Nemotron 3 Embed 1B is een tekstmodel van NVIDIA voor semantisch zoeken en het vergelijken van fragmenten. Het codeert vragen, documenten en programmacode in dense numerieke vectoren. Die representaties worden gebruikt om relevante context in grote verzamelingen te vinden, een assistentantwoord daarmee aan te vullen of eerder opgeslagen informatie voor de volgende agentstap op te halen.
Het model is bedoeld voor meertalig en taaloverschrijdend zoeken: een vraag en passend materiaal kunnen in verschillende talen zijn geschreven. Russisch hoort bij de gepubliceerde set van 34 talen, samen met Engels, Oekraïens, Chinees, Japans, Arabisch en andere talen. Dit is nuttig voor gedeelde kennisbanken waarin technische documenten en gebruikersvragen niet allemaal in dezelfde taal zijn.
De taken omvatten zoeken in documentatie, teksten vergelijken en code ophalen uit een beschrijving in woorden. Het grote invoervenster maakt werken met lange documenten, omvangrijke codecontext en de geschiedenis van meerdere agentstappen mogelijk. Gevonden materiaal wordt als context aan het vervolgproces teruggegeven; de uiteindelijke uitleg en antwoorden worden door de volgende systeemcomponent gemaakt.
De invoer bestaat uit tekststrings. Elke string levert één vector van 2048 getallen op. De maximale sequentielengte is 32768 tokens; langer materiaal moet in delen worden opgesplitst of ingekort. Bij invoervoorbereiding worden vraag en document onderscheiden: het model is getraind om hun rollen met elkaar te verbinden, dus dezelfde string moet in deze twee taken met aandacht voor het doel worden opgemaakt.
Vectoren worden op hun norm genormaliseerd. Met deze representatie bieden het inproduct en de cosinusovereenkomst een equivalente vergelijkingswijze. De eerste 1024 of 512 coördinaten van de volledige vector kunnen worden behouden, maar na het afkappen moet opnieuw worden genormaliseerd. Dit is een eigenschap van resultaatverwerking; de dimensie moet consistent voor de verzameling en vragen worden gekozen.
De encoder bevat ongeveer 1,14 miljard parameters. Die is verkregen uit een model op basis van Ministral 3 3B via twee fasen van structurele verkleining en distillatie. Bidirectionele aandacht houdt rekening met de volledige invoer; vervolgens worden tokenrepresentaties gemiddeld tot één gezamenlijke vector.
NVIDIA brengt BF16- en NVFP4-varianten uit. Hun representatieruimten liggen dicht bij elkaar, maar een andere variant gebruiken vereist controle op de eigen documenten. Numerieke overeenkomst en contextlengte garanderen geen van beide dat het juiste fragment altijd wordt gekozen.
", "aboutText": "Nemotron 3 Embed 1B is een tekstmodel van NVIDIA voor semantisch zoeken en het vergelijken van fragmenten. Het codeert vragen, documenten en programmacode in dense numerieke vectoren. Die representaties worden gebruikt om relevante context in grote verzamelingen te vinden, een assistentantwoord daarmee aan te vullen of eerder opgeslagen informatie voor de volgende agentstap op te halen.\n\n### Meertalige kennis en code\n\nHet model is bedoeld voor meertalig en taaloverschrijdend zoeken: een vraag en passend materiaal kunnen in verschillende talen zijn geschreven. Russisch hoort bij de gepubliceerde set van 34 talen, samen met Engels, Oekraïens, Chinees, Japans, Arabisch en andere talen. Dit is nuttig voor gedeelde kennisbanken waarin technische documenten en gebruikersvragen niet allemaal in dezelfde taal zijn.\n\nDe taken omvatten zoeken in documentatie, teksten vergelijken en code ophalen uit een beschrijving in woorden. Het grote invoervenster maakt werken met lange documenten, omvangrijke codecontext en de geschiedenis van meerdere agentstappen mogelijk. Gevonden materiaal wordt als context aan het vervolgproces teruggegeven; de uiteindelijke uitleg en antwoorden worden door de volgende systeemcomponent gemaakt.\n\n### Van tekst naar vector\n\nDe invoer bestaat uit tekststrings. Elke string levert één vector van 2048 getallen op. De maximale sequentielengte is 32768 tokens; langer materiaal moet in delen worden opgesplitst of ingekort. Bij invoervoorbereiding worden vraag en document onderscheiden: het model is getraind om hun rollen met elkaar te verbinden, dus dezelfde string moet in deze twee taken met aandacht voor het doel worden opgemaakt.\n\nVectoren worden op hun norm genormaliseerd. Met deze representatie bieden het inproduct en de cosinusovereenkomst een equivalente vergelijkingswijze. De eerste 1024 of 512 coördinaten van de volledige vector kunnen worden behouden, maar na het afkappen moet opnieuw worden genormaliseerd. Dit is een eigenschap van resultaatverwerking; de dimensie moet consistent voor de verzameling en vragen worden gekozen.\n\n### Hoe het compacte model werkt\n\nDe encoder bevat ongeveer 1,14 miljard parameters. Die is verkregen uit een model op basis van Ministral 3 3B via twee fasen van structurele verkleining en distillatie. Bidirectionele aandacht houdt rekening met de volledige invoer; vervolgens worden tokenrepresentaties gemiddeld tot één gezamenlijke vector.\n\nNVIDIA brengt BF16- en NVFP4-varianten uit. Hun representatieruimten liggen dicht bij elkaar, maar een andere variant gebruiken vereist controle op de eigen documenten. Numerieke overeenkomst en contextlengte garanderen geen van beide dat het juiste fragment altijd wordt gekozen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "58450164e5db747e94a6d72112fb510d7e0c35eeafcaae64ddb2e266f48b985e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl-be", "methods": [ { "html": "nvidia/nemotron-3-embed-1bNemotron 3 Embed 1B zet teksten om in vectoren voor meertalig zoeken, codezoeken en RAG. Het verwerkt sequenties tot 32768 tokens en geeft een representatie met 2048 getallen terug.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Nemotron 3 Embed 1B is een tekstmodel van NVIDIA voor semantisch zoeken en het vergelijken van fragmenten. Het codeert vragen, documenten en programmacode in dense numerieke vectoren. Die representaties worden gebruikt om relevante context in grote verzamelingen te vinden, een assistentantwoord daarmee aan te vullen of eerder opgeslagen informatie voor de volgende agentstap op te halen.
Het model is bedoeld voor meertalig en taaloverschrijdend zoeken: een vraag en passend materiaal kunnen in verschillende talen zijn geschreven. Russisch hoort bij de gepubliceerde set van 34 talen, samen met Engels, Oekraïens, Chinees, Japans, Arabisch en andere talen. Dit is nuttig voor gedeelde kennisbanken waarin technische documenten en gebruikersvragen niet allemaal in dezelfde taal zijn.
De taken omvatten zoeken in documentatie, teksten vergelijken en code ophalen uit een beschrijving in woorden. Het grote invoervenster maakt werken met lange documenten, omvangrijke codecontext en de geschiedenis van meerdere agentstappen mogelijk. Gevonden materiaal wordt als context aan het vervolgproces teruggegeven; de uiteindelijke uitleg en antwoorden worden door de volgende systeemcomponent gemaakt.
De invoer bestaat uit tekststrings. Elke string levert één vector van 2048 getallen op. De maximale sequentielengte is 32768 tokens; langer materiaal moet in delen worden opgesplitst of ingekort. Bij invoervoorbereiding worden vraag en document onderscheiden: het model is getraind om hun rollen met elkaar te verbinden, dus dezelfde string moet in deze twee taken met aandacht voor het doel worden opgemaakt.
Vectoren worden op hun norm genormaliseerd. Met deze representatie bieden het inproduct en de cosinusovereenkomst een equivalente vergelijkingswijze. De eerste 1024 of 512 coördinaten van de volledige vector kunnen worden behouden, maar na het afkappen moet opnieuw worden genormaliseerd. Dit is een eigenschap van resultaatverwerking; de dimensie moet consistent voor de verzameling en vragen worden gekozen.
De encoder bevat ongeveer 1,14 miljard parameters. Die is verkregen uit een model op basis van Ministral 3 3B via twee fasen van structurele verkleining en distillatie. Bidirectionele aandacht houdt rekening met de volledige invoer; vervolgens worden tokenrepresentaties gemiddeld tot één gezamenlijke vector.
NVIDIA brengt BF16- en NVFP4-varianten uit. Hun representatieruimten liggen dicht bij elkaar, maar een andere variant gebruiken vereist controle op de eigen documenten. Numerieke overeenkomst en contextlengte garanderen geen van beide dat het juiste fragment altijd wordt gekozen.
POST /v1/embeddingstextembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten nvidia/nemotron-3-embed-1b | Standaard— |
Veldinput | Typestring|string[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Elke tekenreeks mag na het verwijderen van omliggende witruimte niet leeg zijn; data-URI's worden geweigerd; het geaccepteerde budget meet de relevante UTF8-bytes. | Standaard— |
Veldinput_type | Typestring | VereisteOptioneel | Waarden en limieten query, passage | Standaardquery |
Veldencoding_format | Typestring | VereisteOptioneel | Waarden en limieten float, base64 | Standaardfloat |
Veldtruncate | Typestring | VereisteOptioneel | Waarden en limieten NONE, START, END | Standaard— |
Velddimensions | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 | Standaard— |
Velduser | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
text_to_embedding
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, input |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/embeddingsAiloot 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: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Decodeer base64-vectoren alleen als dat formaat is aangevraagd; bewaar elke vector en zijn oorspronkelijke index.
Er wordt geen endpoint voor embeddingtaken toegevoegd.
| Veld | Type |
|---|---|
Velddata[].index | Typeinteger |
Velddata[].embedding | Typefinite float[]|base64 float32 vector |
Veldmodel | Typestring |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Gebruik de hierboven getoonde methodepaden.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embedNemotron 3 Embed 1B zet teksten om in vectoren voor meertalig zoeken, codezoeken en RAG. Het verwerkt sequenties tot 32768 tokens en geeft een representatie met 2048 getallen terug.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Nemotron 3 Embed 1B is een tekstmodel van NVIDIA voor semantisch zoeken en het vergelijken van fragmenten. Het codeert vragen, documenten en programmacode in dense numerieke vectoren. Die representaties worden gebruikt om relevante context in grote verzamelingen te vinden, een assistentantwoord daarmee aan te vullen of eerder opgeslagen informatie voor de volgende agentstap op te halen.
Het model is bedoeld voor meertalig en taaloverschrijdend zoeken: een vraag en passend materiaal kunnen in verschillende talen zijn geschreven. Russisch hoort bij de gepubliceerde set van 34 talen, samen met Engels, Oekraïens, Chinees, Japans, Arabisch en andere talen. Dit is nuttig voor gedeelde kennisbanken waarin technische documenten en gebruikersvragen niet allemaal in dezelfde taal zijn.
De taken omvatten zoeken in documentatie, teksten vergelijken en code ophalen uit een beschrijving in woorden. Het grote invoervenster maakt werken met lange documenten, omvangrijke codecontext en de geschiedenis van meerdere agentstappen mogelijk. Gevonden materiaal wordt als context aan het vervolgproces teruggegeven; de uiteindelijke uitleg en antwoorden worden door de volgende systeemcomponent gemaakt.
De invoer bestaat uit tekststrings. Elke string levert één vector van 2048 getallen op. De maximale sequentielengte is 32768 tokens; langer materiaal moet in delen worden opgesplitst of ingekort. Bij invoervoorbereiding worden vraag en document onderscheiden: het model is getraind om hun rollen met elkaar te verbinden, dus dezelfde string moet in deze twee taken met aandacht voor het doel worden opgemaakt.
Vectoren worden op hun norm genormaliseerd. Met deze representatie bieden het inproduct en de cosinusovereenkomst een equivalente vergelijkingswijze. De eerste 1024 of 512 coördinaten van de volledige vector kunnen worden behouden, maar na het afkappen moet opnieuw worden genormaliseerd. Dit is een eigenschap van resultaatverwerking; de dimensie moet consistent voor de verzameling en vragen worden gekozen.
De encoder bevat ongeveer 1,14 miljard parameters. Die is verkregen uit een model op basis van Ministral 3 3B via twee fasen van structurele verkleining en distillatie. Bidirectionele aandacht houdt rekening met de volledige invoer; vervolgens worden tokenrepresentaties gemiddeld tot één gezamenlijke vector.
NVIDIA brengt BF16- en NVFP4-varianten uit. Hun representatieruimten liggen dicht bij elkaar, maar een andere variant gebruiken vereist controle op de eigen documenten. Numerieke overeenkomst en contextlengte garanderen geen van beide dat het juiste fragment altijd wordt gekozen.
POST /v1/embeddingstextembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten nemotron-3-embed | Standaard— |
Veldinput | Typestring|string[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Elke tekenreeks mag na het verwijderen van omliggende witruimte niet leeg zijn; data-URI's worden geweigerd; het geaccepteerde budget meet de relevante UTF8-bytes. | Standaard— |
Veldinput_type | Typestring | VereisteOptioneel | Waarden en limieten query, passage | Standaardquery |
Veldencoding_format | Typestring | VereisteOptioneel | Waarden en limieten float, base64 | Standaardfloat |
Veldtruncate | Typestring | VereisteOptioneel | Waarden en limieten NONE, START, END | Standaard— |
Velddimensions | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 | Standaard— |
Velduser | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
text_to_embedding
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, input |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/embeddingsAiloot 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}"\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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Decodeer base64-vectoren alleen als dat formaat is aangevraagd; bewaar elke vector en zijn oorspronkelijke index.
Er wordt geen endpoint voor embeddingtaken toegevoegd.
| Veld | Type |
|---|---|
Velddata[].index | Typeinteger |
Velddata[].embedding | Typefinite float[]|base64 float32 vector |
Veldmodel | Typestring |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Gebruik de hierboven getoonde methodepaden.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embed-latestNemotron 3 Embed 1B zet teksten om in vectoren voor meertalig zoeken, codezoeken en RAG. Het verwerkt sequenties tot 32768 tokens en geeft een representatie met 2048 getallen terug.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Nemotron 3 Embed 1B is een tekstmodel van NVIDIA voor semantisch zoeken en het vergelijken van fragmenten. Het codeert vragen, documenten en programmacode in dense numerieke vectoren. Die representaties worden gebruikt om relevante context in grote verzamelingen te vinden, een assistentantwoord daarmee aan te vullen of eerder opgeslagen informatie voor de volgende agentstap op te halen.
Het model is bedoeld voor meertalig en taaloverschrijdend zoeken: een vraag en passend materiaal kunnen in verschillende talen zijn geschreven. Russisch hoort bij de gepubliceerde set van 34 talen, samen met Engels, Oekraïens, Chinees, Japans, Arabisch en andere talen. Dit is nuttig voor gedeelde kennisbanken waarin technische documenten en gebruikersvragen niet allemaal in dezelfde taal zijn.
De taken omvatten zoeken in documentatie, teksten vergelijken en code ophalen uit een beschrijving in woorden. Het grote invoervenster maakt werken met lange documenten, omvangrijke codecontext en de geschiedenis van meerdere agentstappen mogelijk. Gevonden materiaal wordt als context aan het vervolgproces teruggegeven; de uiteindelijke uitleg en antwoorden worden door de volgende systeemcomponent gemaakt.
De invoer bestaat uit tekststrings. Elke string levert één vector van 2048 getallen op. De maximale sequentielengte is 32768 tokens; langer materiaal moet in delen worden opgesplitst of ingekort. Bij invoervoorbereiding worden vraag en document onderscheiden: het model is getraind om hun rollen met elkaar te verbinden, dus dezelfde string moet in deze twee taken met aandacht voor het doel worden opgemaakt.
Vectoren worden op hun norm genormaliseerd. Met deze representatie bieden het inproduct en de cosinusovereenkomst een equivalente vergelijkingswijze. De eerste 1024 of 512 coördinaten van de volledige vector kunnen worden behouden, maar na het afkappen moet opnieuw worden genormaliseerd. Dit is een eigenschap van resultaatverwerking; de dimensie moet consistent voor de verzameling en vragen worden gekozen.
De encoder bevat ongeveer 1,14 miljard parameters. Die is verkregen uit een model op basis van Ministral 3 3B via twee fasen van structurele verkleining en distillatie. Bidirectionele aandacht houdt rekening met de volledige invoer; vervolgens worden tokenrepresentaties gemiddeld tot één gezamenlijke vector.
NVIDIA brengt BF16- en NVFP4-varianten uit. Hun representatieruimten liggen dicht bij elkaar, maar een andere variant gebruiken vereist controle op de eigen documenten. Numerieke overeenkomst en contextlengte garanderen geen van beide dat het juiste fragment altijd wordt gekozen.
POST /v1/embeddingstextembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten nemotron-3-embed-latest | Standaard— |
Veldinput | Typestring|string[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Elke tekenreeks mag na het verwijderen van omliggende witruimte niet leeg zijn; data-URI's worden geweigerd; het geaccepteerde budget meet de relevante UTF8-bytes. | Standaard— |
Veldinput_type | Typestring | VereisteOptioneel | Waarden en limieten query, passage | Standaardquery |
Veldencoding_format | Typestring | VereisteOptioneel | Waarden en limieten float, base64 | Standaardfloat |
Veldtruncate | Typestring | VereisteOptioneel | Waarden en limieten NONE, START, END | Standaard— |
Velddimensions | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 | Standaard— |
Velduser | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
text_to_embedding
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, input |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/embeddingsAiloot 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}"\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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Decodeer base64-vectoren alleen als dat formaat is aangevraagd; bewaar elke vector en zijn oorspronkelijke index.
Er wordt geen endpoint voor embeddingtaken toegevoegd.
| Veld | Type |
|---|---|
Velddata[].index | Typeinteger |
Velddata[].embedding | Typefinite float[]|base64 float32 vector |
Veldmodel | Typestring |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Gebruik de hierboven getoonde methodepaden.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest