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.
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.
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.
", "aboutText": "### Finn den riktige siden ut fra et spørsmål\n\nLlama 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.\n\nDette 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.\n\n### Dokumentvarianter hos produsenten\n\n- Tekstdokument: en separat del, et utsnitt eller tekst som allerede er gjenkjent fra en side.\n- Bilde: hele siden med tekst, tabeller og grafiske elementer.\n- Bilde med tekst: sidens visuelle utseende og tekstinnhold kombineres i én representasjon.\n\nSøkespørsmål 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.\n\n### Representasjonsstørrelse og inndatalengde\n\nHvert 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.\n\nSpråkdelen 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "14f1b443899352a30f2743d765045da41da366668ca4c668e282a6335db17545", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Llama Nemotron Embed VL v2 lager vektorer for semantisk dokumentsøk. Den gjeldende Ailoot-katalogen oppgir tekst som inndata for søk og materiale.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
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.
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.
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.
POST /v1/embeddingstextembedding| 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— |
text_to_embedding
| 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.
POST /v1/embeddingsAiloot 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/llama-nemotron-embed-vl-1b-v2", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
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.
Det innføres ikke noe endepunkt for embedding-jobber.
| Felt | Type |
|---|---|
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[]|base64 float32 vector |
Feltmodel | Typestring |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Bruk metodestiene som vises ovenfor.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlLlama Nemotron Embed VL v2 lager vektorer for semantisk dokumentsøk. Den gjeldende Ailoot-katalogen oppgir tekst som inndata for søk og materiale.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
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.
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.
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.
POST /v1/embeddingstextembedding| 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— |
text_to_embedding
| 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.
POST /v1/embeddingsAiloot 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-embed-vl", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
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.
Det innføres ikke noe endepunkt for embedding-jobber.
| Felt | Type |
|---|---|
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[]|base64 float32 vector |
Feltmodel | Typestring |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Bruk metodestiene som vises ovenfor.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestLlama Nemotron Embed VL v2 lager vektorer for semantisk dokumentsøk. Den gjeldende Ailoot-katalogen oppgir tekst som inndata for søk og materiale.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
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.
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.
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.
POST /v1/embeddingstextembedding| 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— |
text_to_embedding
| 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.
POST /v1/embeddingsAiloot 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-embed-vl-latest", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
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.
Det innføres ikke noe endepunkt for embedding-jobber.
| Felt | Type |
|---|---|
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[]|base64 float32 vector |
Feltmodel | Typestring |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Bruk metodestiene som vises ovenfor.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest