Llama Nemotron Embed VL 1B v2 разработана NVIDIA для поиска материалов, которые помогают ответить на вопрос. Запрос задаётся текстом. В текущем каталоге Ailoot для модели представлен текстовый вход: вопрос и материал кодируются как текст. Производитель также описывает документ в виде изображения страницы или картинки вместе с извлечённым текстом. Такие визуальные варианты требуют отдельного метода с поддержкой изображений. При соответствующем входе модель представляет таблицы, графики и инфографику в общем пространстве векторов.
Такой поиск подходит для вопросно-ответных помощников по большой коллекции документов, внутренних справочников и исследовательских материалов. Результат кодирования — числовой вектор. Найденную страницу или фрагмент можно затем передать модели, формирующей ответ: сама Embed VL выполняет этап поиска контекста.
Запрос и документ кодируются независимо. Поэтому коллекцию можно обработать заранее, сохранить векторы вместе с исходными страницами, а при новом вопросе вычислять только вектор запроса. Сходство векторов помогает выбрать материалы по смыслу. Текстовые роли запроса и документа различаются, что важно сохранять при подготовке данных.
Каждый вход преобразуется в один вектор размерностью до 2048 чисел. В текстовом режиме используется бюджет 8192 токена. Для визуального метода производителя с сочетанием картинки и текста описан общий бюджет 10240 токенов, куда входят обе части; это не текстовый лимит метода Ailoot. Изображение разбивается на фрагменты: в описанной конфигурации допускается до шести фрагментов и уменьшенная копия всей страницы, вместе около 1792 визуальных токенов. Длинные тексты требуется делить или сокращать.
Языковая часть построена на Llama 3.2 1B, визуальная — на SigLIP2. Они объединены в энкодер, который усредняет представления входных токенов и выдаёт единый вектор. Контрастное обучение сближает вопрос с подходящей страницей и отдаляет его от нерелевантных материалов. Поиск остаётся вероятностным: близость векторов не гарантирует, что выбранный фрагмент содержит правильный ответ.
", "aboutText": "### Найти нужную страницу по вопросу\n\nLlama Nemotron Embed VL 1B v2 разработана NVIDIA для поиска материалов, которые помогают ответить на вопрос. Запрос задаётся текстом. В текущем каталоге Ailoot для модели представлен текстовый вход: вопрос и материал кодируются как текст. Производитель также описывает документ в виде изображения страницы или картинки вместе с извлечённым текстом. Такие визуальные варианты требуют отдельного метода с поддержкой изображений. При соответствующем входе модель представляет таблицы, графики и инфографику в общем пространстве векторов.\n\nТакой поиск подходит для вопросно-ответных помощников по большой коллекции документов, внутренних справочников и исследовательских материалов. Результат кодирования — числовой вектор. Найденную страницу или фрагмент можно затем передать модели, формирующей ответ: сама Embed VL выполняет этап поиска контекста.\n\n### Варианты документа у производителя\n\n- Текстовый документ: отдельный раздел, фрагмент или уже распознанный текст страницы.\n- Изображение: страница целиком с её текстом, таблицами и графическими элементами.\n- Изображение с текстом: визуальный вид страницы и её текстовое содержимое объединяются в одном представлении.\n\nЗапрос и документ кодируются независимо. Поэтому коллекцию можно обработать заранее, сохранить векторы вместе с исходными страницами, а при новом вопросе вычислять только вектор запроса. Сходство векторов помогает выбрать материалы по смыслу. Текстовые роли запроса и документа различаются, что важно сохранять при подготовке данных.\n\n### Размер представления и длина входа\n\nКаждый вход преобразуется в один вектор размерностью до 2048 чисел. В текстовом режиме используется бюджет 8192 токена. Для визуального метода производителя с сочетанием картинки и текста описан общий бюджет 10240 токенов, куда входят обе части; это не текстовый лимит метода Ailoot. Изображение разбивается на фрагменты: в описанной конфигурации допускается до шести фрагментов и уменьшенная копия всей страницы, вместе около 1792 визуальных токенов. Длинные тексты требуется делить или сокращать.\n\nЯзыковая часть построена на Llama 3.2 1B, визуальная — на SigLIP2. Они объединены в энкодер, который усредняет представления входных токенов и выдаёт единый вектор. Контрастное обучение сближает вопрос с подходящей страницей и отдаляет его от нерелевантных материалов. Поиск остаётся вероятностным: близость векторов не гарантирует, что выбранный фрагмент содержит правильный ответ.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4d082b30e8bb685be32c2e9298e0971bd9fe526bde8ce08dce52d81a70135707", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ru", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Llama Nemotron Embed VL v2 создаёт векторы для семантического поиска по документам. В текущем каталоге Ailoot представлен текстовый вход для запросов и материалов.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Llama Nemotron Embed VL 1B v2 разработана NVIDIA для поиска материалов, которые помогают ответить на вопрос. Запрос задаётся текстом. В текущем каталоге Ailoot для модели представлен текстовый вход: вопрос и материал кодируются как текст. Производитель также описывает документ в виде изображения страницы или картинки вместе с извлечённым текстом. Такие визуальные варианты требуют отдельного метода с поддержкой изображений. При соответствующем входе модель представляет таблицы, графики и инфографику в общем пространстве векторов.
Такой поиск подходит для вопросно-ответных помощников по большой коллекции документов, внутренних справочников и исследовательских материалов. Результат кодирования — числовой вектор. Найденную страницу или фрагмент можно затем передать модели, формирующей ответ: сама Embed VL выполняет этап поиска контекста.
Запрос и документ кодируются независимо. Поэтому коллекцию можно обработать заранее, сохранить векторы вместе с исходными страницами, а при новом вопросе вычислять только вектор запроса. Сходство векторов помогает выбрать материалы по смыслу. Текстовые роли запроса и документа различаются, что важно сохранять при подготовке данных.
Каждый вход преобразуется в один вектор размерностью до 2048 чисел. В текстовом режиме используется бюджет 8192 токена. Для визуального метода производителя с сочетанием картинки и текста описан общий бюджет 10240 токенов, куда входят обе части; это не текстовый лимит метода Ailoot. Изображение разбивается на фрагменты: в описанной конфигурации допускается до шести фрагментов и уменьшенная копия всей страницы, вместе около 1792 визуальных токенов. Длинные тексты требуется делить или сокращать.
Языковая часть построена на Llama 3.2 1B, визуальная — на SigLIP2. Они объединены в энкодер, который усредняет представления входных токенов и выдаёт единый вектор. Контрастное обучение сближает вопрос с подходящей страницей и отдаляет его от нерелевантных материалов. Поиск остаётся вероятностным: близость векторов не гарантирует, что выбранный фрагмент содержит правильный ответ.
POST /v1/embeddingstextembedding| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения nvidia/llama-nemotron-embed-vl-1b-v2 | По умолчанию— |
Полеinput | Типstring|string[] | ТребованиеОбязательно | Значения и ограничения Минимум элементов: 1 Условия: Каждая строка непуста после trim; URI данных отклоняются; принятый лимит измеряет соответствующие байты UTF8. | По умолчанию— |
Полеinput_type | Типstring | ТребованиеНеобязательно | Значения и ограничения query, passage | По умолчаниюquery |
Полеencoding_format | Типstring | ТребованиеНеобязательно | Значения и ограничения float, base64 | По умолчаниюfloat |
Полеtruncate | Типstring | ТребованиеНеобязательно | Значения и ограничения NONE, START, END | По умолчанию— |
Полеdimensions | Типinteger | ТребованиеНеобязательно | Значения и ограничения Минимум: 1 | По умолчанию— |
Полеuser | Типstring | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
text_to_embedding
| Параметр | Контракт |
|---|---|
Параметрmaterial_types | Контрактtext |
Параметрrequired | Контрактmodel, input |
Параметрoptional_controls | Контрактnull |
Параметрcontent_type | Контрактapplication/json |
Жизненный цикл: exact retained published method
Структуры методов и ID указаны точно; возможности поставщика рассматриваются отдельно от допуска.
POST /v1/embeddingsAiloot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
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
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Декодируйте векторы base64 только тогда, когда был запрошен этот формат; сохраняйте каждый вектор и его исходный индекс.
Отдельный эндпоинт заданий эмбеддингов не вводится.
| Поле | Тип |
|---|---|
Полеdata[].index | Типinteger |
Полеdata[].embedding | Типfinite float[]|base64 float32 vector |
Полеmodel | Типstring |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Используйте пути методов, указанные выше.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlLlama Nemotron Embed VL v2 создаёт векторы для семантического поиска по документам. В текущем каталоге Ailoot представлен текстовый вход для запросов и материалов.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Llama Nemotron Embed VL 1B v2 разработана NVIDIA для поиска материалов, которые помогают ответить на вопрос. Запрос задаётся текстом. В текущем каталоге Ailoot для модели представлен текстовый вход: вопрос и материал кодируются как текст. Производитель также описывает документ в виде изображения страницы или картинки вместе с извлечённым текстом. Такие визуальные варианты требуют отдельного метода с поддержкой изображений. При соответствующем входе модель представляет таблицы, графики и инфографику в общем пространстве векторов.
Такой поиск подходит для вопросно-ответных помощников по большой коллекции документов, внутренних справочников и исследовательских материалов. Результат кодирования — числовой вектор. Найденную страницу или фрагмент можно затем передать модели, формирующей ответ: сама Embed VL выполняет этап поиска контекста.
Запрос и документ кодируются независимо. Поэтому коллекцию можно обработать заранее, сохранить векторы вместе с исходными страницами, а при новом вопросе вычислять только вектор запроса. Сходство векторов помогает выбрать материалы по смыслу. Текстовые роли запроса и документа различаются, что важно сохранять при подготовке данных.
Каждый вход преобразуется в один вектор размерностью до 2048 чисел. В текстовом режиме используется бюджет 8192 токена. Для визуального метода производителя с сочетанием картинки и текста описан общий бюджет 10240 токенов, куда входят обе части; это не текстовый лимит метода Ailoot. Изображение разбивается на фрагменты: в описанной конфигурации допускается до шести фрагментов и уменьшенная копия всей страницы, вместе около 1792 визуальных токенов. Длинные тексты требуется делить или сокращать.
Языковая часть построена на Llama 3.2 1B, визуальная — на SigLIP2. Они объединены в энкодер, который усредняет представления входных токенов и выдаёт единый вектор. Контрастное обучение сближает вопрос с подходящей страницей и отдаляет его от нерелевантных материалов. Поиск остаётся вероятностным: близость векторов не гарантирует, что выбранный фрагмент содержит правильный ответ.
POST /v1/embeddingstextembedding| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения nemotron-embed-vl | По умолчанию— |
Полеinput | Типstring|string[] | ТребованиеОбязательно | Значения и ограничения Минимум элементов: 1 Условия: Каждая строка непуста после trim; URI данных отклоняются; принятый лимит измеряет соответствующие байты UTF8. | По умолчанию— |
Полеinput_type | Типstring | ТребованиеНеобязательно | Значения и ограничения query, passage | По умолчаниюquery |
Полеencoding_format | Типstring | ТребованиеНеобязательно | Значения и ограничения float, base64 | По умолчаниюfloat |
Полеtruncate | Типstring | ТребованиеНеобязательно | Значения и ограничения NONE, START, END | По умолчанию— |
Полеdimensions | Типinteger | ТребованиеНеобязательно | Значения и ограничения Минимум: 1 | По умолчанию— |
Полеuser | Типstring | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
text_to_embedding
| Параметр | Контракт |
|---|---|
Параметрmaterial_types | Контрактtext |
Параметрrequired | Контрактmodel, input |
Параметрoptional_controls | Контрактnull |
Параметрcontent_type | Контрактapplication/json |
Жизненный цикл: exact retained published method
Структуры методов и ID указаны точно; возможности поставщика рассматриваются отдельно от допуска.
POST /v1/embeddingsAiloot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
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
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Декодируйте векторы base64 только тогда, когда был запрошен этот формат; сохраняйте каждый вектор и его исходный индекс.
Отдельный эндпоинт заданий эмбеддингов не вводится.
| Поле | Тип |
|---|---|
Полеdata[].index | Типinteger |
Полеdata[].embedding | Типfinite float[]|base64 float32 vector |
Полеmodel | Типstring |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Используйте пути методов, указанные выше.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestLlama Nemotron Embed VL v2 создаёт векторы для семантического поиска по документам. В текущем каталоге Ailoot представлен текстовый вход для запросов и материалов.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Llama Nemotron Embed VL 1B v2 разработана NVIDIA для поиска материалов, которые помогают ответить на вопрос. Запрос задаётся текстом. В текущем каталоге Ailoot для модели представлен текстовый вход: вопрос и материал кодируются как текст. Производитель также описывает документ в виде изображения страницы или картинки вместе с извлечённым текстом. Такие визуальные варианты требуют отдельного метода с поддержкой изображений. При соответствующем входе модель представляет таблицы, графики и инфографику в общем пространстве векторов.
Такой поиск подходит для вопросно-ответных помощников по большой коллекции документов, внутренних справочников и исследовательских материалов. Результат кодирования — числовой вектор. Найденную страницу или фрагмент можно затем передать модели, формирующей ответ: сама Embed VL выполняет этап поиска контекста.
Запрос и документ кодируются независимо. Поэтому коллекцию можно обработать заранее, сохранить векторы вместе с исходными страницами, а при новом вопросе вычислять только вектор запроса. Сходство векторов помогает выбрать материалы по смыслу. Текстовые роли запроса и документа различаются, что важно сохранять при подготовке данных.
Каждый вход преобразуется в один вектор размерностью до 2048 чисел. В текстовом режиме используется бюджет 8192 токена. Для визуального метода производителя с сочетанием картинки и текста описан общий бюджет 10240 токенов, куда входят обе части; это не текстовый лимит метода Ailoot. Изображение разбивается на фрагменты: в описанной конфигурации допускается до шести фрагментов и уменьшенная копия всей страницы, вместе около 1792 визуальных токенов. Длинные тексты требуется делить или сокращать.
Языковая часть построена на Llama 3.2 1B, визуальная — на SigLIP2. Они объединены в энкодер, который усредняет представления входных токенов и выдаёт единый вектор. Контрастное обучение сближает вопрос с подходящей страницей и отдаляет его от нерелевантных материалов. Поиск остаётся вероятностным: близость векторов не гарантирует, что выбранный фрагмент содержит правильный ответ.
POST /v1/embeddingstextembedding| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения nemotron-embed-vl-latest | По умолчанию— |
Полеinput | Типstring|string[] | ТребованиеОбязательно | Значения и ограничения Минимум элементов: 1 Условия: Каждая строка непуста после trim; URI данных отклоняются; принятый лимит измеряет соответствующие байты UTF8. | По умолчанию— |
Полеinput_type | Типstring | ТребованиеНеобязательно | Значения и ограничения query, passage | По умолчаниюquery |
Полеencoding_format | Типstring | ТребованиеНеобязательно | Значения и ограничения float, base64 | По умолчаниюfloat |
Полеtruncate | Типstring | ТребованиеНеобязательно | Значения и ограничения NONE, START, END | По умолчанию— |
Полеdimensions | Типinteger | ТребованиеНеобязательно | Значения и ограничения Минимум: 1 | По умолчанию— |
Полеuser | Типstring | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
text_to_embedding
| Параметр | Контракт |
|---|---|
Параметрmaterial_types | Контрактtext |
Параметрrequired | Контрактmodel, input |
Параметрoptional_controls | Контрактnull |
Параметрcontent_type | Контрактapplication/json |
Жизненный цикл: exact retained published method
Структуры методов и ID указаны точно; возможности поставщика рассматриваются отдельно от допуска.
POST /v1/embeddingsAiloot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
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
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Декодируйте векторы base64 только тогда, когда был запрошен этот формат; сохраняйте каждый вектор и его исходный индекс.
Отдельный эндпоинт заданий эмбеддингов не вводится.
| Поле | Тип |
|---|---|
Полеdata[].index | Типinteger |
Полеdata[].embedding | Типfinite float[]|base64 float32 vector |
Полеmodel | Типstring |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Используйте пути методов, указанные выше.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest