syarat: Setiap rentetan mesti tidak kosong selepas trim; URI data ditolak; belanjawan yang diterima mengukur bait UTF8 yang berkaitan. | Lalai— |
Medaninput_type | Jenisstring | KeperluanPilihan | Nilai & had query, passage | Lalaiquery |
Medanencoding_format | Jenisstring | KeperluanPilihan | Nilai & had float, base64 | Lalaifloat |
Medantruncate | Jenisstring | KeperluanPilihan | Nilai & had NONE, START, END | Lalai— |
Medandimensions | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 | Lalai— |
Medanuser | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Gabungan bahan input
text_to_embedding
Parameter kaedah dan kitar hayat
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext |
Parameterrequired | Kontrakmodel, input |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
Pelan harga
Kadar kaedah Ailoot
POST /v1/embeddings- Input
- USD 0.0001 / 1K
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Contoh permintaan
Ailoot · Pembenaman
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "nvidia/nemotron-3-embed-1b", "input": []}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=[text]
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
Terima dan simpan hasil
Ailoot · Pembenaman
json
Simpan semua hasil yang selesai
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Nyahkod vektor base64 hanya apabila format tersebut diminta; simpan setiap vektor berserta indeks asalnya.
Jika respons asal perlu disemak
Tiada titik akhir tugas pembenaman diperkenalkan.
Medan respons
| Medan | Jenis |
|---|---|
Medandata[].index | Jenisinteger |
Medandata[].embedding | Jenisfinite float[]|base64 float32 vector |
Medanmodel | Jenisstring |
Medanusage | Jenisobject |
Ralat dan langkah seterusnya
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Alias
Alias model
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Alias laluan kaedah
Gunakan laluan kaedah yang dipaparkan di atas.
ID pemanggil berkaitan
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Ailoot · Pembenaman POST /v1/embeddings nemotron-3-embed
nemotron-3-embednvidia/nemotron-3-embed-1bnemotron-3-embednemotron-3-embed-latest
Pengenalan
Nemotron 3 Embed 1B menukarkan teks kepada vektor untuk carian berbilang bahasa, carian kod dan RAG. Memproses urutan sehingga 32768 token dan menghasilkan perwakilan dengan dimensi 2048 nombor.
- Input yang diterima
- Teks
- Hasil
- embedding
Tersedia di Ailoot · input & kaedah
Ailoot · Pembenaman POST /v1/embeddings
- Input
text- Output
embedding- Konteks
- 4,096 tokens
- Format output
- json
| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had nemotron-3-embed | Lalai— |
Medaninput | Jenisstring|string[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 Syarat: Setiap rentetan mesti tidak kosong selepas trim; URI data ditolak; belanjawan yang diterima mengukur bait UTF8 yang berkaitan. | Lalai— |
Medaninput_type | Jenisstring | KeperluanPilihan | Nilai & had query, passage | Lalaiquery |
Medanencoding_format | Jenisstring | KeperluanPilihan | Nilai & had float, base64 | Lalaifloat |
Medantruncate | Jenisstring | KeperluanPilihan | Nilai & had NONE, START, END | Lalai— |
Medandimensions | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 | Lalai— |
Medanuser | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Gabungan bahan input
text_to_embedding
Parameter kaedah dan kitar hayat
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext |
Parameterrequired | Kontrakmodel, input |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
Pelan harga
Kadar kaedah Ailoot
POST /v1/embeddings- Input
- USD 0.0001 / 1K
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Contoh permintaan
Ailoot · Pembenaman
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "nemotron-3-embed", "input": []}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=[text]
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
Terima dan simpan hasil
Ailoot · Pembenaman
json
Simpan semua hasil yang selesai
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Nyahkod vektor base64 hanya apabila format tersebut diminta; simpan setiap vektor berserta indeks asalnya.
Jika respons asal perlu disemak
Tiada titik akhir tugas pembenaman diperkenalkan.
Medan respons
| Medan | Jenis |
|---|---|
Medandata[].index | Jenisinteger |
Medandata[].embedding | Jenisfinite float[]|base64 float32 vector |
Medanmodel | Jenisstring |
Medanusage | Jenisobject |
Ralat dan langkah seterusnya
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Alias
Alias model
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Alias laluan kaedah
Gunakan laluan kaedah yang dipaparkan di atas.
ID pemanggil berkaitan
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Ailoot · Pembenaman POST /v1/embeddings nemotron-3-embed-latest
nemotron-3-embed-latestnvidia/nemotron-3-embed-1bnemotron-3-embednemotron-3-embed-latest
Pengenalan
Nemotron 3 Embed 1B menukarkan teks kepada vektor untuk carian berbilang bahasa, carian kod dan RAG. Memproses urutan sehingga 32768 token dan menghasilkan perwakilan dengan dimensi 2048 nombor.
- Input yang diterima
- Teks
- Hasil
- embedding
Tersedia di Ailoot · input & kaedah
Ailoot · Pembenaman POST /v1/embeddings
- Input
text- Output
embedding- Konteks
- 4,096 tokens
- Format output
- json
| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had nemotron-3-embed-latest | Lalai— |
Medaninput | Jenisstring|string[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 Syarat: Setiap rentetan mesti tidak kosong selepas trim; URI data ditolak; belanjawan yang diterima mengukur bait UTF8 yang berkaitan. | Lalai— |
Medaninput_type | Jenisstring | KeperluanPilihan | Nilai & had query, passage | Lalaiquery |
Medanencoding_format | Jenisstring | KeperluanPilihan | Nilai & had float, base64 | Lalaifloat |
Medantruncate | Jenisstring | KeperluanPilihan | Nilai & had NONE, START, END | Lalai— |
Medandimensions | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 | Lalai— |
Medanuser | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Gabungan bahan input
text_to_embedding
Parameter kaedah dan kitar hayat
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext |
Parameterrequired | Kontrakmodel, input |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
Pelan harga
Kadar kaedah Ailoot
POST /v1/embeddings- Input
- USD 0.0001 / 1K
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Contoh permintaan
Ailoot · Pembenaman
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "nemotron-3-embed-latest", "input": []}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=[text]
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
Terima dan simpan hasil
Ailoot · Pembenaman
json
Simpan semua hasil yang selesai
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Nyahkod vektor base64 hanya apabila format tersebut diminta; simpan setiap vektor berserta indeks asalnya.
Jika respons asal perlu disemak
Tiada titik akhir tugas pembenaman diperkenalkan.
Medan respons
| Medan | Jenis |
|---|---|
Medandata[].index | Jenisinteger |
Medandata[].embedding | Jenisfinite float[]|base64 float32 vector |
Medanmodel | Jenisstring |
Medanusage | Jenisobject |
Ralat dan langkah seterusnya
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Alias
Alias model
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Alias laluan kaedah
Gunakan laluan kaedah yang dipaparkan di atas.
ID pemanggil berkaitan
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
FAQ · nvidia/nemotron-3-embed-1b
- Apakah input dan hasil yang tersedia?
POST /v1/embeddings·nvidia/nemotron-3-embed-1b:text→embeddingPOST /v1/embeddings·nemotron-3-embed:text→embeddingPOST /v1/embeddings·nemotron-3-embed-latest:text→embedding- Apakah medan yang digunakan oleh permintaan?
POST /v1/embeddings·nvidia/nemotron-3-embed-1b:model,input,input_type,encoding_format,truncate,dimensions,userPOST /v1/embeddings·nemotron-3-embed:model,input,input_type,encoding_format,truncate,dimensions,userPOST /v1/embeddings·nemotron-3-embed-latest:model,input,input_type,encoding_format,truncate,dimensions,user- Apakah had yang terpakai?
POST /v1/embeddings·nvidia/nemotron-3-embed-1b:ctx:4096;input.min_items:1;dimensions.minimum:1POST /v1/embeddings·nemotron-3-embed:ctx:4096;input.min_items:1;dimensions.minimum:1POST /v1/embeddings·nemotron-3-embed-latest:ctx:4096;input.min_items:1;dimensions.minimum:1