Nemotron 3 Embed 1B er en tekstmodell fra NVIDIA for søk etter mening og sammenligning av utsnitt. Den koder spørsmål, dokumenter og programkode til tette numeriske vektorer. Representasjonene brukes til å finne riktig kontekst i store samlinger, supplere assistentsvaret med den eller hente tidligere lagret informasjon til agentens neste trinn.
Modellen er laget for søk på flere språk og på tvers av språk: spørsmålet og det relevante materialet kan være skrevet på forskjellige språk. Russisk inngår i det publiserte settet med 34 språk, sammen med engelsk, ukrainsk, kinesisk, japansk, arabisk og andre. Dette er nyttig for felles kunnskapsbaser der tekniske dokumenter og brukerhenvendelser ikke er samlet på ett språk.
Oppgavene omfatter søk i dokumentasjon, sammenligning av tekster og gjenfinning av kode fra en språklig beskrivelse. Det store inndatavinduet gjør det mulig å arbeide med lange dokumenter, omfattende kodekontekst og historikk fra flere agenttrinn. Materialet som finnes, returneres som kontekst til den videre prosessen; det endelige svaret og forklaringene utarbeides av neste systemkomponent.
Inndataene er tekststrenger. Hver streng gir én vektor med 2048 tall. Maksimal sekvenslengde er 32768 tokener; lengre materiale må deles eller forkortes. Ved klargjøring av inndata skilles det mellom spørsmål og dokument: modellen er trent til å koble disse rollene, så samme streng i de to oppgavene må formateres med hensyn til formålet.
Vektorene lengdenormaliseres. Med en slik representasjon gir skalarprodukt og cosinuslikhet likeverdige sammenligningsmetoder. De første 1024 eller 512 koordinatene i den fullstendige vektoren kan beholdes, men normaliseringen må gjentas etter avkorting. Dette er en egenskap ved resultatbehandlingen; dimensjonen bør velges konsekvent for samling og søkespørsmål.
Enkoderen har omtrent 1,14 milliarder parametere. Den er hentet fra en modell basert på Ministral 3 3B gjennom to trinn med strukturell reduksjon og destillasjon. Toveis oppmerksomhet tar hensyn til hele inndataene, og tokenrepresentasjonene gjennomsnittsberegnes deretter til én vektor.
NVIDIA gir ut variantene BF16 og NVFP4. Representasjonsrommene ligger nær hverandre, men bytte av variant krever kontroll på egne dokumenter. Verken numerisk likhet eller kontekstlengde garanterer at søket alltid velger riktig utsnitt.
", "aboutText": "Nemotron 3 Embed 1B er en tekstmodell fra NVIDIA for søk etter mening og sammenligning av utsnitt. Den koder spørsmål, dokumenter og programkode til tette numeriske vektorer. Representasjonene brukes til å finne riktig kontekst i store samlinger, supplere assistentsvaret med den eller hente tidligere lagret informasjon til agentens neste trinn.\n\n### Kunnskap på flere språk og kode\n\nModellen er laget for søk på flere språk og på tvers av språk: spørsmålet og det relevante materialet kan være skrevet på forskjellige språk. Russisk inngår i det publiserte settet med 34 språk, sammen med engelsk, ukrainsk, kinesisk, japansk, arabisk og andre. Dette er nyttig for felles kunnskapsbaser der tekniske dokumenter og brukerhenvendelser ikke er samlet på ett språk.\n\nOppgavene omfatter søk i dokumentasjon, sammenligning av tekster og gjenfinning av kode fra en språklig beskrivelse. Det store inndatavinduet gjør det mulig å arbeide med lange dokumenter, omfattende kodekontekst og historikk fra flere agenttrinn. Materialet som finnes, returneres som kontekst til den videre prosessen; det endelige svaret og forklaringene utarbeides av neste systemkomponent.\n\n### Fra tekst til vektor\n\nInndataene er tekststrenger. Hver streng gir én vektor med 2048 tall. Maksimal sekvenslengde er 32768 tokener; lengre materiale må deles eller forkortes. Ved klargjøring av inndata skilles det mellom spørsmål og dokument: modellen er trent til å koble disse rollene, så samme streng i de to oppgavene må formateres med hensyn til formålet.\n\nVektorene lengdenormaliseres. Med en slik representasjon gir skalarprodukt og cosinuslikhet likeverdige sammenligningsmetoder. De første 1024 eller 512 koordinatene i den fullstendige vektoren kan beholdes, men normaliseringen må gjentas etter avkorting. Dette er en egenskap ved resultatbehandlingen; dimensjonen bør velges konsekvent for samling og søkespørsmål.\n\n### Hvordan den kompakte modellen er bygd\n\nEnkoderen har omtrent 1,14 milliarder parametere. Den er hentet fra en modell basert på Ministral 3 3B gjennom to trinn med strukturell reduksjon og destillasjon. Toveis oppmerksomhet tar hensyn til hele inndataene, og tokenrepresentasjonene gjennomsnittsberegnes deretter til én vektor.\n\nNVIDIA gir ut variantene BF16 og NVFP4. Representasjonsrommene ligger nær hverandre, men bytte av variant krever kontroll på egne dokumenter. Verken numerisk likhet eller kontekstlengde garanterer at søket alltid velger riktig utsnitt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6930c19155129aa169f3f73f3c32b563f5ef8850227b75616ffe4148bbe29661", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "nvidia/nemotron-3-embed-1bNemotron 3 Embed 1B gjør tekst om til vektorer for søk på flere språk, kodesøk og RAG. Den behandler sekvenser på opptil 32768 tokener og gir en representasjon med 2048 tall.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Nemotron 3 Embed 1B er en tekstmodell fra NVIDIA for søk etter mening og sammenligning av utsnitt. Den koder spørsmål, dokumenter og programkode til tette numeriske vektorer. Representasjonene brukes til å finne riktig kontekst i store samlinger, supplere assistentsvaret med den eller hente tidligere lagret informasjon til agentens neste trinn.
Modellen er laget for søk på flere språk og på tvers av språk: spørsmålet og det relevante materialet kan være skrevet på forskjellige språk. Russisk inngår i det publiserte settet med 34 språk, sammen med engelsk, ukrainsk, kinesisk, japansk, arabisk og andre. Dette er nyttig for felles kunnskapsbaser der tekniske dokumenter og brukerhenvendelser ikke er samlet på ett språk.
Oppgavene omfatter søk i dokumentasjon, sammenligning av tekster og gjenfinning av kode fra en språklig beskrivelse. Det store inndatavinduet gjør det mulig å arbeide med lange dokumenter, omfattende kodekontekst og historikk fra flere agenttrinn. Materialet som finnes, returneres som kontekst til den videre prosessen; det endelige svaret og forklaringene utarbeides av neste systemkomponent.
Inndataene er tekststrenger. Hver streng gir én vektor med 2048 tall. Maksimal sekvenslengde er 32768 tokener; lengre materiale må deles eller forkortes. Ved klargjøring av inndata skilles det mellom spørsmål og dokument: modellen er trent til å koble disse rollene, så samme streng i de to oppgavene må formateres med hensyn til formålet.
Vektorene lengdenormaliseres. Med en slik representasjon gir skalarprodukt og cosinuslikhet likeverdige sammenligningsmetoder. De første 1024 eller 512 koordinatene i den fullstendige vektoren kan beholdes, men normaliseringen må gjentas etter avkorting. Dette er en egenskap ved resultatbehandlingen; dimensjonen bør velges konsekvent for samling og søkespørsmål.
Enkoderen har omtrent 1,14 milliarder parametere. Den er hentet fra en modell basert på Ministral 3 3B gjennom to trinn med strukturell reduksjon og destillasjon. Toveis oppmerksomhet tar hensyn til hele inndataene, og tokenrepresentasjonene gjennomsnittsberegnes deretter til én vektor.
NVIDIA gir ut variantene BF16 og NVFP4. Representasjonsrommene ligger nær hverandre, men bytte av variant krever kontroll på egne dokumenter. Verken numerisk likhet eller kontekstlengde garanterer at søket alltid velger riktig utsnitt.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser nvidia/nemotron-3-embed-1b | 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/nemotron-3-embed-1b", "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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Bruk metodestiene som vises ovenfor.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embedNemotron 3 Embed 1B gjør tekst om til vektorer for søk på flere språk, kodesøk og RAG. Den behandler sekvenser på opptil 32768 tokener og gir en representasjon med 2048 tall.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Nemotron 3 Embed 1B er en tekstmodell fra NVIDIA for søk etter mening og sammenligning av utsnitt. Den koder spørsmål, dokumenter og programkode til tette numeriske vektorer. Representasjonene brukes til å finne riktig kontekst i store samlinger, supplere assistentsvaret med den eller hente tidligere lagret informasjon til agentens neste trinn.
Modellen er laget for søk på flere språk og på tvers av språk: spørsmålet og det relevante materialet kan være skrevet på forskjellige språk. Russisk inngår i det publiserte settet med 34 språk, sammen med engelsk, ukrainsk, kinesisk, japansk, arabisk og andre. Dette er nyttig for felles kunnskapsbaser der tekniske dokumenter og brukerhenvendelser ikke er samlet på ett språk.
Oppgavene omfatter søk i dokumentasjon, sammenligning av tekster og gjenfinning av kode fra en språklig beskrivelse. Det store inndatavinduet gjør det mulig å arbeide med lange dokumenter, omfattende kodekontekst og historikk fra flere agenttrinn. Materialet som finnes, returneres som kontekst til den videre prosessen; det endelige svaret og forklaringene utarbeides av neste systemkomponent.
Inndataene er tekststrenger. Hver streng gir én vektor med 2048 tall. Maksimal sekvenslengde er 32768 tokener; lengre materiale må deles eller forkortes. Ved klargjøring av inndata skilles det mellom spørsmål og dokument: modellen er trent til å koble disse rollene, så samme streng i de to oppgavene må formateres med hensyn til formålet.
Vektorene lengdenormaliseres. Med en slik representasjon gir skalarprodukt og cosinuslikhet likeverdige sammenligningsmetoder. De første 1024 eller 512 koordinatene i den fullstendige vektoren kan beholdes, men normaliseringen må gjentas etter avkorting. Dette er en egenskap ved resultatbehandlingen; dimensjonen bør velges konsekvent for samling og søkespørsmål.
Enkoderen har omtrent 1,14 milliarder parametere. Den er hentet fra en modell basert på Ministral 3 3B gjennom to trinn med strukturell reduksjon og destillasjon. Toveis oppmerksomhet tar hensyn til hele inndataene, og tokenrepresentasjonene gjennomsnittsberegnes deretter til én vektor.
NVIDIA gir ut variantene BF16 og NVFP4. Representasjonsrommene ligger nær hverandre, men bytte av variant krever kontroll på egne dokumenter. Verken numerisk likhet eller kontekstlengde garanterer at søket alltid velger riktig utsnitt.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser nemotron-3-embed | 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-3-embed", "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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Bruk metodestiene som vises ovenfor.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embed-latestNemotron 3 Embed 1B gjør tekst om til vektorer for søk på flere språk, kodesøk og RAG. Den behandler sekvenser på opptil 32768 tokener og gir en representasjon med 2048 tall.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Nemotron 3 Embed 1B er en tekstmodell fra NVIDIA for søk etter mening og sammenligning av utsnitt. Den koder spørsmål, dokumenter og programkode til tette numeriske vektorer. Representasjonene brukes til å finne riktig kontekst i store samlinger, supplere assistentsvaret med den eller hente tidligere lagret informasjon til agentens neste trinn.
Modellen er laget for søk på flere språk og på tvers av språk: spørsmålet og det relevante materialet kan være skrevet på forskjellige språk. Russisk inngår i det publiserte settet med 34 språk, sammen med engelsk, ukrainsk, kinesisk, japansk, arabisk og andre. Dette er nyttig for felles kunnskapsbaser der tekniske dokumenter og brukerhenvendelser ikke er samlet på ett språk.
Oppgavene omfatter søk i dokumentasjon, sammenligning av tekster og gjenfinning av kode fra en språklig beskrivelse. Det store inndatavinduet gjør det mulig å arbeide med lange dokumenter, omfattende kodekontekst og historikk fra flere agenttrinn. Materialet som finnes, returneres som kontekst til den videre prosessen; det endelige svaret og forklaringene utarbeides av neste systemkomponent.
Inndataene er tekststrenger. Hver streng gir én vektor med 2048 tall. Maksimal sekvenslengde er 32768 tokener; lengre materiale må deles eller forkortes. Ved klargjøring av inndata skilles det mellom spørsmål og dokument: modellen er trent til å koble disse rollene, så samme streng i de to oppgavene må formateres med hensyn til formålet.
Vektorene lengdenormaliseres. Med en slik representasjon gir skalarprodukt og cosinuslikhet likeverdige sammenligningsmetoder. De første 1024 eller 512 koordinatene i den fullstendige vektoren kan beholdes, men normaliseringen må gjentas etter avkorting. Dette er en egenskap ved resultatbehandlingen; dimensjonen bør velges konsekvent for samling og søkespørsmål.
Enkoderen har omtrent 1,14 milliarder parametere. Den er hentet fra en modell basert på Ministral 3 3B gjennom to trinn med strukturell reduksjon og destillasjon. Toveis oppmerksomhet tar hensyn til hele inndataene, og tokenrepresentasjonene gjennomsnittsberegnes deretter til én vektor.
NVIDIA gir ut variantene BF16 og NVFP4. Representasjonsrommene ligger nær hverandre, men bytte av variant krever kontroll på egne dokumenter. Verken numerisk likhet eller kontekstlengde garanterer at søket alltid velger riktig utsnitt.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser nemotron-3-embed-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-3-embed-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/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Bruk metodestiene som vises ovenfor.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest