Nemotron 3 Embed 1B to model tekstowy NVIDIA do wyszukiwania według znaczenia i zestawiania fragmentów. Koduje pytania, dokumenty i kod w gęste wektory liczbowe. Reprezentacje te służą znajdowaniu potrzebnego kontekstu w dużych kolekcjach, uzupełnianiu nim odpowiedzi asystenta lub wydobywaniu wcześniej zachowanych informacji do następnego kroku agenta.
Model służy wyszukiwaniu wielojęzycznemu i międzyjęzykowemu: pytanie i odpowiedni materiał mogą być napisane w różnych językach. Rosyjski należy do opublikowanego zestawu 34 języków wraz z angielskim, ukraińskim, chińskim, japońskim, arabskim i innymi. Jest to przydatne we wspólnych bazach wiedzy, w których dokumentów technicznych i zgłoszeń użytkowników nie ujednolicono do jednego języka.
Zadania obejmują wyszukiwanie w dokumentacji, zestawianie tekstów i wyodrębnianie kodu na podstawie opisu słownego. Duże okno wejścia pozwala pracować z długimi dokumentami, obszernym kontekstem programistycznym i historią kilku kroków agenta. Znaleziony materiał trafia do dalszego procesu jako kontekst; końcowe wyjaśnienia i odpowiedzi tworzy następny komponent systemu.
Wejście ma postać ciągów tekstowych. Dla każdego ciągu powstaje jeden wektor z 2048 liczb. Maksymalna długość sekwencji wynosi 32768 tokenów; dłuższy materiał trzeba dzielić na części lub skracać. Przy przygotowywaniu wejścia rozróżnia się pytanie i dokument: model jest trenowany do zestawiania ich ról, dlatego takiego samego ciągu w tych dwóch zadaniach nie należy formułować bez uwzględnienia przeznaczenia.
Wektory są normalizowane względem długości. Przy takiej reprezentacji iloczyn skalarny i podobieństwo kosinusowe dają równoważny sposób porównywania. Można zachować pierwsze 1024 lub 512 współrzędnych pełnego wektora, lecz po skróceniu trzeba ponownie wykonać normalizację. Jest to właściwość przetwarzania wyniku; wymiar należy wybierać spójnie dla kolekcji i zapytań.
Enkoder zawiera około 1,14 mld parametrów. Uzyskano go z modelu opartego na Ministral 3 3B przez dwa etapy strukturalnego zmniejszania i destylacji. Dwukierunkowy mechanizm uwagi uwzględnia całe wejście, a następnie reprezentacje tokenów są uśredniane do wspólnego wektora.
NVIDIA publikuje warianty BF16 i NVFP4. Ich przestrzenie reprezentacji są zbliżone, lecz zmiana wariantu wymaga sprawdzenia na własnych dokumentach. Ani podobieństwo liczbowe, ani długość kontekstu nie gwarantują, że wyszukiwanie zawsze wybierze prawidłowy fragment.
", "aboutText": "Nemotron 3 Embed 1B to model tekstowy NVIDIA do wyszukiwania według znaczenia i zestawiania fragmentów. Koduje pytania, dokumenty i kod w gęste wektory liczbowe. Reprezentacje te służą znajdowaniu potrzebnego kontekstu w dużych kolekcjach, uzupełnianiu nim odpowiedzi asystenta lub wydobywaniu wcześniej zachowanych informacji do następnego kroku agenta.\n\n### Wielojęzyczna wiedza i kod\n\nModel służy wyszukiwaniu wielojęzycznemu i międzyjęzykowemu: pytanie i odpowiedni materiał mogą być napisane w różnych językach. Rosyjski należy do opublikowanego zestawu 34 języków wraz z angielskim, ukraińskim, chińskim, japońskim, arabskim i innymi. Jest to przydatne we wspólnych bazach wiedzy, w których dokumentów technicznych i zgłoszeń użytkowników nie ujednolicono do jednego języka.\n\nZadania obejmują wyszukiwanie w dokumentacji, zestawianie tekstów i wyodrębnianie kodu na podstawie opisu słownego. Duże okno wejścia pozwala pracować z długimi dokumentami, obszernym kontekstem programistycznym i historią kilku kroków agenta. Znaleziony materiał trafia do dalszego procesu jako kontekst; końcowe wyjaśnienia i odpowiedzi tworzy następny komponent systemu.\n\n### Od tekstu do wektora\n\nWejście ma postać ciągów tekstowych. Dla każdego ciągu powstaje jeden wektor z 2048 liczb. Maksymalna długość sekwencji wynosi 32768 tokenów; dłuższy materiał trzeba dzielić na części lub skracać. Przy przygotowywaniu wejścia rozróżnia się pytanie i dokument: model jest trenowany do zestawiania ich ról, dlatego takiego samego ciągu w tych dwóch zadaniach nie należy formułować bez uwzględnienia przeznaczenia.\n\nWektory są normalizowane względem długości. Przy takiej reprezentacji iloczyn skalarny i podobieństwo kosinusowe dają równoważny sposób porównywania. Można zachować pierwsze 1024 lub 512 współrzędnych pełnego wektora, lecz po skróceniu trzeba ponownie wykonać normalizację. Jest to właściwość przetwarzania wyniku; wymiar należy wybierać spójnie dla kolekcji i zapytań.\n\n### Budowa kompaktowego modelu\n\nEnkoder zawiera około 1,14 mld parametrów. Uzyskano go z modelu opartego na Ministral 3 3B przez dwa etapy strukturalnego zmniejszania i destylacji. Dwukierunkowy mechanizm uwagi uwzględnia całe wejście, a następnie reprezentacje tokenów są uśredniane do wspólnego wektora.\n\nNVIDIA publikuje warianty BF16 i NVFP4. Ich przestrzenie reprezentacji są zbliżone, lecz zmiana wariantu wymaga sprawdzenia na własnych dokumentach. Ani podobieństwo liczbowe, ani długość kontekstu nie gwarantują, że wyszukiwanie zawsze wybierze prawidłowy fragment.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "460876b6ec4618d7cdedce0507462d3394dd4ac247f4cd4a813ef90bffd901ac", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "nvidia/nemotron-3-embed-1bNemotron 3 Embed 1B zamienia teksty w wektory do wyszukiwania wielojęzycznego, wyszukiwania kodu i RAG. Przetwarza sekwencje do 32768 tokenów i zwraca reprezentację o wymiarze 2048 liczb.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Nemotron 3 Embed 1B to model tekstowy NVIDIA do wyszukiwania według znaczenia i zestawiania fragmentów. Koduje pytania, dokumenty i kod w gęste wektory liczbowe. Reprezentacje te służą znajdowaniu potrzebnego kontekstu w dużych kolekcjach, uzupełnianiu nim odpowiedzi asystenta lub wydobywaniu wcześniej zachowanych informacji do następnego kroku agenta.
Model służy wyszukiwaniu wielojęzycznemu i międzyjęzykowemu: pytanie i odpowiedni materiał mogą być napisane w różnych językach. Rosyjski należy do opublikowanego zestawu 34 języków wraz z angielskim, ukraińskim, chińskim, japońskim, arabskim i innymi. Jest to przydatne we wspólnych bazach wiedzy, w których dokumentów technicznych i zgłoszeń użytkowników nie ujednolicono do jednego języka.
Zadania obejmują wyszukiwanie w dokumentacji, zestawianie tekstów i wyodrębnianie kodu na podstawie opisu słownego. Duże okno wejścia pozwala pracować z długimi dokumentami, obszernym kontekstem programistycznym i historią kilku kroków agenta. Znaleziony materiał trafia do dalszego procesu jako kontekst; końcowe wyjaśnienia i odpowiedzi tworzy następny komponent systemu.
Wejście ma postać ciągów tekstowych. Dla każdego ciągu powstaje jeden wektor z 2048 liczb. Maksymalna długość sekwencji wynosi 32768 tokenów; dłuższy materiał trzeba dzielić na części lub skracać. Przy przygotowywaniu wejścia rozróżnia się pytanie i dokument: model jest trenowany do zestawiania ich ról, dlatego takiego samego ciągu w tych dwóch zadaniach nie należy formułować bez uwzględnienia przeznaczenia.
Wektory są normalizowane względem długości. Przy takiej reprezentacji iloczyn skalarny i podobieństwo kosinusowe dają równoważny sposób porównywania. Można zachować pierwsze 1024 lub 512 współrzędnych pełnego wektora, lecz po skróceniu trzeba ponownie wykonać normalizację. Jest to właściwość przetwarzania wyniku; wymiar należy wybierać spójnie dla kolekcji i zapytań.
Enkoder zawiera około 1,14 mld parametrów. Uzyskano go z modelu opartego na Ministral 3 3B przez dwa etapy strukturalnego zmniejszania i destylacji. Dwukierunkowy mechanizm uwagi uwzględnia całe wejście, a następnie reprezentacje tokenów są uśredniane do wspólnego wektora.
NVIDIA publikuje warianty BF16 i NVFP4. Ich przestrzenie reprezentacji są zbliżone, lecz zmiana wariantu wymaga sprawdzenia na własnych dokumentach. Ani podobieństwo liczbowe, ani długość kontekstu nie gwarantują, że wyszukiwanie zawsze wybierze prawidłowy fragment.
POST /v1/embeddingstextembedding| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity nvidia/nemotron-3-embed-1b | Domyślnie— |
Poleinput | Typstring|string[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 Warunki: Każdy ciąg znaków musi być niepusty po usunięciu skrajnych białych znaków; identyfikatory URI typu data są odrzucane; zaakceptowany budżet mierzy odpowiednie bajty UTF8. | Domyślnie— |
Poleinput_type | Typstring | WymaganieOpcjonalne | Wartości i limity query, passage | Domyślniequery |
Poleencoding_format | Typstring | WymaganieOpcjonalne | Wartości i limity float, base64 | Domyślniefloat |
Poletruncate | Typstring | WymaganieOpcjonalne | Wartości i limity NONE, START, END | Domyślnie— |
Poledimensions | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 | Domyślnie— |
Poleuser | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
text_to_embedding
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext |
Parametrrequired | Kontraktmodel, input |
Parametroptional_controls | Kontraktnull |
Parametrcontent_type | Kontraktapplication/json |
Cykl życia: exact retained published method
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
POST /v1/embeddingsAiloot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
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
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Dekoduj wektory base64 tylko wtedy, gdy zażądano tego formatu; zachowaj każdy wektor i jego pierwotny indeks.
Nie wprowadzono endpointu zadań generowania osadzeń.
| Pole | Typ |
|---|---|
Poledata[].index | Typinteger |
Poledata[].embedding | Typfinite float[]|base64 float32 vector |
Polemodel | Typstring |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Użyj ścieżek metod podanych powyżej.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embedNemotron 3 Embed 1B zamienia teksty w wektory do wyszukiwania wielojęzycznego, wyszukiwania kodu i RAG. Przetwarza sekwencje do 32768 tokenów i zwraca reprezentację o wymiarze 2048 liczb.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Nemotron 3 Embed 1B to model tekstowy NVIDIA do wyszukiwania według znaczenia i zestawiania fragmentów. Koduje pytania, dokumenty i kod w gęste wektory liczbowe. Reprezentacje te służą znajdowaniu potrzebnego kontekstu w dużych kolekcjach, uzupełnianiu nim odpowiedzi asystenta lub wydobywaniu wcześniej zachowanych informacji do następnego kroku agenta.
Model służy wyszukiwaniu wielojęzycznemu i międzyjęzykowemu: pytanie i odpowiedni materiał mogą być napisane w różnych językach. Rosyjski należy do opublikowanego zestawu 34 języków wraz z angielskim, ukraińskim, chińskim, japońskim, arabskim i innymi. Jest to przydatne we wspólnych bazach wiedzy, w których dokumentów technicznych i zgłoszeń użytkowników nie ujednolicono do jednego języka.
Zadania obejmują wyszukiwanie w dokumentacji, zestawianie tekstów i wyodrębnianie kodu na podstawie opisu słownego. Duże okno wejścia pozwala pracować z długimi dokumentami, obszernym kontekstem programistycznym i historią kilku kroków agenta. Znaleziony materiał trafia do dalszego procesu jako kontekst; końcowe wyjaśnienia i odpowiedzi tworzy następny komponent systemu.
Wejście ma postać ciągów tekstowych. Dla każdego ciągu powstaje jeden wektor z 2048 liczb. Maksymalna długość sekwencji wynosi 32768 tokenów; dłuższy materiał trzeba dzielić na części lub skracać. Przy przygotowywaniu wejścia rozróżnia się pytanie i dokument: model jest trenowany do zestawiania ich ról, dlatego takiego samego ciągu w tych dwóch zadaniach nie należy formułować bez uwzględnienia przeznaczenia.
Wektory są normalizowane względem długości. Przy takiej reprezentacji iloczyn skalarny i podobieństwo kosinusowe dają równoważny sposób porównywania. Można zachować pierwsze 1024 lub 512 współrzędnych pełnego wektora, lecz po skróceniu trzeba ponownie wykonać normalizację. Jest to właściwość przetwarzania wyniku; wymiar należy wybierać spójnie dla kolekcji i zapytań.
Enkoder zawiera około 1,14 mld parametrów. Uzyskano go z modelu opartego na Ministral 3 3B przez dwa etapy strukturalnego zmniejszania i destylacji. Dwukierunkowy mechanizm uwagi uwzględnia całe wejście, a następnie reprezentacje tokenów są uśredniane do wspólnego wektora.
NVIDIA publikuje warianty BF16 i NVFP4. Ich przestrzenie reprezentacji są zbliżone, lecz zmiana wariantu wymaga sprawdzenia na własnych dokumentach. Ani podobieństwo liczbowe, ani długość kontekstu nie gwarantują, że wyszukiwanie zawsze wybierze prawidłowy fragment.
POST /v1/embeddingstextembedding| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity nemotron-3-embed | Domyślnie— |
Poleinput | Typstring|string[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 Warunki: Każdy ciąg znaków musi być niepusty po usunięciu skrajnych białych znaków; identyfikatory URI typu data są odrzucane; zaakceptowany budżet mierzy odpowiednie bajty UTF8. | Domyślnie— |
Poleinput_type | Typstring | WymaganieOpcjonalne | Wartości i limity query, passage | Domyślniequery |
Poleencoding_format | Typstring | WymaganieOpcjonalne | Wartości i limity float, base64 | Domyślniefloat |
Poletruncate | Typstring | WymaganieOpcjonalne | Wartości i limity NONE, START, END | Domyślnie— |
Poledimensions | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 | Domyślnie— |
Poleuser | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
text_to_embedding
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext |
Parametrrequired | Kontraktmodel, input |
Parametroptional_controls | Kontraktnull |
Parametrcontent_type | Kontraktapplication/json |
Cykl życia: exact retained published method
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
POST /v1/embeddingsAiloot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
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
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Dekoduj wektory base64 tylko wtedy, gdy zażądano tego formatu; zachowaj każdy wektor i jego pierwotny indeks.
Nie wprowadzono endpointu zadań generowania osadzeń.
| Pole | Typ |
|---|---|
Poledata[].index | Typinteger |
Poledata[].embedding | Typfinite float[]|base64 float32 vector |
Polemodel | Typstring |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Użyj ścieżek metod podanych powyżej.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embed-latestNemotron 3 Embed 1B zamienia teksty w wektory do wyszukiwania wielojęzycznego, wyszukiwania kodu i RAG. Przetwarza sekwencje do 32768 tokenów i zwraca reprezentację o wymiarze 2048 liczb.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Nemotron 3 Embed 1B to model tekstowy NVIDIA do wyszukiwania według znaczenia i zestawiania fragmentów. Koduje pytania, dokumenty i kod w gęste wektory liczbowe. Reprezentacje te służą znajdowaniu potrzebnego kontekstu w dużych kolekcjach, uzupełnianiu nim odpowiedzi asystenta lub wydobywaniu wcześniej zachowanych informacji do następnego kroku agenta.
Model służy wyszukiwaniu wielojęzycznemu i międzyjęzykowemu: pytanie i odpowiedni materiał mogą być napisane w różnych językach. Rosyjski należy do opublikowanego zestawu 34 języków wraz z angielskim, ukraińskim, chińskim, japońskim, arabskim i innymi. Jest to przydatne we wspólnych bazach wiedzy, w których dokumentów technicznych i zgłoszeń użytkowników nie ujednolicono do jednego języka.
Zadania obejmują wyszukiwanie w dokumentacji, zestawianie tekstów i wyodrębnianie kodu na podstawie opisu słownego. Duże okno wejścia pozwala pracować z długimi dokumentami, obszernym kontekstem programistycznym i historią kilku kroków agenta. Znaleziony materiał trafia do dalszego procesu jako kontekst; końcowe wyjaśnienia i odpowiedzi tworzy następny komponent systemu.
Wejście ma postać ciągów tekstowych. Dla każdego ciągu powstaje jeden wektor z 2048 liczb. Maksymalna długość sekwencji wynosi 32768 tokenów; dłuższy materiał trzeba dzielić na części lub skracać. Przy przygotowywaniu wejścia rozróżnia się pytanie i dokument: model jest trenowany do zestawiania ich ról, dlatego takiego samego ciągu w tych dwóch zadaniach nie należy formułować bez uwzględnienia przeznaczenia.
Wektory są normalizowane względem długości. Przy takiej reprezentacji iloczyn skalarny i podobieństwo kosinusowe dają równoważny sposób porównywania. Można zachować pierwsze 1024 lub 512 współrzędnych pełnego wektora, lecz po skróceniu trzeba ponownie wykonać normalizację. Jest to właściwość przetwarzania wyniku; wymiar należy wybierać spójnie dla kolekcji i zapytań.
Enkoder zawiera około 1,14 mld parametrów. Uzyskano go z modelu opartego na Ministral 3 3B przez dwa etapy strukturalnego zmniejszania i destylacji. Dwukierunkowy mechanizm uwagi uwzględnia całe wejście, a następnie reprezentacje tokenów są uśredniane do wspólnego wektora.
NVIDIA publikuje warianty BF16 i NVFP4. Ich przestrzenie reprezentacji są zbliżone, lecz zmiana wariantu wymaga sprawdzenia na własnych dokumentach. Ani podobieństwo liczbowe, ani długość kontekstu nie gwarantują, że wyszukiwanie zawsze wybierze prawidłowy fragment.
POST /v1/embeddingstextembedding| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity nemotron-3-embed-latest | Domyślnie— |
Poleinput | Typstring|string[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 Warunki: Każdy ciąg znaków musi być niepusty po usunięciu skrajnych białych znaków; identyfikatory URI typu data są odrzucane; zaakceptowany budżet mierzy odpowiednie bajty UTF8. | Domyślnie— |
Poleinput_type | Typstring | WymaganieOpcjonalne | Wartości i limity query, passage | Domyślniequery |
Poleencoding_format | Typstring | WymaganieOpcjonalne | Wartości i limity float, base64 | Domyślniefloat |
Poletruncate | Typstring | WymaganieOpcjonalne | Wartości i limity NONE, START, END | Domyślnie— |
Poledimensions | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 | Domyślnie— |
Poleuser | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
text_to_embedding
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext |
Parametrrequired | Kontraktmodel, input |
Parametroptional_controls | Kontraktnull |
Parametrcontent_type | Kontraktapplication/json |
Cykl życia: exact retained published method
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
POST /v1/embeddingsAiloot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
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
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Dekoduj wektory base64 tylko wtedy, gdy zażądano tego formatu; zachowaj każdy wektor i jego pierwotny indeks.
Nie wprowadzono endpointu zadań generowania osadzeń.
| Pole | Typ |
|---|---|
Poledata[].index | Typinteger |
Poledata[].embedding | Typfinite float[]|base64 float32 vector |
Polemodel | Typstring |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
Użyj ścieżek metod podanych powyżej.
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest