Llama Nemotron Embed VL 1B v2 is ontwikkeld door NVIDIA om materiaal te zoeken dat helpt een vraag te beantwoorden. Het zoekverzoek wordt als tekst gegeven. In de huidige Ailoot-catalogus heeft het model tekstinvoer: de vraag en het materiaal worden als tekst gecodeerd. De fabrikant beschrijft ook documenten als pagina-afbeelding of afbeelding met geëxtraheerde tekst. Zulke visuele varianten vereisen een afzonderlijke methode met beeldondersteuning. Bij passende invoer vertegenwoordigt het model tabellen, grafieken en infographics in een gedeelde vectorruimte.
Dit zoeken past bij vraag-antwoordassistenten voor grote documentverzamelingen, interne naslagwerken en onderzoeksmateriaal. Het coderingsresultaat is een numerieke vector. De gevonden pagina of het fragment kan daarna aan een antwoordmodel worden doorgegeven: Embed VL voert zelf de stap van contextzoeken uit.
Zoekverzoek en document worden onafhankelijk gecodeerd. De verzameling kan daarom vooraf worden verwerkt en de vectoren samen met de bronpagina's opgeslagen; bij een nieuwe vraag hoeft alleen de vraagvector te worden berekend. Vectorovereenkomst helpt materiaal op betekenis te selecteren. De tekstuele rollen van vraag en document verschillen, wat bij gegevensvoorbereiding moet worden behouden.
Elke invoer wordt omgezet in één vector met maximaal 2048 getallen. De tekstmodus gebruikt een budget van 8192 tokens. Voor de visuele fabrikantmethode met afbeelding en tekst is een gezamenlijk budget van 10240 tokens beschreven, inclusief beide delen; dit is niet de tekstlimiet van de Ailoot-methode. De afbeelding wordt in fragmenten verdeeld: de beschreven configuratie laat maximaal zes fragmenten en een verkleinde kopie van de hele pagina toe, samen ongeveer 1792 visuele tokens. Lange teksten moeten worden opgesplitst of ingekort.
Het taalgedeelte is gebouwd op Llama 3.2 1B en het visuele gedeelte op SigLIP2. Ze zijn gecombineerd in een encoder die de representaties van invoertokens middelt en één vector uitvoert. Contrastief leren brengt een vraag dichter bij een passende pagina en verder van irrelevant materiaal. Zoeken blijft probabilistisch: vectornabijheid garandeert niet dat het gekozen fragment het juiste antwoord bevat.
", "aboutText": "### De juiste pagina vinden met een vraag\n\nLlama Nemotron Embed VL 1B v2 is ontwikkeld door NVIDIA om materiaal te zoeken dat helpt een vraag te beantwoorden. Het zoekverzoek wordt als tekst gegeven. In de huidige Ailoot-catalogus heeft het model tekstinvoer: de vraag en het materiaal worden als tekst gecodeerd. De fabrikant beschrijft ook documenten als pagina-afbeelding of afbeelding met geëxtraheerde tekst. Zulke visuele varianten vereisen een afzonderlijke methode met beeldondersteuning. Bij passende invoer vertegenwoordigt het model tabellen, grafieken en infographics in een gedeelde vectorruimte.\n\nDit zoeken past bij vraag-antwoordassistenten voor grote documentverzamelingen, interne naslagwerken en onderzoeksmateriaal. Het coderingsresultaat is een numerieke vector. De gevonden pagina of het fragment kan daarna aan een antwoordmodel worden doorgegeven: Embed VL voert zelf de stap van contextzoeken uit.\n\n### Documentvarianten bij de fabrikant\n\n- Tekstdocument: een afzonderlijk gedeelte, fragment of al herkende paginatekst.\n- Afbeelding: een volledige pagina met tekst, tabellen en grafische elementen.\n- Afbeelding met tekst: het visuele paginabeeld en de tekstinhoud worden gecombineerd in één representatie.\n\nZoekverzoek en document worden onafhankelijk gecodeerd. De verzameling kan daarom vooraf worden verwerkt en de vectoren samen met de bronpagina's opgeslagen; bij een nieuwe vraag hoeft alleen de vraagvector te worden berekend. Vectorovereenkomst helpt materiaal op betekenis te selecteren. De tekstuele rollen van vraag en document verschillen, wat bij gegevensvoorbereiding moet worden behouden.\n\n### Representatiegrootte en invoerlengte\n\nElke invoer wordt omgezet in één vector met maximaal 2048 getallen. De tekstmodus gebruikt een budget van 8192 tokens. Voor de visuele fabrikantmethode met afbeelding en tekst is een gezamenlijk budget van 10240 tokens beschreven, inclusief beide delen; dit is niet de tekstlimiet van de Ailoot-methode. De afbeelding wordt in fragmenten verdeeld: de beschreven configuratie laat maximaal zes fragmenten en een verkleinde kopie van de hele pagina toe, samen ongeveer 1792 visuele tokens. Lange teksten moeten worden opgesplitst of ingekort.\n\nHet taalgedeelte is gebouwd op Llama 3.2 1B en het visuele gedeelte op SigLIP2. Ze zijn gecombineerd in een encoder die de representaties van invoertokens middelt en één vector uitvoert. Contrastief leren brengt een vraag dichter bij een passende pagina en verder van irrelevant materiaal. Zoeken blijft probabilistisch: vectornabijheid garandeert niet dat het gekozen fragment het juiste antwoord bevat.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "583a019914d553fd311f4c5c237a5ffbc5285d71c017435f279bc600aa990b4d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Llama Nemotron Embed VL v2 maakt vectoren voor semantisch zoeken in documenten. De huidige Ailoot-catalogus biedt tekstinvoer voor vragen en materiaal.
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 Embed VL 1B v2 is ontwikkeld door NVIDIA om materiaal te zoeken dat helpt een vraag te beantwoorden. Het zoekverzoek wordt als tekst gegeven. In de huidige Ailoot-catalogus heeft het model tekstinvoer: de vraag en het materiaal worden als tekst gecodeerd. De fabrikant beschrijft ook documenten als pagina-afbeelding of afbeelding met geëxtraheerde tekst. Zulke visuele varianten vereisen een afzonderlijke methode met beeldondersteuning. Bij passende invoer vertegenwoordigt het model tabellen, grafieken en infographics in een gedeelde vectorruimte.
Dit zoeken past bij vraag-antwoordassistenten voor grote documentverzamelingen, interne naslagwerken en onderzoeksmateriaal. Het coderingsresultaat is een numerieke vector. De gevonden pagina of het fragment kan daarna aan een antwoordmodel worden doorgegeven: Embed VL voert zelf de stap van contextzoeken uit.
Zoekverzoek en document worden onafhankelijk gecodeerd. De verzameling kan daarom vooraf worden verwerkt en de vectoren samen met de bronpagina's opgeslagen; bij een nieuwe vraag hoeft alleen de vraagvector te worden berekend. Vectorovereenkomst helpt materiaal op betekenis te selecteren. De tekstuele rollen van vraag en document verschillen, wat bij gegevensvoorbereiding moet worden behouden.
Elke invoer wordt omgezet in één vector met maximaal 2048 getallen. De tekstmodus gebruikt een budget van 8192 tokens. Voor de visuele fabrikantmethode met afbeelding en tekst is een gezamenlijk budget van 10240 tokens beschreven, inclusief beide delen; dit is niet de tekstlimiet van de Ailoot-methode. De afbeelding wordt in fragmenten verdeeld: de beschreven configuratie laat maximaal zes fragmenten en een verkleinde kopie van de hele pagina toe, samen ongeveer 1792 visuele tokens. Lange teksten moeten worden opgesplitst of ingekort.
Het taalgedeelte is gebouwd op Llama 3.2 1B en het visuele gedeelte op SigLIP2. Ze zijn gecombineerd in een encoder die de representaties van invoertokens middelt en één vector uitvoert. Contrastief leren brengt een vraag dichter bij een passende pagina en verder van irrelevant materiaal. Zoeken blijft probabilistisch: vectornabijheid garandeert niet dat het gekozen fragment het juiste antwoord bevat.
POST /v1/embeddingstextembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten nvidia/llama-nemotron-embed-vl-1b-v2 | Standaard— |
Veldinput | Typestring|string[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Elke tekenreeks is niet leeg na trimmen; data-URIs worden afgewezen; het geaccepteerde budget meet 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/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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Decodeer base64-vectoren alleen wanneer dat formaat is gevraagd; bewaar elke vector en de oorspronkelijke index.
Er wordt geen endpoint voor embeddingtaken geïntroduceerd.
| 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/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Gebruik de hierboven getoonde methodepaden.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlLlama Nemotron Embed VL v2 maakt vectoren voor semantisch zoeken in documenten. De huidige Ailoot-catalogus biedt tekstinvoer voor vragen en materiaal.
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 Embed VL 1B v2 is ontwikkeld door NVIDIA om materiaal te zoeken dat helpt een vraag te beantwoorden. Het zoekverzoek wordt als tekst gegeven. In de huidige Ailoot-catalogus heeft het model tekstinvoer: de vraag en het materiaal worden als tekst gecodeerd. De fabrikant beschrijft ook documenten als pagina-afbeelding of afbeelding met geëxtraheerde tekst. Zulke visuele varianten vereisen een afzonderlijke methode met beeldondersteuning. Bij passende invoer vertegenwoordigt het model tabellen, grafieken en infographics in een gedeelde vectorruimte.
Dit zoeken past bij vraag-antwoordassistenten voor grote documentverzamelingen, interne naslagwerken en onderzoeksmateriaal. Het coderingsresultaat is een numerieke vector. De gevonden pagina of het fragment kan daarna aan een antwoordmodel worden doorgegeven: Embed VL voert zelf de stap van contextzoeken uit.
Zoekverzoek en document worden onafhankelijk gecodeerd. De verzameling kan daarom vooraf worden verwerkt en de vectoren samen met de bronpagina's opgeslagen; bij een nieuwe vraag hoeft alleen de vraagvector te worden berekend. Vectorovereenkomst helpt materiaal op betekenis te selecteren. De tekstuele rollen van vraag en document verschillen, wat bij gegevensvoorbereiding moet worden behouden.
Elke invoer wordt omgezet in één vector met maximaal 2048 getallen. De tekstmodus gebruikt een budget van 8192 tokens. Voor de visuele fabrikantmethode met afbeelding en tekst is een gezamenlijk budget van 10240 tokens beschreven, inclusief beide delen; dit is niet de tekstlimiet van de Ailoot-methode. De afbeelding wordt in fragmenten verdeeld: de beschreven configuratie laat maximaal zes fragmenten en een verkleinde kopie van de hele pagina toe, samen ongeveer 1792 visuele tokens. Lange teksten moeten worden opgesplitst of ingekort.
Het taalgedeelte is gebouwd op Llama 3.2 1B en het visuele gedeelte op SigLIP2. Ze zijn gecombineerd in een encoder die de representaties van invoertokens middelt en één vector uitvoert. Contrastief leren brengt een vraag dichter bij een passende pagina en verder van irrelevant materiaal. Zoeken blijft probabilistisch: vectornabijheid garandeert niet dat het gekozen fragment het juiste antwoord bevat.
POST /v1/embeddingstextembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten nemotron-embed-vl | Standaard— |
Veldinput | Typestring|string[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Elke tekenreeks is niet leeg na trimmen; data-URIs worden afgewezen; het geaccepteerde budget meet 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-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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Decodeer base64-vectoren alleen wanneer dat formaat is gevraagd; bewaar elke vector en de oorspronkelijke index.
Er wordt geen endpoint voor embeddingtaken geïntroduceerd.
| 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/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Gebruik de hierboven getoonde methodepaden.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestLlama Nemotron Embed VL v2 maakt vectoren voor semantisch zoeken in documenten. De huidige Ailoot-catalogus biedt tekstinvoer voor vragen en materiaal.
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 Embed VL 1B v2 is ontwikkeld door NVIDIA om materiaal te zoeken dat helpt een vraag te beantwoorden. Het zoekverzoek wordt als tekst gegeven. In de huidige Ailoot-catalogus heeft het model tekstinvoer: de vraag en het materiaal worden als tekst gecodeerd. De fabrikant beschrijft ook documenten als pagina-afbeelding of afbeelding met geëxtraheerde tekst. Zulke visuele varianten vereisen een afzonderlijke methode met beeldondersteuning. Bij passende invoer vertegenwoordigt het model tabellen, grafieken en infographics in een gedeelde vectorruimte.
Dit zoeken past bij vraag-antwoordassistenten voor grote documentverzamelingen, interne naslagwerken en onderzoeksmateriaal. Het coderingsresultaat is een numerieke vector. De gevonden pagina of het fragment kan daarna aan een antwoordmodel worden doorgegeven: Embed VL voert zelf de stap van contextzoeken uit.
Zoekverzoek en document worden onafhankelijk gecodeerd. De verzameling kan daarom vooraf worden verwerkt en de vectoren samen met de bronpagina's opgeslagen; bij een nieuwe vraag hoeft alleen de vraagvector te worden berekend. Vectorovereenkomst helpt materiaal op betekenis te selecteren. De tekstuele rollen van vraag en document verschillen, wat bij gegevensvoorbereiding moet worden behouden.
Elke invoer wordt omgezet in één vector met maximaal 2048 getallen. De tekstmodus gebruikt een budget van 8192 tokens. Voor de visuele fabrikantmethode met afbeelding en tekst is een gezamenlijk budget van 10240 tokens beschreven, inclusief beide delen; dit is niet de tekstlimiet van de Ailoot-methode. De afbeelding wordt in fragmenten verdeeld: de beschreven configuratie laat maximaal zes fragmenten en een verkleinde kopie van de hele pagina toe, samen ongeveer 1792 visuele tokens. Lange teksten moeten worden opgesplitst of ingekort.
Het taalgedeelte is gebouwd op Llama 3.2 1B en het visuele gedeelte op SigLIP2. Ze zijn gecombineerd in een encoder die de representaties van invoertokens middelt en één vector uitvoert. Contrastief leren brengt een vraag dichter bij een passende pagina en verder van irrelevant materiaal. Zoeken blijft probabilistisch: vectornabijheid garandeert niet dat het gekozen fragment het juiste antwoord bevat.
POST /v1/embeddingstextembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten nemotron-embed-vl-latest | Standaard— |
Veldinput | Typestring|string[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Elke tekenreeks is niet leeg na trimmen; data-URIs worden afgewezen; het geaccepteerde budget meet 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-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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Decodeer base64-vectoren alleen wanneer dat formaat is gevraagd; bewaar elke vector en de oorspronkelijke index.
Er wordt geen endpoint voor embeddingtaken geïntroduceerd.
| 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/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Gebruik de hierboven getoonde methodepaden.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest