Source: https://ailoot.ai/models/nb/nvidia-nemotron-3-embed-1b-u003a-free/
Canonical: https://ailoot.ai/models/nb/nvidia-nemotron-3-embed-1b-u003a-free/
Language: nb

# NVIDIA: Nemotron 3 Embed 1B (free)

[Markdown](https://ailoot.ai/models/nb/nvidia-nemotron-3-embed-1b-u003a-free/index.md) · [JSON](https://ailoot.ai/models/nb/nvidia-nemotron-3-embed-1b-u003a-free/facts.json)

## [NVIDIA: Nemotron 3 Embed 1B (free)](https://ailoot.ai/models/nb/nvidia-nemotron-3-embed-1b-u003a-free/)

NVIDIA Nemotron 3 Embed 1B representerer flerspråklige spørringer og tekstutdrag som 2048-dimensjonale vektorer for søk og RAG. Den dokumenterte familien støtter en sekvens på 32,768 tokener og reduserte vektorstørrelser med ny normalisering.

- [**Ailoot Ultra · Vektorrepresentasjoner** `POST /v1/embeddings` `nvidia/nemotron-3-embed-1b:free`](https://ailoot.ai/models/nb/nvidia-nemotron-3-embed-1b-u003a-free/#method-0)

Om modellen

Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.

Nemotron 3 Embed 1B er NVIDIAs tekstembeddingfamilie for flerspråklig og tverrspråklig gjenfinning og semantisk likhet. Den omdanner et spørsmål eller en passasje til en tett vektor som et søkesystem kan sammenligne med andre tekstrepresentasjoner. Produsenten evaluerer de dokumenterte 1B-utgavene på tvers av trettifire språk- og språkvariantoppsett, inkludert engelsk, arabisk, kinesisk, russisk, japansk, koreansk og hinglish.

#### Koder og representasjon

Produsentens modellkort beskriver en beskåret, toveis transformer avledet fra Ministral 3. Den har omtrent 1,14 milliarder parametere og beregner gjennomsnittet av representasjonene på tokennivå for å få én embedding per tekst. Den opprinnelige utdatarepresentasjonen er en 2048-dimensjonal flyttallsvektor. Dette er en gjenfinningsrepresentasjon, ikke et skriftlig svar på spørsmålet det beregnes en embedding av.

Produsenten støtter også å beholde den første delen av representasjonen, for eksempel 1024 eller 512 dimensjoner. Den forkortede vektoren må L2-normaliseres på nytt etter utskjæringen. Hold den valgte representasjonslengden og normaliseringen konsekvent på forespørsels- og korpussiden av en søkeoppgave. Vektorens lengde og lengden på inndatasekvensen er separate egenskaper.

#### Klargjøring av forespørsler og passasjer

Den dokumenterte gjenfinningskonvensjonen bruker “query:” for et spørsmål og “passage:” for dokumenttekst. Produsentens eksempler legger til disse rollene før koding og sammenligner normaliserte vektorer med et skalarprodukt, som tilsvarer cosinuslikhet. Bruk klargjøringen den valgte arbeidsflyten forventer, fremfor å blande en rå korpusrepresentasjon med en annerledes klargjort forespørsel.

En praktisk samling kan inneholde tekniske forklaringer, retningslinjer eller koderelatert dokumentasjon. Et spørsmål om hvordan en funksjon håndterer et bestemt tilfelle, bør hente kildepassasjen eller kodeutdraget som beskriver denne oppførselen. Bevar identifikatorer, overskrifter og relevante betingelser sammen med selve passasjeteksten. Vektoren gjør kandidaten søkbar; den bevarte kilden er det en leser eller et senere RAG-svartrinn bruker.

#### Lengre kildemateriale

Den dokumenterte maksimale sekvenslengden er 32 768 tokener. Velg passasjegrenser bevisst selv når modellen kan romme betydelige mengder tekst. En hel seksjon kan bevare en definisjon og unntakene til den; et avgrenset utdrag kan gjøre et konkret svar lettere å undersøke. Inndata som overskrider modellvinduet, må deles opp eller avkortes, så den utelatte slutten må ikke behandles som representert innhold.

Hold hvert element det beregnes en embedding av, knyttet til det overordnede dokumentet og versjonen. For en rapport bevares seksjonstittelen og forklaringen rundt konklusjonen spørsmålet gjelder. For kodesøk bevares funksjonsnavnet, det relevante grensesnittet og oppførselen sammen med utdraget. Dette gir et konkret kildegrunnlag når gjenfinningstrinnet returnerer en kandidat.

#### Familieutgaver og bruk av resultatet

NVIDIA dokumenterer BF16- og NVFP4-versjoner av 1B-familien. Kortet for den kvantiserte modellen sier at disse to utgavene deler et embeddingrom, og anbefaler å kontrollere gjenfinningskvaliteten på representativt materiale ved bytte av versjon. Den erklærte felles representasjonen er en produsentuttalelse om dette navngitte paret, ikke en generell regel for alle modeller med 2048 utdataverdier.

Det nyttige resultatet er en forespørselsvektor eller en indeksert kildesamling med registrert modell, dimensjonsvalg og klargjøring. Returner kandidatteksten med identifikatoren, og undersøk om den gir den nødvendige informasjonen. Produsenten påpeker uttrykkelig at en gjenfinningsmodell ikke garanterer riktig passasje for hvert spørsmål; et senere omrangerings- eller svartrinn arbeider med disse kandidatene som sin egen oppgave.

**Ailoot Ultra · Vektorrepresentasjoner** `POST /v1/embeddings` `nvidia/nemotron-3-embed-1b:free`

[`nvidia/nemotron-3-embed-1b:free`](https://ailoot.ai/models/nb/#m=nvidia%2Fnemotron-3-embed-1b%3Afree&route=Ultra&caller=nvidia%2Fnemotron-3-embed-1b%3Afree&fmt=embeddings)

NVIDIA /`nvidia/nemotron-3-embed-1b:free`

### Start

NVIDIA Nemotron 3 Embed 1B representerer flerspråklige spørringer og tekstutdrag som 2048-dimensjonale vektorer for søk og RAG. Den dokumenterte familien støtter en sekvens på 32,768 tokener og reduserte vektorstørrelser med ny normalisering.

Godkjente inndata

Tekst · token\_ids

Resultater

embedding

### Tilgjengelig i Ailoot · inndata & metoder

**Ailoot Ultra · Vektorrepresentasjoner** `POST /v1/embeddings`

Inndatatyper

`text`, `token_ids`

Utdatatyper

`embedding`

Kontekst

32 768 tokens

Utdataformat

json

| Felt | Type | Krav | Verdier & grenser | Standard |
| --- | --- | --- | --- | --- |
| Felt`model` | Type`string` | KravPåkrevd | Verdier & grenser nvidia/nemotron-3-embed-1b:free | Standard— |
| Felt`input` | Type`string\|string[]\|integer[]\|integer[][]` | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall. Inndatabudsjett: Maksimum: 32 768 · Tekstenhet: UTF8-byte · Tokenenhet: elementer i token-arrayet | Standard— |
| Felt`encoding_format` | Type`string` | KravValgfritt | Verdier & grenser float | Standardfloat |
| Felt`dimensions` | Type`integer` | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
| Felt`user` | Type`json_value` | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
| Felt`session_id` | Type`json_value` | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
| Felt`trace` | Type`json_value` | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
| Felt`provider` | Type`object` | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |

Kombinasjoner av inngående materialer

**text\_to\_embedding**

Metodeparametere og livssyklus

| Parameter | Avtale |
| --- | --- |
| Parameter`content_type` | Avtaleapplication/json |
| Parameter`required` | Avtalemodel, input |
| Parameter`input_shapes` | Avtalestring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Avtalefloat |
| Parameter`dimensions_override` | Avtalefalse |
| Parameter`max_input_budget_units` | Avtale32768 |
| Parameter`multimodal_objects` | Avtalefalse |
| Parameter`material_types` | Avtaletext, token\_ids |

Livssyklus: `synchronous_json`

Bevar hver vektors indeks og dimensjon.

Et multimodalt modellnavn innebærer ikke at bildeobjekter er tillatt på denne nøyaktige stien.

### Priser

Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.

Hurtigmodus

Standardpris Når hurtigmodus er valgt

Flex-modus

Standardpris Når flex-modus er valgt

Maksimal resonneringsinnsats

Standardpris Når justeringen «default» brukes for maksimal resonneringsinnsats

#### Ailoot-satser

#### Priser etter konfigurasjon

| Konfigurasjon | Prisplan | Kostnad |
| --- | --- | --- |
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener **$0** / 1K tokener Utdata · Utgående tokener **$0** / 1K tokener Inndata · Lesing fra hurtigbuffer **—** / 1K tokener Inndata · Skriving til hurtigbuffer **—** / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time **—** / 1K tokener |

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 →](https://ailoot.ai/docs/nb/billing/reserve/)

### Eksempelforespørsler

#### Ailoot Ultra · Vektorrepresentasjoner

curlPython SDK

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "nvidia/nemotron-3-embed-1b:free", "input": ["First document", "Second document"]}')

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
```

```python
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='nvidia/nemotron-3-embed-1b:free',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### Motta og lagre resultater

#### Ailoot Ultra · Vektorrepresentasjoner

json

##### Behold alle ferdige resultater

Behold alle fullstendige returnerte svar, filer og innholdsdeler.

Bevar hver vektor sammen med indeksen. Antall vektorer må være lik antall inndata; dimensjonene må være konsistente.

##### Hvis det opprinnelige svaret må kontrolleres

Det innføres ikke noe endepunkt for embedding-jobber.

Svarfelter

| Felt | Type |
| --- | --- |
| Felt`object` | Typestring |
| Felt`model` | Typestring |
| Felt`data[].index` | Typeinteger |
| Felt`data[].embedding` | Typefinite float\[\] |
| Felt`usage` | 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 Ultra** [`nvidia/nemotron-3-embed-1b:free`](https://ailoot.ai/models/nb/#m=nvidia%2Fnemotron-3-embed-1b%3Afree&route=Ultra&caller=nvidia%2Fnemotron-3-embed-1b%3Afree&fmt=embeddings)

#### Aliaser for metodestier

Bruk metodestiene som vises ovenfor.

#### Tilknyttede anroper-ID-er

[`nvidia/nemotron-3-embed-1b:free`](https://ailoot.ai/models/nb/#m=nvidia%2Fnemotron-3-embed-1b%3Afree&route=Ultra&caller=nvidia%2Fnemotron-3-embed-1b%3Afree&fmt=embeddings)

FAQ · NVIDIA: Nemotron 3 Embed 1B (free)

Hvilke inndata og resultater er tilgjengelige?

`POST /v1/embeddings` · `nvidia/nemotron-3-embed-1b:free`: `text`, `token_ids` → `embedding`

Hvilke felt bruker forespørselen?

`POST /v1/embeddings` · `nvidia/nemotron-3-embed-1b:free`: `model`, `input`, `encoding_format`, `provider`

Hvilke grenser gjelder?

`POST /v1/embeddings` · `nvidia/nemotron-3-embed-1b:free`: `ctx`: `32768`; `input.budget.maximum`: `32768` (UTF8-byte); `input.min_items`: `1`

Koble Ailoot til Claude Code, OpenCode, Hermes eller egen applikasjon.

## Selskapet og dets prosjektportefølje

Selskapet og dets prosjektportefølje: millioner av kunder; månedlig salg for milliarder.

## Kjøp tokener med rabatt.

Abonnementsrabatt for jevnlig bruk. Kampanjekoder gir opptil 50% på tokenkjøp.

Abonnement

Velg et rabattabonnement for faste forespørsler.

Kampanjekode opptil 50%

Oppgi kode ved kjøp. Prisen beregnes på nytt etter gjeldende kampanje.

Kostnader i historikken

Modell, tokener og beløp lagres for hver forespørsel.

[Velg abonnement](https://ailoot.ai/docs/nb/billing/subscriptions/) · [Se modellpriser](https://ailoot.ai/models/nb/)

## Koble API-et til produktet du selger.

SaaS, apper og boter etter Ailoots offentlige tilbud og lisensavtale. Be om forhandlerlisens for videresalg.

Kommersiell applikasjon

Bygg tekst-, bilde-, video- og lydgenerering inn i betalte funksjoner i tjenesten.

Forhandlerlisens

Send prosjektbeskrivelse og tilgangsopplegg. Be om skriftlige vilkår for bruk og videresalg.

Dokumenter på nettstedet

Offentlig tilbud, lisensavtale og retningslinjer for databehandling er tilgjengelige før tilkobling.

[Be om forhandlerlisens](mailto:support@ailoot.ai) · [Offentlig tilbud og lisensavtale](https://ailoot.ai/legal/offer?lang=nb)

## Ailoot · Selskapet og dets prosjektportefølje





Ailoot bygger på etablert driftserfaring, en stor kundebase, stabil tjeneste og løpende KPI-kontroll.





Selskapet og dets prosjektportefølje: millioner av kunder; månedlig salg for milliarder.





Ailoot bruker denne driftserfaringen til API-tilgang til AI-funksjoner i kundenes produkter, agenter, applikasjoner og automatiseringer.