Llama Nemotron Embed VL 1B v2
Llama Nemotron Embed VL v2 lager vektorer for semantisk dokumentsøk. Den gjeldende Ailoot-katalogen oppgir tekst som inndata for søk og materiale.
- Ailoot · Vektorrepresentasjoner
POST /v1/embeddingsnvidia/llama-nemotron-embed-vl-1b-v2 - Ailoot · Vektorrepresentasjoner
POST /v1/embeddingsnemotron-embed-vl - Ailoot · Vektorrepresentasjoner
POST /v1/embeddingsnemotron-embed-vl-latest
Om modellen
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Finn den riktige siden ut fra et spørsmål
Llama Nemotron Embed VL 1B v2 er utviklet av NVIDIA for å finne materiale som bidrar til å besvare et spørsmål. Søkespørsmålet angis som tekst. Den gjeldende Ailoot-katalogen oppgir tekst som inndata for modellen: spørsmål og materiale kodes som tekst. Produsenten beskriver også dokumenter som bilder av sider eller bilder sammen med uthentet tekst. Slike visuelle alternativer krever en egen metode med bildestøtte. Med egnede inndata representerer modellen tabeller, diagrammer og infografikk i samme vektorrom.
Dette søket passer for spørsmål-og-svar-assistenter over store dokumentsamlinger, interne referanseverk og forskningsmateriale. Kodingsresultatet er en numerisk vektor. Siden eller tekstutsnittet som finnes, kan deretter sendes til en modell som utarbeider svaret: Embed VL utfører selv trinnet med å finne kontekst.
Dokumentvarianter hos produsenten
- Tekstdokument: en separat del, et utsnitt eller tekst som allerede er gjenkjent fra en side.
- Bilde: hele siden med tekst, tabeller og grafiske elementer.
- Bilde med tekst: sidens visuelle utseende og tekstinnhold kombineres i én representasjon.
Søkespørsmål og dokument kodes uavhengig av hverandre. Samlingen kan derfor behandles på forhånd, og vektorene lagres sammen med kildesidene; ved et nytt spørsmål må bare spørsmålets vektor beregnes. Vektorlikhet bidrar til å velge materiale etter mening. Søkespørsmål og dokument har ulike tekstroller, og dette skillet må bevares når dataene klargjøres.
Representasjonsstørrelse og inndatalengde
Hvert inndataelement omdannes til én vektor med opptil 2048 tall. Tekstmodusen bruker et budsjett på 8192 tokener. For produsentens visuelle metode som kombinerer bilde og tekst, beskrives et samlet budsjett på 10240 tokener for begge delene; dette er ikke tekstgrensen i Ailoot-metoden. Bildet deles i utsnitt: den beskrevne konfigurasjonen tillater opptil seks utsnitt og en nedskalert kopi av hele siden, til sammen omtrent 1792 visuelle tokener. Lange tekster må deles eller forkortes.
Språkdelen bygger på Llama 3.2 1B, og den visuelle delen på SigLIP2. De samles i en enkoder som beregner gjennomsnittet av inndatatokenenes representasjoner og gir én vektor. Kontrastiv trening bringer spørsmålet nærmere en egnet side og lenger fra irrelevant materiale. Søket er fortsatt sannsynlighetsbasert: nærhet mellom vektorer garanterer ikke at det valgte utsnittet inneholder riktig svar.
Ailoot · Vektorrepresentasjoner POST /v1/embeddings nvidia/llama-nemotron-embed-vl-1b-v2
nvidia/llama-nemotron-embed-vl-1b-v2
nvidia/llama-nemotron-embed-vl-1b-v2nvidia/llama-nemotron-embed-vl-1b-v2nemotron-embed-vlnemotron-embed-vl-latest
Start
Llama Nemotron Embed VL v2 lager vektorer for semantisk dokumentsøk. Den gjeldende Ailoot-katalogen oppgir tekst som inndata for søk og materiale.
- Godkjente inndata
- Tekst
- Resultater
- embedding
Tilgjengelig i Ailoot · inndata & metoder
Ailoot · Vektorrepresentasjoner POST /v1/embeddings
- Inndatatyper
text- Utdatatyper
embedding- Kontekst
- 4 096 tokens
- Utdataformat
- json
| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser nvidia/llama-nemotron-embed-vl-1b-v2 | Standard— |
Feltinput | Typestring|string[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Hver streng må ha innhold etter fjerning av blanktegn i begynnelsen og slutten; data-URI-er avvises; det godtatte budsjettet måler de relevante UTF8-bytene. | Standard— |
Feltinput_type | Typestring | KravValgfritt | Verdier & grenser query, passage | Standardquery |
Feltencoding_format | Typestring | KravValgfritt | Verdier & grenser float, base64 | Standardfloat |
Felttruncate | Typestring | KravValgfritt | Verdier & grenser NONE, START, END | Standard— |
Feltdimensions | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 | Standard— |
Feltuser | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Kombinasjoner av inngående materialer
text_to_embedding
Metodeparametere og livssyklus
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext |
Parameterrequired | Avtalemodel, input |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
Priser
Satser for Ailoot-metoder
POST /v1/embeddings- Inndata
- 0,0001 USD / 1K
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Eksempelforespørsler
Ailoot · Vektorrepresentasjoner
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "nvidia/llama-nemotron-embed-vl-1b-v2", "input": []}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=[text]
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
Motta og lagre resultater
Ailoot · Vektorrepresentasjoner
json
Behold alle ferdige resultater
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Dekod vektorer i base64 bare når dette formatet ble forespurt; behold hver vektor og dens opprinnelige indeks.
Hvis det opprinnelige svaret må kontrolleres
Det innføres ikke noe endepunkt for embedding-jobber.
Svarfelter
| Felt | Type |
|---|---|
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[]|base64 float32 vector |
Feltmodel | Typestring |
Feltusage | Typeobject |
Feil og neste trinn
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Aliaser
Modellaliaser
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Ailoot · Vektorrepresentasjoner POST /v1/embeddings nemotron-embed-vl
nemotron-embed-vlnvidia/llama-nemotron-embed-vl-1b-v2nemotron-embed-vlnemotron-embed-vl-latest
Start
Llama Nemotron Embed VL v2 lager vektorer for semantisk dokumentsøk. Den gjeldende Ailoot-katalogen oppgir tekst som inndata for søk og materiale.
- Godkjente inndata
- Tekst
- Resultater
- embedding
Tilgjengelig i Ailoot · inndata & metoder
Ailoot · Vektorrepresentasjoner POST /v1/embeddings
- Inndatatyper
text- Utdatatyper
embedding- Kontekst
- 4 096 tokens
- Utdataformat
- json
| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser nemotron-embed-vl | Standard— |
Feltinput | Typestring|string[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Hver streng må ha innhold etter fjerning av blanktegn i begynnelsen og slutten; data-URI-er avvises; det godtatte budsjettet måler de relevante UTF8-bytene. | Standard— |
Feltinput_type | Typestring | KravValgfritt | Verdier & grenser query, passage | Standardquery |
Feltencoding_format | Typestring | KravValgfritt | Verdier & grenser float, base64 | Standardfloat |
Felttruncate | Typestring | KravValgfritt | Verdier & grenser NONE, START, END | Standard— |
Feltdimensions | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 | Standard— |
Feltuser | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Kombinasjoner av inngående materialer
text_to_embedding
Metodeparametere og livssyklus
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext |
Parameterrequired | Avtalemodel, input |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
Priser
Satser for Ailoot-metoder
POST /v1/embeddings- Inndata
- 0,0001 USD / 1K
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Eksempelforespørsler
Ailoot · Vektorrepresentasjoner
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "nemotron-embed-vl", "input": []}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=[text]
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
Motta og lagre resultater
Ailoot · Vektorrepresentasjoner
json
Behold alle ferdige resultater
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Dekod vektorer i base64 bare når dette formatet ble forespurt; behold hver vektor og dens opprinnelige indeks.
Hvis det opprinnelige svaret må kontrolleres
Det innføres ikke noe endepunkt for embedding-jobber.
Svarfelter
| Felt | Type |
|---|---|
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[]|base64 float32 vector |
Feltmodel | Typestring |
Feltusage | Typeobject |
Feil og neste trinn
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Aliaser
Modellaliaser
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Ailoot · Vektorrepresentasjoner POST /v1/embeddings nemotron-embed-vl-latest
nemotron-embed-vl-latestnvidia/llama-nemotron-embed-vl-1b-v2nemotron-embed-vlnemotron-embed-vl-latest
Start
Llama Nemotron Embed VL v2 lager vektorer for semantisk dokumentsøk. Den gjeldende Ailoot-katalogen oppgir tekst som inndata for søk og materiale.
- Godkjente inndata
- Tekst
- Resultater
- embedding
Tilgjengelig i Ailoot · inndata & metoder
Ailoot · Vektorrepresentasjoner POST /v1/embeddings
- Inndatatyper
text- Utdatatyper
embedding- Kontekst
- 4 096 tokens
- Utdataformat
- json
| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser nemotron-embed-vl-latest | Standard— |
Feltinput | Typestring|string[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Hver streng må ha innhold etter fjerning av blanktegn i begynnelsen og slutten; data-URI-er avvises; det godtatte budsjettet måler de relevante UTF8-bytene. | Standard— |
Feltinput_type | Typestring | KravValgfritt | Verdier & grenser query, passage | Standardquery |
Feltencoding_format | Typestring | KravValgfritt | Verdier & grenser float, base64 | Standardfloat |
Felttruncate | Typestring | KravValgfritt | Verdier & grenser NONE, START, END | Standard— |
Feltdimensions | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 | Standard— |
Feltuser | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Kombinasjoner av inngående materialer
text_to_embedding
Metodeparametere og livssyklus
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext |
Parameterrequired | Avtalemodel, input |
Parameteroptional_controls | Avtalenull |
Parametercontent_type | Avtaleapplication/json |
Livssyklus: exact retained published method
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
Priser
Satser for Ailoot-metoder
POST /v1/embeddings- Inndata
- 0,0001 USD / 1K
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Eksempelforespørsler
Ailoot · Vektorrepresentasjoner
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "nemotron-embed-vl-latest", "input": []}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=[text]
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
Motta og lagre resultater
Ailoot · Vektorrepresentasjoner
json
Behold alle ferdige resultater
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Dekod vektorer i base64 bare når dette formatet ble forespurt; behold hver vektor og dens opprinnelige indeks.
Hvis det opprinnelige svaret må kontrolleres
Det innføres ikke noe endepunkt for embedding-jobber.
Svarfelter
| Felt | Type |
|---|---|
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[]|base64 float32 vector |
Feltmodel | Typestring |
Feltusage | Typeobject |
Feil og neste trinn
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Aliaser
Modellaliaser
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
FAQ · nvidia/llama-nemotron-embed-vl-1b-v2
- Hvilke inndata og resultater er tilgjengelige?
POST /v1/embeddings·nvidia/llama-nemotron-embed-vl-1b-v2:text→embeddingPOST /v1/embeddings·nemotron-embed-vl:text→embeddingPOST /v1/embeddings·nemotron-embed-vl-latest:text→embedding- Hvilke felt bruker forespørselen?
POST /v1/embeddings·nvidia/llama-nemotron-embed-vl-1b-v2:model,input,input_type,encoding_format,truncate,dimensions,userPOST /v1/embeddings·nemotron-embed-vl:model,input,input_type,encoding_format,truncate,dimensions,userPOST /v1/embeddings·nemotron-embed-vl-latest:model,input,input_type,encoding_format,truncate,dimensions,user- Hvilke grenser gjelder?
POST /v1/embeddings·nvidia/llama-nemotron-embed-vl-1b-v2:ctx:4096;input.min_items:1;dimensions.minimum:1POST /v1/embeddings·nemotron-embed-vl:ctx:4096;input.min_items:1;dimensions.minimum:1POST /v1/embeddings·nemotron-embed-vl-latest:ctx:4096;input.min_items:1;dimensions.minimum:1