Llama Nemotron Embed VL 1B v2 foi desenvolvido pela NVIDIA para procurar materiais que ajudam a responder a uma pergunta. O pedido é definido em texto. O catálogo Ailoot atual apresenta entrada textual para o modelo: a pergunta e o material são codificados como texto. O fabricante descreve também documentos em forma de imagem de uma página ou imagem juntamente com texto extraído. Estas variantes visuais exigem um método separado com suporte de imagens. Com a entrada correspondente, o modelo representa tabelas, gráficos e infografias num espaço comum de vetores.
Esta pesquisa é adequada a assistentes de perguntas e respostas sobre grandes coleções de documentos, manuais internos e materiais de investigação. O resultado da codificação é um vetor numérico. A página ou o fragmento encontrado pode depois ser enviado a um modelo que prepare a resposta: Embed VL realiza a etapa de procura de contexto.
O pedido e o documento são codificados independentemente. A coleção pode, por isso, ser processada previamente, guardando os vetores juntamente com as páginas de origem; perante uma nova pergunta, calcula-se apenas o vetor do pedido. A semelhança dos vetores ajuda a escolher materiais pelo sentido. Os papéis textuais do pedido e do documento são diferentes, e é importante preservar essa distinção na preparação dos dados.
Cada entrada é transformada num vetor com dimensão de até 2048 números. No modo textual, é utilizado um orçamento de 8192 tokens. Para o método visual do fabricante que combina imagem e texto, é descrito um orçamento comum de 10240 tokens que inclui as duas partes; este não é o limite textual do método Ailoot. A imagem é dividida em fragmentos: a configuração descrita admite até seis fragmentos e uma cópia reduzida da página completa, num total de cerca de 1792 tokens visuais. Textos longos têm de ser divididos ou reduzidos.
A componente linguística assenta no Llama 3.2 1B, e a visual, no SigLIP2. São combinadas num codificador que calcula a média das representações dos tokens de entrada e produz um único vetor. A aprendizagem contrastiva aproxima a pergunta da página adequada e afasta-a de materiais irrelevantes. A pesquisa continua a ser probabilística: a proximidade dos vetores não garante que o fragmento escolhido contenha a resposta correta.
", "aboutText": "### Encontrar a página certa a partir de uma pergunta\n\nLlama Nemotron Embed VL 1B v2 foi desenvolvido pela NVIDIA para procurar materiais que ajudam a responder a uma pergunta. O pedido é definido em texto. O catálogo Ailoot atual apresenta entrada textual para o modelo: a pergunta e o material são codificados como texto. O fabricante descreve também documentos em forma de imagem de uma página ou imagem juntamente com texto extraído. Estas variantes visuais exigem um método separado com suporte de imagens. Com a entrada correspondente, o modelo representa tabelas, gráficos e infografias num espaço comum de vetores.\n\nEsta pesquisa é adequada a assistentes de perguntas e respostas sobre grandes coleções de documentos, manuais internos e materiais de investigação. O resultado da codificação é um vetor numérico. A página ou o fragmento encontrado pode depois ser enviado a um modelo que prepare a resposta: Embed VL realiza a etapa de procura de contexto.\n\n### Variantes de documento no fabricante\n\n- Documento textual: uma secção, um fragmento ou texto já reconhecido de uma página.\n- Imagem: a página completa com o seu texto, tabelas e elementos gráficos.\n- Imagem com texto: o aspeto visual da página e o seu conteúdo textual são combinados numa única representação.\n\nO pedido e o documento são codificados independentemente. A coleção pode, por isso, ser processada previamente, guardando os vetores juntamente com as páginas de origem; perante uma nova pergunta, calcula-se apenas o vetor do pedido. A semelhança dos vetores ajuda a escolher materiais pelo sentido. Os papéis textuais do pedido e do documento são diferentes, e é importante preservar essa distinção na preparação dos dados.\n\n### Dimensão da representação e comprimento de entrada\n\nCada entrada é transformada num vetor com dimensão de até 2048 números. No modo textual, é utilizado um orçamento de 8192 tokens. Para o método visual do fabricante que combina imagem e texto, é descrito um orçamento comum de 10240 tokens que inclui as duas partes; este não é o limite textual do método Ailoot. A imagem é dividida em fragmentos: a configuração descrita admite até seis fragmentos e uma cópia reduzida da página completa, num total de cerca de 1792 tokens visuais. Textos longos têm de ser divididos ou reduzidos.\n\nA componente linguística assenta no Llama 3.2 1B, e a visual, no SigLIP2. São combinadas num codificador que calcula a média das representações dos tokens de entrada e produz um único vetor. A aprendizagem contrastiva aproxima a pergunta da página adequada e afasta-a de materiais irrelevantes. A pesquisa continua a ser probabilística: a proximidade dos vetores não garante que o fragmento escolhido contenha a resposta correta.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "040e9d8389ad30cae92e8fc341c283fae83c8d44ada019f21fab5bf5aeef605f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Llama Nemotron Embed VL v2 cria vetores para pesquisa semântica em documentos. O catálogo Ailoot atual apresenta entrada textual para perguntas e materiais.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Llama Nemotron Embed VL 1B v2 foi desenvolvido pela NVIDIA para procurar materiais que ajudam a responder a uma pergunta. O pedido é definido em texto. O catálogo Ailoot atual apresenta entrada textual para o modelo: a pergunta e o material são codificados como texto. O fabricante descreve também documentos em forma de imagem de uma página ou imagem juntamente com texto extraído. Estas variantes visuais exigem um método separado com suporte de imagens. Com a entrada correspondente, o modelo representa tabelas, gráficos e infografias num espaço comum de vetores.
Esta pesquisa é adequada a assistentes de perguntas e respostas sobre grandes coleções de documentos, manuais internos e materiais de investigação. O resultado da codificação é um vetor numérico. A página ou o fragmento encontrado pode depois ser enviado a um modelo que prepare a resposta: Embed VL realiza a etapa de procura de contexto.
O pedido e o documento são codificados independentemente. A coleção pode, por isso, ser processada previamente, guardando os vetores juntamente com as páginas de origem; perante uma nova pergunta, calcula-se apenas o vetor do pedido. A semelhança dos vetores ajuda a escolher materiais pelo sentido. Os papéis textuais do pedido e do documento são diferentes, e é importante preservar essa distinção na preparação dos dados.
Cada entrada é transformada num vetor com dimensão de até 2048 números. No modo textual, é utilizado um orçamento de 8192 tokens. Para o método visual do fabricante que combina imagem e texto, é descrito um orçamento comum de 10240 tokens que inclui as duas partes; este não é o limite textual do método Ailoot. A imagem é dividida em fragmentos: a configuração descrita admite até seis fragmentos e uma cópia reduzida da página completa, num total de cerca de 1792 tokens visuais. Textos longos têm de ser divididos ou reduzidos.
A componente linguística assenta no Llama 3.2 1B, e a visual, no SigLIP2. São combinadas num codificador que calcula a média das representações dos tokens de entrada e produz um único vetor. A aprendizagem contrastiva aproxima a pergunta da página adequada e afasta-a de materiais irrelevantes. A pesquisa continua a ser probabilística: a proximidade dos vetores não garante que o fragmento escolhido contenha a resposta correta.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites nvidia/llama-nemotron-embed-vl-1b-v2 | Predefinição— |
Campoinput | Tipostring|string[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Todas as cadeias têm de permanecer não vazias após trim; os URIs data são rejeitados; o orçamento aceite mede os bytes UTF8 relevantes. | Predefinição— |
Campoinput_type | Tipostring | RequisitoOpcional | Valores e limites query, passage | Predefiniçãoquery |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores e limites float, base64 | Predefiniçãofloat |
Campotruncate | Tipostring | RequisitoOpcional | Valores e limites NONE, START, END | Predefinição— |
Campodimensions | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 | Predefinição— |
Campouser | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
text_to_embedding
| Parâmetro | Contrato |
|---|---|
Parâmetromaterial_types | Contratotext |
Parâmetrorequired | Contratomodel, input |
Parâmetrooptional_controls | Contratonull |
Parâmetrocontent_type | Contratoapplication/json |
Ciclo de vida: exact retained published method
As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.
POST /v1/embeddingsO Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Descodifique os vetores base64 apenas quando esse formato tiver sido solicitado; conserve todos os vetores e o respetivo índice original.
Não é introduzido nenhum endpoint de tarefas de embeddings.
| Campo | Tipo |
|---|---|
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[]|base64 float32 vector |
Campomodel | Tipostring |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Use os caminhos dos métodos indicados acima.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlLlama Nemotron Embed VL v2 cria vetores para pesquisa semântica em documentos. O catálogo Ailoot atual apresenta entrada textual para perguntas e materiais.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Llama Nemotron Embed VL 1B v2 foi desenvolvido pela NVIDIA para procurar materiais que ajudam a responder a uma pergunta. O pedido é definido em texto. O catálogo Ailoot atual apresenta entrada textual para o modelo: a pergunta e o material são codificados como texto. O fabricante descreve também documentos em forma de imagem de uma página ou imagem juntamente com texto extraído. Estas variantes visuais exigem um método separado com suporte de imagens. Com a entrada correspondente, o modelo representa tabelas, gráficos e infografias num espaço comum de vetores.
Esta pesquisa é adequada a assistentes de perguntas e respostas sobre grandes coleções de documentos, manuais internos e materiais de investigação. O resultado da codificação é um vetor numérico. A página ou o fragmento encontrado pode depois ser enviado a um modelo que prepare a resposta: Embed VL realiza a etapa de procura de contexto.
O pedido e o documento são codificados independentemente. A coleção pode, por isso, ser processada previamente, guardando os vetores juntamente com as páginas de origem; perante uma nova pergunta, calcula-se apenas o vetor do pedido. A semelhança dos vetores ajuda a escolher materiais pelo sentido. Os papéis textuais do pedido e do documento são diferentes, e é importante preservar essa distinção na preparação dos dados.
Cada entrada é transformada num vetor com dimensão de até 2048 números. No modo textual, é utilizado um orçamento de 8192 tokens. Para o método visual do fabricante que combina imagem e texto, é descrito um orçamento comum de 10240 tokens que inclui as duas partes; este não é o limite textual do método Ailoot. A imagem é dividida em fragmentos: a configuração descrita admite até seis fragmentos e uma cópia reduzida da página completa, num total de cerca de 1792 tokens visuais. Textos longos têm de ser divididos ou reduzidos.
A componente linguística assenta no Llama 3.2 1B, e a visual, no SigLIP2. São combinadas num codificador que calcula a média das representações dos tokens de entrada e produz um único vetor. A aprendizagem contrastiva aproxima a pergunta da página adequada e afasta-a de materiais irrelevantes. A pesquisa continua a ser probabilística: a proximidade dos vetores não garante que o fragmento escolhido contenha a resposta correta.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites nemotron-embed-vl | Predefinição— |
Campoinput | Tipostring|string[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Todas as cadeias têm de permanecer não vazias após trim; os URIs data são rejeitados; o orçamento aceite mede os bytes UTF8 relevantes. | Predefinição— |
Campoinput_type | Tipostring | RequisitoOpcional | Valores e limites query, passage | Predefiniçãoquery |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores e limites float, base64 | Predefiniçãofloat |
Campotruncate | Tipostring | RequisitoOpcional | Valores e limites NONE, START, END | Predefinição— |
Campodimensions | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 | Predefinição— |
Campouser | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
text_to_embedding
| Parâmetro | Contrato |
|---|---|
Parâmetromaterial_types | Contratotext |
Parâmetrorequired | Contratomodel, input |
Parâmetrooptional_controls | Contratonull |
Parâmetrocontent_type | Contratoapplication/json |
Ciclo de vida: exact retained published method
As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.
POST /v1/embeddingsO Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Descodifique os vetores base64 apenas quando esse formato tiver sido solicitado; conserve todos os vetores e o respetivo índice original.
Não é introduzido nenhum endpoint de tarefas de embeddings.
| Campo | Tipo |
|---|---|
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[]|base64 float32 vector |
Campomodel | Tipostring |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Use os caminhos dos métodos indicados acima.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestLlama Nemotron Embed VL v2 cria vetores para pesquisa semântica em documentos. O catálogo Ailoot atual apresenta entrada textual para perguntas e materiais.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Llama Nemotron Embed VL 1B v2 foi desenvolvido pela NVIDIA para procurar materiais que ajudam a responder a uma pergunta. O pedido é definido em texto. O catálogo Ailoot atual apresenta entrada textual para o modelo: a pergunta e o material são codificados como texto. O fabricante descreve também documentos em forma de imagem de uma página ou imagem juntamente com texto extraído. Estas variantes visuais exigem um método separado com suporte de imagens. Com a entrada correspondente, o modelo representa tabelas, gráficos e infografias num espaço comum de vetores.
Esta pesquisa é adequada a assistentes de perguntas e respostas sobre grandes coleções de documentos, manuais internos e materiais de investigação. O resultado da codificação é um vetor numérico. A página ou o fragmento encontrado pode depois ser enviado a um modelo que prepare a resposta: Embed VL realiza a etapa de procura de contexto.
O pedido e o documento são codificados independentemente. A coleção pode, por isso, ser processada previamente, guardando os vetores juntamente com as páginas de origem; perante uma nova pergunta, calcula-se apenas o vetor do pedido. A semelhança dos vetores ajuda a escolher materiais pelo sentido. Os papéis textuais do pedido e do documento são diferentes, e é importante preservar essa distinção na preparação dos dados.
Cada entrada é transformada num vetor com dimensão de até 2048 números. No modo textual, é utilizado um orçamento de 8192 tokens. Para o método visual do fabricante que combina imagem e texto, é descrito um orçamento comum de 10240 tokens que inclui as duas partes; este não é o limite textual do método Ailoot. A imagem é dividida em fragmentos: a configuração descrita admite até seis fragmentos e uma cópia reduzida da página completa, num total de cerca de 1792 tokens visuais. Textos longos têm de ser divididos ou reduzidos.
A componente linguística assenta no Llama 3.2 1B, e a visual, no SigLIP2. São combinadas num codificador que calcula a média das representações dos tokens de entrada e produz um único vetor. A aprendizagem contrastiva aproxima a pergunta da página adequada e afasta-a de materiais irrelevantes. A pesquisa continua a ser probabilística: a proximidade dos vetores não garante que o fragmento escolhido contenha a resposta correta.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites nemotron-embed-vl-latest | Predefinição— |
Campoinput | Tipostring|string[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Todas as cadeias têm de permanecer não vazias após trim; os URIs data são rejeitados; o orçamento aceite mede os bytes UTF8 relevantes. | Predefinição— |
Campoinput_type | Tipostring | RequisitoOpcional | Valores e limites query, passage | Predefiniçãoquery |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores e limites float, base64 | Predefiniçãofloat |
Campotruncate | Tipostring | RequisitoOpcional | Valores e limites NONE, START, END | Predefinição— |
Campodimensions | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 | Predefinição— |
Campouser | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
text_to_embedding
| Parâmetro | Contrato |
|---|---|
Parâmetromaterial_types | Contratotext |
Parâmetrorequired | Contratomodel, input |
Parâmetrooptional_controls | Contratonull |
Parâmetrocontent_type | Contratoapplication/json |
Ciclo de vida: exact retained published method
As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.
POST /v1/embeddingsO Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Descodifique os vetores base64 apenas quando esse formato tiver sido solicitado; conserve todos os vetores e o respetivo índice original.
Não é introduzido nenhum endpoint de tarefas de embeddings.
| Campo | Tipo |
|---|---|
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[]|base64 float32 vector |
Campomodel | Tipostring |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Use os caminhos dos métodos indicados acima.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest