{ "aboutHtml": "

Nemotron 3 Embed 1B — текстовая модель NVIDIA для поиска по смыслу и сопоставления фрагментов. Она кодирует вопросы, документы и программный код в плотные числовые векторы. Эти представления используются, чтобы найти нужный контекст среди больших коллекций, дополнить им ответ помощника или извлечь ранее сохранённую информацию для следующего шага агента.

Многоязычные знания и код

Модель предназначена для многоязычного и межъязыкового поиска: вопрос и подходящий материал могут быть написаны на разных языках. Русский входит в опубликованный набор из 34 языков, вместе с английским, украинским, китайским, японским, арабским и другими. Это полезно для общих баз знаний, где технические документы и обращения пользователей не приведены к одному языку.

Среди задач — поиск по документации, сопоставление текстов и извлечение кода по словесному описанию. Большое окно входа позволяет работать с длинными документами, объёмным программным контекстом и историей нескольких шагов агента. Найденный материал возвращается в дальнейший процесс как контекст; итоговые объяснения и ответы формирует следующий компонент системы.

От текста к вектору

Вход представляет собой текстовые строки. Для каждой строки получается один вектор из 2048 чисел. Максимальная длина последовательности — 32768 токенов; более длинный материал необходимо разбивать на части либо сокращать. В подготовке входа различают вопрос и документ: модель обучена сопоставлять их роли, поэтому одинаковая строка в этих двух задачах не должна оформляться без учёта назначения.

Векторы нормируются по длине. При таком представлении скалярное произведение и косинусное сходство дают эквивалентный способ сравнения. Можно оставить первые 1024 или 512 координат полного вектора, но после усечения нужно заново выполнить нормирование. Это свойство обработки результата; размерность следует выбирать согласованно для коллекции и запросов.

Как устроена компактная модель

Энкодер содержит около 1,14 млрд параметров. Он получен из модели на основе Ministral 3 3B через два этапа структурного сокращения и дистилляции. Двунаправленное внимание учитывает весь вход, затем представления токенов усредняются в общий вектор.

NVIDIA выпускает варианты BF16 и NVFP4. Их пространства представлений близки, однако смена варианта требует проверки на собственных документах. Ни числовое сходство, ни длина контекста не гарантируют, что поиск всегда выберет правильный фрагмент.

", "aboutText": "Nemotron 3 Embed 1B — текстовая модель NVIDIA для поиска по смыслу и сопоставления фрагментов. Она кодирует вопросы, документы и программный код в плотные числовые векторы. Эти представления используются, чтобы найти нужный контекст среди больших коллекций, дополнить им ответ помощника или извлечь ранее сохранённую информацию для следующего шага агента.\n\n### Многоязычные знания и код\n\nМодель предназначена для многоязычного и межъязыкового поиска: вопрос и подходящий материал могут быть написаны на разных языках. Русский входит в опубликованный набор из 34 языков, вместе с английским, украинским, китайским, японским, арабским и другими. Это полезно для общих баз знаний, где технические документы и обращения пользователей не приведены к одному языку.\n\nСреди задач — поиск по документации, сопоставление текстов и извлечение кода по словесному описанию. Большое окно входа позволяет работать с длинными документами, объёмным программным контекстом и историей нескольких шагов агента. Найденный материал возвращается в дальнейший процесс как контекст; итоговые объяснения и ответы формирует следующий компонент системы.\n\n### От текста к вектору\n\nВход представляет собой текстовые строки. Для каждой строки получается один вектор из 2048 чисел. Максимальная длина последовательности — 32768 токенов; более длинный материал необходимо разбивать на части либо сокращать. В подготовке входа различают вопрос и документ: модель обучена сопоставлять их роли, поэтому одинаковая строка в этих двух задачах не должна оформляться без учёта назначения.\n\nВекторы нормируются по длине. При таком представлении скалярное произведение и косинусное сходство дают эквивалентный способ сравнения. Можно оставить первые 1024 или 512 координат полного вектора, но после усечения нужно заново выполнить нормирование. Это свойство обработки результата; размерность следует выбирать согласованно для коллекции и запросов.\n\n### Как устроена компактная модель\n\nЭнкодер содержит около 1,14 млрд параметров. Он получен из модели на основе Ministral 3 3B через два этапа структурного сокращения и дистилляции. Двунаправленное внимание учитывает весь вход, затем представления токенов усредняются в общий вектор.\n\nNVIDIA выпускает варианты BF16 и NVFP4. Их пространства представлений близки, однако смена варианта требует проверки на собственных документах. Ни числовое сходство, ни длина контекста не гарантируют, что поиск всегда выберет правильный фрагмент.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2e58d39701c751e692350aef65a0fff03d9cfcb269746ea139852a5bd7240595", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ru", "methods": [ { "html": "
NV

Nemotron 3 Embed 1B

NVIDIA /nvidia/nemotron-3-embed-1b

Начало

Nemotron 3 Embed 1B превращает тексты в векторы для многоязычного поиска, поиска кода и RAG. Обрабатывает последовательности до 32768 токенов и выдаёт представление размерностью 2048 чисел.

Допустимые входные данные
Текст
Результаты
embedding
О модели

Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.

Nemotron 3 Embed 1B — текстовая модель NVIDIA для поиска по смыслу и сопоставления фрагментов. Она кодирует вопросы, документы и программный код в плотные числовые векторы. Эти представления используются, чтобы найти нужный контекст среди больших коллекций, дополнить им ответ помощника или извлечь ранее сохранённую информацию для следующего шага агента.

Многоязычные знания и код

Модель предназначена для многоязычного и межъязыкового поиска: вопрос и подходящий материал могут быть написаны на разных языках. Русский входит в опубликованный набор из 34 языков, вместе с английским, украинским, китайским, японским, арабским и другими. Это полезно для общих баз знаний, где технические документы и обращения пользователей не приведены к одному языку.

Среди задач — поиск по документации, сопоставление текстов и извлечение кода по словесному описанию. Большое окно входа позволяет работать с длинными документами, объёмным программным контекстом и историей нескольких шагов агента. Найденный материал возвращается в дальнейший процесс как контекст; итоговые объяснения и ответы формирует следующий компонент системы.

От текста к вектору

Вход представляет собой текстовые строки. Для каждой строки получается один вектор из 2048 чисел. Максимальная длина последовательности — 32768 токенов; более длинный материал необходимо разбивать на части либо сокращать. В подготовке входа различают вопрос и документ: модель обучена сопоставлять их роли, поэтому одинаковая строка в этих двух задачах не должна оформляться без учёта назначения.

Векторы нормируются по длине. При таком представлении скалярное произведение и косинусное сходство дают эквивалентный способ сравнения. Можно оставить первые 1024 или 512 координат полного вектора, но после усечения нужно заново выполнить нормирование. Это свойство обработки результата; размерность следует выбирать согласованно для коллекции и запросов.

Как устроена компактная модель

Энкодер содержит около 1,14 млрд параметров. Он получен из модели на основе Ministral 3 3B через два этапа структурного сокращения и дистилляции. Двунаправленное внимание учитывает весь вход, затем представления токенов усредняются в общий вектор.

NVIDIA выпускает варианты BF16 и NVFP4. Их пространства представлений близки, однако смена варианта требует проверки на собственных документах. Ни числовое сходство, ни длина контекста не гарантируют, что поиск всегда выберет правильный фрагмент.

Доступно в Ailoot · входные данные и методы

Ailoot · Эмбеддинги POST /v1/embeddings
Входные данные
text
Результат
embedding
Контекст
4 096 tokens
Выходной формат
json
ПолеТипТребованиеЗначения и ограниченияПо умолчанию
ПолеmodelТипstringТребованиеОбязательноЗначения и ограничения
nvidia/nemotron-3-embed-1b
По умолчанию—
ПолеinputТипstring|string[]ТребованиеОбязательноЗначения и ограничения
Минимум элементов: 1
Условия: Каждая строка непуста после trim; URI данных отклоняются; принятый лимит измеряет соответствующие байты UTF8.
По умолчанию—
Полеinput_typeТипstringТребованиеНеобязательноЗначения и ограничения
query, passage
По умолчаниюquery
Полеencoding_formatТипstringТребованиеНеобязательноЗначения и ограничения
float, base64
По умолчаниюfloat
ПолеtruncateТипstringТребованиеНеобязательноЗначения и ограничения
NONE, START, END
По умолчанию—
ПолеdimensionsТипintegerТребованиеНеобязательноЗначения и ограничения
Минимум: 1
По умолчанию—
ПолеuserТипstringТребованиеНеобязательноЗначения и ограниченияПо умолчанию—
Сочетания входных материалов

text_to_embedding

Параметры и жизненный цикл метода
ПараметрКонтракт
Параметрmaterial_typesКонтрактtext
ПараметрrequiredКонтрактmodel, input
Параметрoptional_controlsКонтрактnull
Параметрcontent_typeКонтрактapplication/json

Жизненный цикл: exact retained published method

Структуры методов и ID указаны точно; возможности поставщика рассматриваются отдельно от допуска.

Тарифы

Ставки методов Ailoot

Ailoot ЭмбеддингиPOST /v1/embeddings
Вход
0,0001 $ / 1K

Ailoot 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 →

Примеры запросов

Ailoot · Эмбеддинги

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\n

Получить и сохранить результаты

Ailoot · Эмбеддинги

json

Сохраняйте все готовые результаты

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.

Если нужно проверить исходный ответ

Отдельный эндпоинт заданий эмбеддингов не вводится.

Поля ответа
ПолеТип
Полеdata[].indexТипinteger
Полеdata[].embeddingТипfinite float[]|base64 float32 vector
ПолеmodelТипstring
ПолеusageТипobject
Ошибки и дальнейшие шаги
ОтветУсловиеСледующий шаг
Ответ400 · invalid_request_errorУсловиеНеверные обязательные поля, представление материалов или значение параметраСледующий шагИсправьте указанные поля перед новым запросом на создание.

Псевдонимы

Псевдонимы моделей

Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

Псевдонимы путей метода

Используйте пути методов, указанные выше.

Связанные ID для вызова

nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

", "method_identity": { "effective_request_model_id": "nvidia/nemotron-3-embed-1b", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nvidia/nemotron-3-embed-1b", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nvidia%2Fnemotron-3-embed-1b", "ordinal": 0, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "Неверные обязательные поля, представление материалов или значение параметра", "http_status": 400, "recovery": "Исправьте указанные поля перед новым запросом на создание.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Отдельный эндпоинт заданий эмбеддингов не вводится." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Декодируйте векторы base64 только тогда, когда был запрошен этот формат; сохраняйте каждый вектор и его исходный индекс.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nvidia/nemotron-3-embed-1b" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "Каждая строка непуста после trim; URI данных отклоняются; принятый лимит измеряет соответствующие байты UTF8.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]" }, { "availability": "source_interface", "default": "query", "default_known": true, "enum": [ "query", "passage" ], "enum_known": true, "name": "input_type", "required": false, "type": "string" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float", "base64" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "NONE", "START", "END" ], "enum_known": true, "name": "truncate", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "image objects", "data URI text inputs", "token integer arrays on this NVIDIA adapter" ] }, "hints": [ "Структуры методов и ID указаны точно; возможности поставщика рассматриваются отдельно от допуска." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "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\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "Эмбеддинги", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nvidia/nemotron-3-embed-1b", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } }, { "html": "
NV

Nemotron 3 Embed 1B

NVIDIA /nemotron-3-embed

Начало

Nemotron 3 Embed 1B превращает тексты в векторы для многоязычного поиска, поиска кода и RAG. Обрабатывает последовательности до 32768 токенов и выдаёт представление размерностью 2048 чисел.

Допустимые входные данные
Текст
Результаты
embedding
О модели

Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.

Nemotron 3 Embed 1B — текстовая модель NVIDIA для поиска по смыслу и сопоставления фрагментов. Она кодирует вопросы, документы и программный код в плотные числовые векторы. Эти представления используются, чтобы найти нужный контекст среди больших коллекций, дополнить им ответ помощника или извлечь ранее сохранённую информацию для следующего шага агента.

Многоязычные знания и код

Модель предназначена для многоязычного и межъязыкового поиска: вопрос и подходящий материал могут быть написаны на разных языках. Русский входит в опубликованный набор из 34 языков, вместе с английским, украинским, китайским, японским, арабским и другими. Это полезно для общих баз знаний, где технические документы и обращения пользователей не приведены к одному языку.

Среди задач — поиск по документации, сопоставление текстов и извлечение кода по словесному описанию. Большое окно входа позволяет работать с длинными документами, объёмным программным контекстом и историей нескольких шагов агента. Найденный материал возвращается в дальнейший процесс как контекст; итоговые объяснения и ответы формирует следующий компонент системы.

От текста к вектору

Вход представляет собой текстовые строки. Для каждой строки получается один вектор из 2048 чисел. Максимальная длина последовательности — 32768 токенов; более длинный материал необходимо разбивать на части либо сокращать. В подготовке входа различают вопрос и документ: модель обучена сопоставлять их роли, поэтому одинаковая строка в этих двух задачах не должна оформляться без учёта назначения.

Векторы нормируются по длине. При таком представлении скалярное произведение и косинусное сходство дают эквивалентный способ сравнения. Можно оставить первые 1024 или 512 координат полного вектора, но после усечения нужно заново выполнить нормирование. Это свойство обработки результата; размерность следует выбирать согласованно для коллекции и запросов.

Как устроена компактная модель

Энкодер содержит около 1,14 млрд параметров. Он получен из модели на основе Ministral 3 3B через два этапа структурного сокращения и дистилляции. Двунаправленное внимание учитывает весь вход, затем представления токенов усредняются в общий вектор.

NVIDIA выпускает варианты BF16 и NVFP4. Их пространства представлений близки, однако смена варианта требует проверки на собственных документах. Ни числовое сходство, ни длина контекста не гарантируют, что поиск всегда выберет правильный фрагмент.

Доступно в Ailoot · входные данные и методы

Ailoot · Эмбеддинги POST /v1/embeddings
Входные данные
text
Результат
embedding
Контекст
4 096 tokens
Выходной формат
json
ПолеТипТребованиеЗначения и ограниченияПо умолчанию
ПолеmodelТипstringТребованиеОбязательноЗначения и ограничения
nemotron-3-embed
По умолчанию—
ПолеinputТипstring|string[]ТребованиеОбязательноЗначения и ограничения
Минимум элементов: 1
Условия: Каждая строка непуста после trim; URI данных отклоняются; принятый лимит измеряет соответствующие байты UTF8.
По умолчанию—
Полеinput_typeТипstringТребованиеНеобязательноЗначения и ограничения
query, passage
По умолчаниюquery
Полеencoding_formatТипstringТребованиеНеобязательноЗначения и ограничения
float, base64
По умолчаниюfloat
ПолеtruncateТипstringТребованиеНеобязательноЗначения и ограничения
NONE, START, END
По умолчанию—
ПолеdimensionsТипintegerТребованиеНеобязательноЗначения и ограничения
Минимум: 1
По умолчанию—
ПолеuserТипstringТребованиеНеобязательноЗначения и ограниченияПо умолчанию—
Сочетания входных материалов

text_to_embedding

Параметры и жизненный цикл метода
ПараметрКонтракт
Параметрmaterial_typesКонтрактtext
ПараметрrequiredКонтрактmodel, input
Параметрoptional_controlsКонтрактnull
Параметрcontent_typeКонтрактapplication/json

Жизненный цикл: exact retained published method

Структуры методов и ID указаны точно; возможности поставщика рассматриваются отдельно от допуска.

Тарифы

Ставки методов Ailoot

Ailoot ЭмбеддингиPOST /v1/embeddings
Вход
0,0001 $ / 1K

Ailoot 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 →

Примеры запросов

Ailoot · Эмбеддинги

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\n

Получить и сохранить результаты

Ailoot · Эмбеддинги

json

Сохраняйте все готовые результаты

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.

Если нужно проверить исходный ответ

Отдельный эндпоинт заданий эмбеддингов не вводится.

Поля ответа
ПолеТип
Полеdata[].indexТипinteger
Полеdata[].embeddingТипfinite float[]|base64 float32 vector
ПолеmodelТипstring
ПолеusageТипobject
Ошибки и дальнейшие шаги
ОтветУсловиеСледующий шаг
Ответ400 · invalid_request_errorУсловиеНеверные обязательные поля, представление материалов или значение параметраСледующий шагИсправьте указанные поля перед новым запросом на создание.

Псевдонимы

Псевдонимы моделей

Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

Псевдонимы путей метода

Используйте пути методов, указанные выше.

Связанные ID для вызова

nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

", "method_identity": { "effective_request_model_id": "nemotron-3-embed", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nemotron-3-embed", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nemotron-3-embed", "ordinal": 1, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "Неверные обязательные поля, представление материалов или значение параметра", "http_status": 400, "recovery": "Исправьте указанные поля перед новым запросом на создание.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Отдельный эндпоинт заданий эмбеддингов не вводится." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Декодируйте векторы base64 только тогда, когда был запрошен этот формат; сохраняйте каждый вектор и его исходный индекс.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-3-embed" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "Каждая строка непуста после trim; URI данных отклоняются; принятый лимит измеряет соответствующие байты UTF8.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]" }, { "availability": "source_interface", "default": "query", "default_known": true, "enum": [ "query", "passage" ], "enum_known": true, "name": "input_type", "required": false, "type": "string" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float", "base64" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "NONE", "START", "END" ], "enum_known": true, "name": "truncate", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "image objects", "data URI text inputs", "token integer arrays on this NVIDIA adapter" ] }, "hints": [ "Структуры методов и ID указаны точно; возможности поставщика рассматриваются отдельно от допуска." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "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\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "Эмбеддинги", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-3-embed", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } }, { "html": "
NV

Nemotron 3 Embed 1B

NVIDIA /nemotron-3-embed-latest

Начало

Nemotron 3 Embed 1B превращает тексты в векторы для многоязычного поиска, поиска кода и RAG. Обрабатывает последовательности до 32768 токенов и выдаёт представление размерностью 2048 чисел.

Допустимые входные данные
Текст
Результаты
embedding
О модели

Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.

Nemotron 3 Embed 1B — текстовая модель NVIDIA для поиска по смыслу и сопоставления фрагментов. Она кодирует вопросы, документы и программный код в плотные числовые векторы. Эти представления используются, чтобы найти нужный контекст среди больших коллекций, дополнить им ответ помощника или извлечь ранее сохранённую информацию для следующего шага агента.

Многоязычные знания и код

Модель предназначена для многоязычного и межъязыкового поиска: вопрос и подходящий материал могут быть написаны на разных языках. Русский входит в опубликованный набор из 34 языков, вместе с английским, украинским, китайским, японским, арабским и другими. Это полезно для общих баз знаний, где технические документы и обращения пользователей не приведены к одному языку.

Среди задач — поиск по документации, сопоставление текстов и извлечение кода по словесному описанию. Большое окно входа позволяет работать с длинными документами, объёмным программным контекстом и историей нескольких шагов агента. Найденный материал возвращается в дальнейший процесс как контекст; итоговые объяснения и ответы формирует следующий компонент системы.

От текста к вектору

Вход представляет собой текстовые строки. Для каждой строки получается один вектор из 2048 чисел. Максимальная длина последовательности — 32768 токенов; более длинный материал необходимо разбивать на части либо сокращать. В подготовке входа различают вопрос и документ: модель обучена сопоставлять их роли, поэтому одинаковая строка в этих двух задачах не должна оформляться без учёта назначения.

Векторы нормируются по длине. При таком представлении скалярное произведение и косинусное сходство дают эквивалентный способ сравнения. Можно оставить первые 1024 или 512 координат полного вектора, но после усечения нужно заново выполнить нормирование. Это свойство обработки результата; размерность следует выбирать согласованно для коллекции и запросов.

Как устроена компактная модель

Энкодер содержит около 1,14 млрд параметров. Он получен из модели на основе Ministral 3 3B через два этапа структурного сокращения и дистилляции. Двунаправленное внимание учитывает весь вход, затем представления токенов усредняются в общий вектор.

NVIDIA выпускает варианты BF16 и NVFP4. Их пространства представлений близки, однако смена варианта требует проверки на собственных документах. Ни числовое сходство, ни длина контекста не гарантируют, что поиск всегда выберет правильный фрагмент.

Доступно в Ailoot · входные данные и методы

Ailoot · Эмбеддинги POST /v1/embeddings
Входные данные
text
Результат
embedding
Контекст
4 096 tokens
Выходной формат
json
ПолеТипТребованиеЗначения и ограниченияПо умолчанию
ПолеmodelТипstringТребованиеОбязательноЗначения и ограничения
nemotron-3-embed-latest
По умолчанию—
ПолеinputТипstring|string[]ТребованиеОбязательноЗначения и ограничения
Минимум элементов: 1
Условия: Каждая строка непуста после trim; URI данных отклоняются; принятый лимит измеряет соответствующие байты UTF8.
По умолчанию—
Полеinput_typeТипstringТребованиеНеобязательноЗначения и ограничения
query, passage
По умолчаниюquery
Полеencoding_formatТипstringТребованиеНеобязательноЗначения и ограничения
float, base64
По умолчаниюfloat
ПолеtruncateТипstringТребованиеНеобязательноЗначения и ограничения
NONE, START, END
По умолчанию—
ПолеdimensionsТипintegerТребованиеНеобязательноЗначения и ограничения
Минимум: 1
По умолчанию—
ПолеuserТипstringТребованиеНеобязательноЗначения и ограниченияПо умолчанию—
Сочетания входных материалов

text_to_embedding

Параметры и жизненный цикл метода
ПараметрКонтракт
Параметрmaterial_typesКонтрактtext
ПараметрrequiredКонтрактmodel, input
Параметрoptional_controlsКонтрактnull
Параметрcontent_typeКонтрактapplication/json

Жизненный цикл: exact retained published method

Структуры методов и ID указаны точно; возможности поставщика рассматриваются отдельно от допуска.

Тарифы

Ставки методов Ailoot

Ailoot ЭмбеддингиPOST /v1/embeddings
Вход
0,0001 $ / 1K

Ailoot 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 →

Примеры запросов

Ailoot · Эмбеддинги

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\n

Получить и сохранить результаты

Ailoot · Эмбеддинги

json

Сохраняйте все готовые результаты

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.

Если нужно проверить исходный ответ

Отдельный эндпоинт заданий эмбеддингов не вводится.

Поля ответа
ПолеТип
Полеdata[].indexТипinteger
Полеdata[].embeddingТипfinite float[]|base64 float32 vector
ПолеmodelТипstring
ПолеusageТипobject
Ошибки и дальнейшие шаги
ОтветУсловиеСледующий шаг
Ответ400 · invalid_request_errorУсловиеНеверные обязательные поля, представление материалов или значение параметраСледующий шагИсправьте указанные поля перед новым запросом на создание.

Псевдонимы

Псевдонимы моделей

Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

Псевдонимы путей метода

Используйте пути методов, указанные выше.

Связанные ID для вызова

nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest

", "method_identity": { "effective_request_model_id": "nemotron-3-embed-latest", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "nemotron-3-embed-latest", "route_label": "Core" }, "method_key": "Core|embeddings|/v1/embeddings|nemotron-3-embed-latest", "ordinal": 2, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "Неверные обязательные поля, представление материалов или значение параметра", "http_status": 400, "recovery": "Исправьте указанные поля перед новым запросом на создание.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Отдельный эндпоинт заданий эмбеддингов не вводится." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Декодируйте векторы base64 только тогда, когда был запрошен этот формат; сохраняйте каждый вектор и его исходный индекс.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-3-embed-latest" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "Каждая строка непуста после trim; URI данных отклоняются; принятый лимит измеряет соответствующие байты UTF8.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]" }, { "availability": "source_interface", "default": "query", "default_known": true, "enum": [ "query", "passage" ], "enum_known": true, "name": "input_type", "required": false, "type": "string" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float", "base64" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "NONE", "START", "END" ], "enum_known": true, "name": "truncate", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "image objects", "data URI text inputs", "token integer arrays on this NVIDIA adapter" ] }, "hints": [ "Структуры методов и ID указаны точно; возможности поставщика рассматриваются отдельно от допуска." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "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\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "Эмбеддинги", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-3-embed-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } } ], "model_id": "nvidia/nemotron-3-embed-1b", "nativeProvenance": { "input_facts_canonical_sha256": "c6d18bb3a5a9b28047d217c091a78c98af82cccc707e02de29f16c066e2fc994", "input_html_sha256": "6013295bb3ae904e8976df24610a8d2ac81226bd65c3a60372abeaeacc4e934a", "private_audit_sha256": "5b40c2207adcf01ed333d86f977dfef2c8de37877a84148e797047dc633ef02a", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ru/nvidia-nemotron-3-embed-1b/", "description": "Nemotron 3 Embed 1B превращает тексты в векторы для многоязычного поиска, поиска кода и RAG. Обрабатывает последовательности до 32768 токенов и выдаёт представление размерностью 2048 чисел.", "locale": "ru", "md_url": "https://ailoot.ai/models/ru/nvidia-nemotron-3-embed-1b/index.md", "title": "Nemotron 3 Embed 1B — Ailoot", "url": "https://ailoot.ai/models/ru/nvidia-nemotron-3-embed-1b/" }, "rawModel": { "about": "Nemotron 3 Embed 1B — текстовая модель NVIDIA для поиска по смыслу и сопоставления фрагментов. Она кодирует вопросы, документы и программный код в плотные числовые векторы. Эти представления используются, чтобы найти нужный контекст среди больших коллекций, дополнить им ответ помощника или извлечь ранее сохранённую информацию для следующего шага агента.\n\n### Многоязычные знания и код\n\nМодель предназначена для многоязычного и межъязыкового поиска: вопрос и подходящий материал могут быть написаны на разных языках. Русский входит в опубликованный набор из 34 языков, вместе с английским, украинским, китайским, японским, арабским и другими. Это полезно для общих баз знаний, где технические документы и обращения пользователей не приведены к одному языку.\n\nСреди задач — поиск по документации, сопоставление текстов и извлечение кода по словесному описанию. Большое окно входа позволяет работать с длинными документами, объёмным программным контекстом и историей нескольких шагов агента. Найденный материал возвращается в дальнейший процесс как контекст; итоговые объяснения и ответы формирует следующий компонент системы.\n\n### От текста к вектору\n\nВход представляет собой текстовые строки. Для каждой строки получается один вектор из 2048 чисел. Максимальная длина последовательности — 32768 токенов; более длинный материал необходимо разбивать на части либо сокращать. В подготовке входа различают вопрос и документ: модель обучена сопоставлять их роли, поэтому одинаковая строка в этих двух задачах не должна оформляться без учёта назначения.\n\nВекторы нормируются по длине. При таком представлении скалярное произведение и косинусное сходство дают эквивалентный способ сравнения. Можно оставить первые 1024 или 512 координат полного вектора, но после усечения нужно заново выполнить нормирование. Это свойство обработки результата; размерность следует выбирать согласованно для коллекции и запросов.\n\n### Как устроена компактная модель\n\nЭнкодер содержит около 1,14 млрд параметров. Он получен из модели на основе Ministral 3 3B через два этапа структурного сокращения и дистилляции. Двунаправленное внимание учитывает весь вход, затем представления токенов усредняются в общий вектор.\n\nNVIDIA выпускает варианты BF16 и NVFP4. Их пространства представлений близки, однако смена варианта требует проверки на собственных документах. Ни числовое сходство, ни длина контекста не гарантируют, что поиск всегда выберет правильный фрагмент.", "alias_of": null, "aliases": [ "nemotron-3-embed", "nemotron-3-embed-latest" ], "author": "NVIDIA", "ctx": 4096, "display_name": "Nemotron 3 Embed 1B", "formats": [ "embeddings" ], "id": "nvidia/nemotron-3-embed-1b", "input": [ "text" ], "kind": "embedding", "max_out": null, "methods": [ { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "Неверные обязательные поля, представление материалов или значение параметра", "http_status": 400, "recovery": "Исправьте указанные поля перед новым запросом на создание.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Отдельный эндпоинт заданий эмбеддингов не вводится." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Декодируйте векторы base64 только тогда, когда был запрошен этот формат; сохраняйте каждый вектор и его исходный индекс.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nvidia/nemotron-3-embed-1b" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "Каждая строка непуста после trim; URI данных отклоняются; принятый лимит измеряет соответствующие байты UTF8.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]" }, { "availability": "source_interface", "default": "query", "default_known": true, "enum": [ "query", "passage" ], "enum_known": true, "name": "input_type", "required": false, "type": "string" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float", "base64" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "NONE", "START", "END" ], "enum_known": true, "name": "truncate", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "image objects", "data URI text inputs", "token integer arrays on this NVIDIA adapter" ] }, "hints": [ "Структуры методов и ID указаны точно; возможности поставщика рассматриваются отдельно от допуска." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "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\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "Эмбеддинги", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nvidia/nemotron-3-embed-1b", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] }, { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "Неверные обязательные поля, представление материалов или значение параметра", "http_status": 400, "recovery": "Исправьте указанные поля перед новым запросом на создание.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Отдельный эндпоинт заданий эмбеддингов не вводится." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Декодируйте векторы base64 только тогда, когда был запрошен этот формат; сохраняйте каждый вектор и его исходный индекс.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-3-embed" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "Каждая строка непуста после trim; URI данных отклоняются; принятый лимит измеряет соответствующие байты UTF8.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]" }, { "availability": "source_interface", "default": "query", "default_known": true, "enum": [ "query", "passage" ], "enum_known": true, "name": "input_type", "required": false, "type": "string" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float", "base64" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "NONE", "START", "END" ], "enum_known": true, "name": "truncate", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "image objects", "data URI text inputs", "token integer arrays on this NVIDIA adapter" ] }, "hints": [ "Структуры методов и ID указаны точно; возможности поставщика рассматриваются отдельно от допуска." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "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\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "Эмбеддинги", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-3-embed", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] }, { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "contract": { "data": { "all_results": "Decode base64 vectors only when that format was requested; retain every vector and its original index.", "errors": [ { "code": null, "condition": "Неверные обязательные поля, представление материалов или значение параметра", "http_status": 400, "recovery": "Исправьте указанные поля перед новым запросом на создание.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Отдельный эндпоинт заданий эмбеддингов не вводится." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Декодируйте векторы base64 только тогда, когда был запрошен этот формат; сохраняйте каждый вектор и его исходный индекс.", "family": "embedding", "fields": [ { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]|base64 float32 vector" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "nemotron-3-embed-latest" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "conditions": "Каждая строка непуста после trim; URI данных отклоняются; принятый лимит измеряет соответствующие байты UTF8.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]" }, { "availability": "source_interface", "default": "query", "default_known": true, "enum": [ "query", "passage" ], "enum_known": true, "name": "input_type", "required": false, "type": "string" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float", "base64" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "NONE", "START", "END" ], "enum_known": true, "name": "truncate", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "image objects", "data URI text inputs", "token integer arrays on this NVIDIA adapter" ] }, "hints": [ "Структуры методов и ID указаны точно; возможности поставщика рассматриваются отдельно от допуска." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": null, "required": [ "model", "input" ] }, "lifecycle": { "mode": "exact retained published method" }, "method": { "http": "POST", "path": "/v1/embeddings" }, "operation_modes": [ "embeddings" ], "output": { "family": [ "embedding" ], "format": "indexed vectors JSON", "multioutputs": "retain every actual response output" } }, "ctx": 4096, "examples": [ { "code": "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\n", "label": "Embed your source material", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.1, "input": [ "text" ], "label": "Эмбеддинги", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "pricing_profiles": [ { "dimensions": {}, "label": "Core", "units": [ { "amount": 0.1, "amount_unit": "usd_per_million_tokens", "key": "in", "label": "Input", "side": "in" }, { "amount": 0, "amount_unit": "usd_per_million_tokens", "key": "out", "label": "Output", "side": "out" } ] } ], "request_model_id": "nemotron-3-embed-latest", "route_label": "Core", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } ], "model_aliases": [ { "canonical_model_id": "nvidia/nemotron-3-embed-1b", "request_model_id": "nvidia/nemotron-3-embed-1b", "route_label": "Core" }, { "canonical_model_id": "nvidia/nemotron-3-embed-1b", "request_model_id": "nemotron-3-embed", "route_label": "Core" }, { "canonical_model_id": "nvidia/nemotron-3-embed-1b", "request_model_id": "nemotron-3-embed-latest", "route_label": "Core" } ], "name": "nvidia/nemotron-3-embed-1b", "price": { "in": 0.1, "in_label": null, "out": null, "out_label": null, "sort_in": 0.1, "sort_out": null, "varies": false }, "short": "Nemotron 3 Embed 1B превращает тексты в векторы для многоязычного поиска, поиска кода и RAG. Обрабатывает последовательности до 32768 токенов и выдаёт представление размерностью 2048 чисел." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 }, { "contract_json_pointer": "/methods/1/rawMethod/contract", "html_json_pointer": "/methods/1/html", "method_ordinal": 1 }, { "contract_json_pointer": "/methods/2/rawMethod/contract", "html_json_pointer": "/methods/2/html", "method_ordinal": 2 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod", "/methods/1/rawMethod", "/methods/2/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Nemotron 3 Embed 1B превращает тексты в векторы для многоязычного поиска, поиска кода и RAG. Обрабатывает последовательности до 32768 токенов и выдаёт представление размерностью 2048 чисел.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "af1b2dc16d296915ab55331c3b3be9ec3877bc1b7ea194d66f02071eebb1e507", "renderer_sha256": "aa692ffec412026bdeaf316df24a58e6c5083045e5246f6033f898d132afa5ff" }, "sourceRevision": "7ecd3fe3c1526e5211ffaaed0b1b8f79160c129238539ea0cc393925f85c4844" }