Llama Nemotron Rerank VL 1B V2 beoordeelt de relevantie van kandidaatteksten en documentafbeeldingen voor een tekstuele zoekvraag, waaronder grafieken, tabellen en pagina's met gemengde media. NVIDIA beschrijft het als een cross-encoder-model met 1.7B parameters. Voer in een ophaalwerkproces eerst de oorspronkelijke zoekopdracht uit en stuur vervolgens de geselecteerde kandidaten naar de reranker. Het bruikbare resultaat is een opnieuw geordende verzameling van die kandidaten met relevantiescores, waarmee een toepassing context voor een antwoord kan kiezen of een pagina met zoekresultaten kan ordenen.
Gebruik POST /v1/rerank met een application/json-body. Stel model in op "nvidia/llama-nemotron-rerank-vl-1b-v2:free", query op de daadwerkelijke zoekvraag en documents op een niet-lege array. Elke kandidaat kan een tekenreeks met tekst zijn of een object met text en/of image; een gestructureerd object moet minstens één van die velden bevatten. text is een tekenreeks. image is een externe HTTP/HTTPS-URL of een base64-data-URI die begint met data:image/. Een gecombineerde kandidaat bevat beide velden. Behoud de volgorde van die invoerarray, zodat de geretourneerde indices aan je opgeslagen document-ID's kunnen worden gekoppeld. top_n is een optioneel geheel getal van minimaal 1 dat het aantal hoogst gerangschikte documenten aangeeft dat moet worden geretourneerd.
Een helpcentrumtoepassing kan bijvoorbeeld passages over levering, retouren en accounttoegang ophalen en die vervolgens opnieuw rangschikken op basis van de leveringsvraag van de klant. Geef de daadwerkelijke passagetekst door in plaats van bestandsnamen of zoekmachinefragmenten die geen verband houden met de opgeslagen bron. Houd elke passage in de toepassing gekoppeld aan de eigen bronidentificatie, zodat het geselecteerde bewijsmateriaal later kan worden geciteerd of geopend. Lever voor een gescand document, grafiek, tabel of infographic de daadwerkelijke afbeelding aan in een documentobject en voeg tekst toe wanneer die helpt om de inhoud te identificeren.
De modelpagina documenteert een limiet van 10 240 tokens per zoekvraag en document. Verdeel langer bronmateriaal in begrensde passages voordat je de kandidatenlijst voorbereidt. Houd nuttige omliggende context bij elke passage, waaronder de kop of productnaam wanneer die de betekenis beïnvloedt. Het gedocumenteerde verzoek begint met de kandidaten die je aanlevert; het doorzoekt geen documentverzameling namens jou.
Het opnieuw rangschikken retourneert een synchroon JSON-resultaat. Lees elk results-item, waaronder de oorspronkelijke index, relevance_score en het geretourneerde document-object, dat text en/of image kan bevatten, en bewaar eventuele geretourneerde usage en antwoordidentificaties. Gebruik de index om het gerangschikte resultaat aan de invoerkandidaat te koppelen. Behandel een relevantiescore als een rangschikkingssignaal voor deze zoekvraag en niet als een onafhankelijk geverifieerd feitelijk antwoord. Bewaar het volledige resultaat wanneer meerdere passages voor de volgende stap worden geselecteerd.
Bereid openbaar of synthetisch kandidaatmateriaal voor deze gratis editie voor; de gedocumenteerde gebruiksvoorwaarden sluiten vertrouwelijke informatie en persoonsgegevens uit. Als een verzoek eindigt zonder volledig resultaat, bewaar dan het oorspronkelijke antwoord en de verzoekidentificatie terwijl je die poging controleert. Het gedocumenteerde rangschikkingsproces retourneert het resultaat rechtstreeks en biedt geen afzonderlijk werkproces voor het opvragen van de taakstatus of annuleren.
", "aboutText": "Llama Nemotron Rerank VL 1B V2 beoordeelt de relevantie van kandidaatteksten en documentafbeeldingen voor een tekstuele zoekvraag, waaronder grafieken, tabellen en pagina's met gemengde media. NVIDIA beschrijft het als een cross-encoder-model met 1.7B parameters. Voer in een ophaalwerkproces eerst de oorspronkelijke zoekopdracht uit en stuur vervolgens de geselecteerde kandidaten naar de reranker. Het bruikbare resultaat is een opnieuw geordende verzameling van die kandidaten met relevantiescores, waarmee een toepassing context voor een antwoord kan kiezen of een pagina met zoekresultaten kan ordenen.\n\nGebruik POST /v1/rerank met een application/json-body. Stel model in op \"nvidia/llama-nemotron-rerank-vl-1b-v2:free\", query op de daadwerkelijke zoekvraag en documents op een niet-lege array. Elke kandidaat kan een tekenreeks met tekst zijn of een object met text en/of image; een gestructureerd object moet minstens één van die velden bevatten. text is een tekenreeks. image is een externe HTTP/HTTPS-URL of een base64-data-URI die begint met data:image/. Een gecombineerde kandidaat bevat beide velden. Behoud de volgorde van die invoerarray, zodat de geretourneerde indices aan je opgeslagen document-ID's kunnen worden gekoppeld. top_n is een optioneel geheel getal van minimaal 1 dat het aantal hoogst gerangschikte documenten aangeeft dat moet worden geretourneerd.\n\nEen helpcentrumtoepassing kan bijvoorbeeld passages over levering, retouren en accounttoegang ophalen en die vervolgens opnieuw rangschikken op basis van de leveringsvraag van de klant. Geef de daadwerkelijke passagetekst door in plaats van bestandsnamen of zoekmachinefragmenten die geen verband houden met de opgeslagen bron. Houd elke passage in de toepassing gekoppeld aan de eigen bronidentificatie, zodat het geselecteerde bewijsmateriaal later kan worden geciteerd of geopend. Lever voor een gescand document, grafiek, tabel of infographic de daadwerkelijke afbeelding aan in een documentobject en voeg tekst toe wanneer die helpt om de inhoud te identificeren.\n\nDe modelpagina documenteert een limiet van 10 240 tokens per zoekvraag en document. Verdeel langer bronmateriaal in begrensde passages voordat je de kandidatenlijst voorbereidt. Houd nuttige omliggende context bij elke passage, waaronder de kop of productnaam wanneer die de betekenis beïnvloedt. Het gedocumenteerde verzoek begint met de kandidaten die je aanlevert; het doorzoekt geen documentverzameling namens jou.\n\nHet opnieuw rangschikken retourneert een synchroon JSON-resultaat. Lees elk results-item, waaronder de oorspronkelijke index, relevance_score en het geretourneerde document-object, dat text en/of image kan bevatten, en bewaar eventuele geretourneerde usage en antwoordidentificaties. Gebruik de index om het gerangschikte resultaat aan de invoerkandidaat te koppelen. Behandel een relevantiescore als een rangschikkingssignaal voor deze zoekvraag en niet als een onafhankelijk geverifieerd feitelijk antwoord. Bewaar het volledige resultaat wanneer meerdere passages voor de volgende stap worden geselecteerd.\n\nBereid openbaar of synthetisch kandidaatmateriaal voor deze gratis editie voor; de gedocumenteerde gebruiksvoorwaarden sluiten vertrouwelijke informatie en persoonsgegevens uit. Als een verzoek eindigt zonder volledig resultaat, bewaar dan het oorspronkelijke antwoord en de verzoekidentificatie terwijl je die poging controleert. Het gedocumenteerde rangschikkingsproces retourneert het resultaat rechtstreeks en biedt geen afzonderlijk werkproces voor het opvragen van de taakstatus of annuleren.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "94de1677cc0bb6a59e2fc2043c9be5f6cbb81ac7862b20db19b46033ba6a89e9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl-be", "methods": [ { "html": "nvidia/llama-nemotron-rerank-vl-1b-v2:freeLlama Nemotron Rerank VL 1B V2 is de cross-encoder-reranker van NVIDIA om opgehaald materiaal te ordenen op relevantie voor een zoekvraag. Stuur een zoekvraag en kandidaatdocumenten met tekst, afbeeldingen of een combinatie en gebruik vervolgens de geretourneerde scores en oorspronkelijke indices om passages voor zoekresultaten of een antwoord met opgehaalde context te selecteren.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Llama Nemotron Rerank VL 1B V2 beoordeelt de relevantie van kandidaatteksten en documentafbeeldingen voor een tekstuele zoekvraag, waaronder grafieken, tabellen en pagina's met gemengde media. NVIDIA beschrijft het als een cross-encoder-model met 1.7B parameters. Voer in een ophaalwerkproces eerst de oorspronkelijke zoekopdracht uit en stuur vervolgens de geselecteerde kandidaten naar de reranker. Het bruikbare resultaat is een opnieuw geordende verzameling van die kandidaten met relevantiescores, waarmee een toepassing context voor een antwoord kan kiezen of een pagina met zoekresultaten kan ordenen.
Gebruik POST /v1/rerank met een application/json-body. Stel model in op "nvidia/llama-nemotron-rerank-vl-1b-v2:free", query op de daadwerkelijke zoekvraag en documents op een niet-lege array. Elke kandidaat kan een tekenreeks met tekst zijn of een object met text en/of image; een gestructureerd object moet minstens één van die velden bevatten. text is een tekenreeks. image is een externe HTTP/HTTPS-URL of een base64-data-URI die begint met data:image/. Een gecombineerde kandidaat bevat beide velden. Behoud de volgorde van die invoerarray, zodat de geretourneerde indices aan je opgeslagen document-ID's kunnen worden gekoppeld. top_n is een optioneel geheel getal van minimaal 1 dat het aantal hoogst gerangschikte documenten aangeeft dat moet worden geretourneerd.
Een helpcentrumtoepassing kan bijvoorbeeld passages over levering, retouren en accounttoegang ophalen en die vervolgens opnieuw rangschikken op basis van de leveringsvraag van de klant. Geef de daadwerkelijke passagetekst door in plaats van bestandsnamen of zoekmachinefragmenten die geen verband houden met de opgeslagen bron. Houd elke passage in de toepassing gekoppeld aan de eigen bronidentificatie, zodat het geselecteerde bewijsmateriaal later kan worden geciteerd of geopend. Lever voor een gescand document, grafiek, tabel of infographic de daadwerkelijke afbeelding aan in een documentobject en voeg tekst toe wanneer die helpt om de inhoud te identificeren.
De modelpagina documenteert een limiet van 10 240 tokens per zoekvraag en document. Verdeel langer bronmateriaal in begrensde passages voordat je de kandidatenlijst voorbereidt. Houd nuttige omliggende context bij elke passage, waaronder de kop of productnaam wanneer die de betekenis beïnvloedt. Het gedocumenteerde verzoek begint met de kandidaten die je aanlevert; het doorzoekt geen documentverzameling namens jou.
Het opnieuw rangschikken retourneert een synchroon JSON-resultaat. Lees elk results-item, waaronder de oorspronkelijke index, relevance_score en het geretourneerde document-object, dat text en/of image kan bevatten, en bewaar eventuele geretourneerde usage en antwoordidentificaties. Gebruik de index om het gerangschikte resultaat aan de invoerkandidaat te koppelen. Behandel een relevantiescore als een rangschikkingssignaal voor deze zoekvraag en niet als een onafhankelijk geverifieerd feitelijk antwoord. Bewaar het volledige resultaat wanneer meerdere passages voor de volgende stap worden geselecteerd.
Bereid openbaar of synthetisch kandidaatmateriaal voor deze gratis editie voor; de gedocumenteerde gebruiksvoorwaarden sluiten vertrouwelijke informatie en persoonsgegevens uit. Als een verzoek eindigt zonder volledig resultaat, bewaar dan het oorspronkelijke antwoord en de verzoekidentificatie terwijl je die poging controleert. Het gedocumenteerde rangschikkingsproces retourneert het resultaat rechtstreeks en biedt geen afzonderlijk werkproces voor het opvragen van de taakstatus of annuleren.
POST /v1/reranktextranking| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten nvidia/llama-nemotron-rerank-vl-1b-v2:free | Standaard— |
Veldquery | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Velddocuments | Typearray | VereisteVereist | Waarden en limieten | Standaard— |
Veldtop_n | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 | Standaard— |
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, query, documents |
Parameteroptional | Contracttop_n |
Parametermaterial_types | Contracttext |
Parameterconditions | Contract |
Levenscyclus: synchronous_json
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Gefactureerde hoeveelheid | Kosten |
|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Gefactureerde hoeveelheid— | Kosten Invoer · Invoertokens — / 1K tokens Uitvoer · Uitvoertokens — / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratiePer aanvraag | Tariefstaffel— | Gefactureerde hoeveelheidéén verzoek | Kosten Invoer $0 per verzoek |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"documents": ["Paris is the capital of France.", "Berlin is the capital of Germany."], "model": "nvidia/llama-nemotron-rerank-vl-1b-v2:free", "query": "What is the capital of France?", "top_n": 3}')\n\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/rerank \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
| Veld | Type |
|---|---|
Veldresults | Typearray |
Ailoot Ultra nvidia/llama-nemotron-rerank-vl-1b-v2:free
Gebruik de hierboven getoonde methodepaden.