{ "aboutHtml": "

Nemotron 3 Embed 1B je textový model NVIDIA na vyhľadávanie podľa významu a porovnávanie fragmentov. Kóduje otázky, dokumenty a programový kód do hustých číselných vektorov. Tieto reprezentácie sa používajú na vyhľadanie potrebného kontextu vo veľkých zbierkach, doplnenie odpovede asistenta týmto kontextom alebo získanie skôr uložených informácií pre ďalší krok agenta.

Viacjazyčné znalosti a kód

Model je určený na viacjazyčné a medzijazykové vyhľadávanie: otázka a vhodný materiál môžu byť napísané v rôznych jazykoch. Ruština patrí do zverejnenej sady 34 jazykov spolu s angličtinou, ukrajinčinou, čínštinou, japončinou, arabčinou a ďalšími. To je užitočné pre spoločné znalostné bázy, v ktorých technické dokumenty a používateľské požiadavky nie sú zjednotené do jedného jazyka.

Medzi úlohy patrí vyhľadávanie v dokumentácii, porovnávanie textov a získavanie kódu podľa slovného opisu. Veľké vstupné okno umožňuje pracovať s dlhými dokumentmi, rozsiahlym programovým kontextom a históriou viacerých krokov agenta. Nájdený materiál sa vracia do ďalšieho procesu ako kontext; konečné vysvetlenia a odpovede vytvára nasledujúci komponent systému.

Od textu k vektoru

Vstup tvoria textové reťazce. Pre každý reťazec vznikne jeden vektor z 2048 čísel. Maximálna dĺžka sekvencie je 32768 tokenov; dlhší materiál treba rozdeliť na časti alebo skrátiť. Pri príprave vstupu sa rozlišuje otázka a dokument: model je naučený porovnávať ich roly, preto sa rovnaký reťazec v týchto dvoch úlohách nemá formátovať bez zohľadnenia účelu.

Vektory sa normalizujú podľa dĺžky. Pri tejto reprezentácii poskytujú skalárny súčin a kosínusová podobnosť ekvivalentný spôsob porovnávania. Možno ponechať prvých 1024 alebo 512 súradníc úplného vektora, ale po skrátení treba normalizáciu vykonať znova. Ide o vlastnosť spracovania výsledku; rozmer treba zvoliť jednotne pre zbierku aj otázky.

Ako je vytvorený kompaktný model

Enkóder obsahuje približne 1,14 miliardy parametrov. Bol získaný z modelu založeného na Ministral 3 3B prostredníctvom dvoch etáp štrukturálneho zmenšenia a destilácie. Obojsmerná pozornosť zohľadňuje celý vstup a reprezentácie tokenov sa následne priemerujú do spoločného vektora.

NVIDIA vydáva varianty BF16 a NVFP4. Ich reprezentačné priestory sú blízke, zmena variantu však vyžaduje overenie na vlastných dokumentoch. Číselná podobnosť ani dĺžka kontextu nezaručujú, že vyhľadávanie vždy vyberie správny fragment.

", "aboutText": "Nemotron 3 Embed 1B je textový model NVIDIA na vyhľadávanie podľa významu a porovnávanie fragmentov. Kóduje otázky, dokumenty a programový kód do hustých číselných vektorov. Tieto reprezentácie sa používajú na vyhľadanie potrebného kontextu vo veľkých zbierkach, doplnenie odpovede asistenta týmto kontextom alebo získanie skôr uložených informácií pre ďalší krok agenta.\n\n### Viacjazyčné znalosti a kód\n\nModel je určený na viacjazyčné a medzijazykové vyhľadávanie: otázka a vhodný materiál môžu byť napísané v rôznych jazykoch. Ruština patrí do zverejnenej sady 34 jazykov spolu s angličtinou, ukrajinčinou, čínštinou, japončinou, arabčinou a ďalšími. To je užitočné pre spoločné znalostné bázy, v ktorých technické dokumenty a používateľské požiadavky nie sú zjednotené do jedného jazyka.\n\nMedzi úlohy patrí vyhľadávanie v dokumentácii, porovnávanie textov a získavanie kódu podľa slovného opisu. Veľké vstupné okno umožňuje pracovať s dlhými dokumentmi, rozsiahlym programovým kontextom a históriou viacerých krokov agenta. Nájdený materiál sa vracia do ďalšieho procesu ako kontext; konečné vysvetlenia a odpovede vytvára nasledujúci komponent systému.\n\n### Od textu k vektoru\n\nVstup tvoria textové reťazce. Pre každý reťazec vznikne jeden vektor z 2048 čísel. Maximálna dĺžka sekvencie je 32768 tokenov; dlhší materiál treba rozdeliť na časti alebo skrátiť. Pri príprave vstupu sa rozlišuje otázka a dokument: model je naučený porovnávať ich roly, preto sa rovnaký reťazec v týchto dvoch úlohách nemá formátovať bez zohľadnenia účelu.\n\nVektory sa normalizujú podľa dĺžky. Pri tejto reprezentácii poskytujú skalárny súčin a kosínusová podobnosť ekvivalentný spôsob porovnávania. Možno ponechať prvých 1024 alebo 512 súradníc úplného vektora, ale po skrátení treba normalizáciu vykonať znova. Ide o vlastnosť spracovania výsledku; rozmer treba zvoliť jednotne pre zbierku aj otázky.\n\n### Ako je vytvorený kompaktný model\n\nEnkóder obsahuje približne 1,14 miliardy parametrov. Bol získaný z modelu založeného na Ministral 3 3B prostredníctvom dvoch etáp štrukturálneho zmenšenia a destilácie. Obojsmerná pozornosť zohľadňuje celý vstup a reprezentácie tokenov sa následne priemerujú do spoločného vektora.\n\nNVIDIA vydáva varianty BF16 a NVFP4. Ich reprezentačné priestory sú blízke, zmena variantu však vyžaduje overenie na vlastných dokumentoch. Číselná podobnosť ani dĺžka kontextu nezaručujú, že vyhľadávanie vždy vyberie správny fragment.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9ea177bee295cc34e3e1221567f84fefcd13769c5ac27712d1d830440320c30d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sk", "methods": [ { "html": "
NV

Nemotron 3 Embed 1B

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

Úvod

Nemotron 3 Embed 1B prevádza texty na vektory pre viacjazyčné vyhľadávanie, vyhľadávanie kódu a RAG. Spracúva sekvencie až do 32768 tokenov a vytvára reprezentáciu s rozmerom 2048 čísel.

Povolené vstupy
Text
Výsledky
embedding
O modeli

Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.

Nemotron 3 Embed 1B je textový model NVIDIA na vyhľadávanie podľa významu a porovnávanie fragmentov. Kóduje otázky, dokumenty a programový kód do hustých číselných vektorov. Tieto reprezentácie sa používajú na vyhľadanie potrebného kontextu vo veľkých zbierkach, doplnenie odpovede asistenta týmto kontextom alebo získanie skôr uložených informácií pre ďalší krok agenta.

Viacjazyčné znalosti a kód

Model je určený na viacjazyčné a medzijazykové vyhľadávanie: otázka a vhodný materiál môžu byť napísané v rôznych jazykoch. Ruština patrí do zverejnenej sady 34 jazykov spolu s angličtinou, ukrajinčinou, čínštinou, japončinou, arabčinou a ďalšími. To je užitočné pre spoločné znalostné bázy, v ktorých technické dokumenty a používateľské požiadavky nie sú zjednotené do jedného jazyka.

Medzi úlohy patrí vyhľadávanie v dokumentácii, porovnávanie textov a získavanie kódu podľa slovného opisu. Veľké vstupné okno umožňuje pracovať s dlhými dokumentmi, rozsiahlym programovým kontextom a históriou viacerých krokov agenta. Nájdený materiál sa vracia do ďalšieho procesu ako kontext; konečné vysvetlenia a odpovede vytvára nasledujúci komponent systému.

Od textu k vektoru

Vstup tvoria textové reťazce. Pre každý reťazec vznikne jeden vektor z 2048 čísel. Maximálna dĺžka sekvencie je 32768 tokenov; dlhší materiál treba rozdeliť na časti alebo skrátiť. Pri príprave vstupu sa rozlišuje otázka a dokument: model je naučený porovnávať ich roly, preto sa rovnaký reťazec v týchto dvoch úlohách nemá formátovať bez zohľadnenia účelu.

Vektory sa normalizujú podľa dĺžky. Pri tejto reprezentácii poskytujú skalárny súčin a kosínusová podobnosť ekvivalentný spôsob porovnávania. Možno ponechať prvých 1024 alebo 512 súradníc úplného vektora, ale po skrátení treba normalizáciu vykonať znova. Ide o vlastnosť spracovania výsledku; rozmer treba zvoliť jednotne pre zbierku aj otázky.

Ako je vytvorený kompaktný model

Enkóder obsahuje približne 1,14 miliardy parametrov. Bol získaný z modelu založeného na Ministral 3 3B prostredníctvom dvoch etáp štrukturálneho zmenšenia a destilácie. Obojsmerná pozornosť zohľadňuje celý vstup a reprezentácie tokenov sa následne priemerujú do spoločného vektora.

NVIDIA vydáva varianty BF16 a NVFP4. Ich reprezentačné priestory sú blízke, zmena variantu však vyžaduje overenie na vlastných dokumentoch. Číselná podobnosť ani dĺžka kontextu nezaručujú, že vyhľadávanie vždy vyberie správny fragment.

Dostupné v Ailoot · vstupy a metódy

Ailoot · Embeddingy POST /v1/embeddings
Vstup
text
Výstup
embedding
Kontext
4 096 tokens
Výstupný formát
json
PoleTypPožiadavkaHodnoty a limityPredvolené
PolemodelTypstringPožiadavkaPovinnéHodnoty a limity
nvidia/nemotron-3-embed-1b
Predvolené—
PoleinputTypstring|string[]PožiadavkaPovinnéHodnoty a limity
Minimálny počet položiek: 1
Podmienky: Každý reťazec musí byť neprázdny po odstránení okrajových bielych znakov; dátové URI sa zamietajú; prijatý rozpočet meria príslušné bajty UTF8.
Predvolené—
Poleinput_typeTypstringPožiadavkaVoliteľnéHodnoty a limity
query, passage
Predvolenéquery
Poleencoding_formatTypstringPožiadavkaVoliteľnéHodnoty a limity
float, base64
Predvolenéfloat
PoletruncateTypstringPožiadavkaVoliteľnéHodnoty a limity
NONE, START, END
Predvolené—
PoledimensionsTypintegerPožiadavkaVoliteľnéHodnoty a limity
Minimum: 1
Predvolené—
PoleuserTypstringPožiadavkaVoliteľnéHodnoty a limityPredvolené—
Kombinácie vstupných podkladov

text_to_embedding

Parametre a životný cyklus metódy
ParameterŠpecifikácia
Parametermaterial_typesŠpecifikáciatext
ParameterrequiredŠpecifikáciamodel, input
Parameteroptional_controlsŠpecifikácianull
Parametercontent_typeŠpecifikáciaapplication/json

Životný cyklus: exact retained published method

Štruktúry metód a ID sú presné; možnosti dodávateľa sa posudzujú oddelene od prijatia požiadavky.

Cenník

Sadzby metód Ailoot

Ailoot EmbeddingyPOST /v1/embeddings
Vstup
0,0001 USD / 1K

Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →

Príklady požiadaviek

Ailoot · Embeddingy

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

Prijať a uložiť výsledky

Ailoot · Embeddingy

json

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Vektory base64 dekódujte iba vtedy, ak bol tento formát vyžiadaný; zachovajte každý vektor a jeho pôvodný index.

Ak treba overiť pôvodnú odpoveď

Nezavádza sa žiadny koncový bod pre úlohy tvorby embeddingov.

Polia odpovede
PoleTyp
Poledata[].indexTypinteger
Poledata[].embeddingTypfinite float[]|base64 float32 vector
PolemodelTypstring
PoleusageTypobject
Chyby a ďalšie kroky
OdpoveďPodmienkaĎalší krok
Odpoveď400 · invalid_request_errorPodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametraĎalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia.

Aliasy

Aliasy modelov

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

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

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": "Neplatné povinné polia, reprezentácia materiálu alebo hodnota parametra", "http_status": 400, "recovery": "Pred novou požiadavkou na vytvorenie opravte uvedené polia.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Nezavádza sa žiadny koncový bod pre úlohy tvorby embeddingov." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Vektory base64 dekódujte iba vtedy, ak bol tento formát vyžiadaný; zachovajte každý vektor a jeho pôvodný index.", "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": "Každý reťazec musí byť neprázdny po odstránení okrajových bielych znakov; dátové URI sa zamietajú; prijatý rozpočet meria príslušné bajty 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": [ "Štruktúry metód a ID sú presné; možnosti dodávateľa sa posudzujú oddelene od prijatia požiadavky." ], "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": "Embeddingy", "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

Úvod

Nemotron 3 Embed 1B prevádza texty na vektory pre viacjazyčné vyhľadávanie, vyhľadávanie kódu a RAG. Spracúva sekvencie až do 32768 tokenov a vytvára reprezentáciu s rozmerom 2048 čísel.

Povolené vstupy
Text
Výsledky
embedding
O modeli

Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.

Nemotron 3 Embed 1B je textový model NVIDIA na vyhľadávanie podľa významu a porovnávanie fragmentov. Kóduje otázky, dokumenty a programový kód do hustých číselných vektorov. Tieto reprezentácie sa používajú na vyhľadanie potrebného kontextu vo veľkých zbierkach, doplnenie odpovede asistenta týmto kontextom alebo získanie skôr uložených informácií pre ďalší krok agenta.

Viacjazyčné znalosti a kód

Model je určený na viacjazyčné a medzijazykové vyhľadávanie: otázka a vhodný materiál môžu byť napísané v rôznych jazykoch. Ruština patrí do zverejnenej sady 34 jazykov spolu s angličtinou, ukrajinčinou, čínštinou, japončinou, arabčinou a ďalšími. To je užitočné pre spoločné znalostné bázy, v ktorých technické dokumenty a používateľské požiadavky nie sú zjednotené do jedného jazyka.

Medzi úlohy patrí vyhľadávanie v dokumentácii, porovnávanie textov a získavanie kódu podľa slovného opisu. Veľké vstupné okno umožňuje pracovať s dlhými dokumentmi, rozsiahlym programovým kontextom a históriou viacerých krokov agenta. Nájdený materiál sa vracia do ďalšieho procesu ako kontext; konečné vysvetlenia a odpovede vytvára nasledujúci komponent systému.

Od textu k vektoru

Vstup tvoria textové reťazce. Pre každý reťazec vznikne jeden vektor z 2048 čísel. Maximálna dĺžka sekvencie je 32768 tokenov; dlhší materiál treba rozdeliť na časti alebo skrátiť. Pri príprave vstupu sa rozlišuje otázka a dokument: model je naučený porovnávať ich roly, preto sa rovnaký reťazec v týchto dvoch úlohách nemá formátovať bez zohľadnenia účelu.

Vektory sa normalizujú podľa dĺžky. Pri tejto reprezentácii poskytujú skalárny súčin a kosínusová podobnosť ekvivalentný spôsob porovnávania. Možno ponechať prvých 1024 alebo 512 súradníc úplného vektora, ale po skrátení treba normalizáciu vykonať znova. Ide o vlastnosť spracovania výsledku; rozmer treba zvoliť jednotne pre zbierku aj otázky.

Ako je vytvorený kompaktný model

Enkóder obsahuje približne 1,14 miliardy parametrov. Bol získaný z modelu založeného na Ministral 3 3B prostredníctvom dvoch etáp štrukturálneho zmenšenia a destilácie. Obojsmerná pozornosť zohľadňuje celý vstup a reprezentácie tokenov sa následne priemerujú do spoločného vektora.

NVIDIA vydáva varianty BF16 a NVFP4. Ich reprezentačné priestory sú blízke, zmena variantu však vyžaduje overenie na vlastných dokumentoch. Číselná podobnosť ani dĺžka kontextu nezaručujú, že vyhľadávanie vždy vyberie správny fragment.

Dostupné v Ailoot · vstupy a metódy

Ailoot · Embeddingy POST /v1/embeddings
Vstup
text
Výstup
embedding
Kontext
4 096 tokens
Výstupný formát
json
PoleTypPožiadavkaHodnoty a limityPredvolené
PolemodelTypstringPožiadavkaPovinnéHodnoty a limity
nemotron-3-embed
Predvolené—
PoleinputTypstring|string[]PožiadavkaPovinnéHodnoty a limity
Minimálny počet položiek: 1
Podmienky: Každý reťazec musí byť neprázdny po odstránení okrajových bielych znakov; dátové URI sa zamietajú; prijatý rozpočet meria príslušné bajty UTF8.
Predvolené—
Poleinput_typeTypstringPožiadavkaVoliteľnéHodnoty a limity
query, passage
Predvolenéquery
Poleencoding_formatTypstringPožiadavkaVoliteľnéHodnoty a limity
float, base64
Predvolenéfloat
PoletruncateTypstringPožiadavkaVoliteľnéHodnoty a limity
NONE, START, END
Predvolené—
PoledimensionsTypintegerPožiadavkaVoliteľnéHodnoty a limity
Minimum: 1
Predvolené—
PoleuserTypstringPožiadavkaVoliteľnéHodnoty a limityPredvolené—
Kombinácie vstupných podkladov

text_to_embedding

Parametre a životný cyklus metódy
ParameterŠpecifikácia
Parametermaterial_typesŠpecifikáciatext
ParameterrequiredŠpecifikáciamodel, input
Parameteroptional_controlsŠpecifikácianull
Parametercontent_typeŠpecifikáciaapplication/json

Životný cyklus: exact retained published method

Štruktúry metód a ID sú presné; možnosti dodávateľa sa posudzujú oddelene od prijatia požiadavky.

Cenník

Sadzby metód Ailoot

Ailoot EmbeddingyPOST /v1/embeddings
Vstup
0,0001 USD / 1K

Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →

Príklady požiadaviek

Ailoot · Embeddingy

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

Prijať a uložiť výsledky

Ailoot · Embeddingy

json

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Vektory base64 dekódujte iba vtedy, ak bol tento formát vyžiadaný; zachovajte každý vektor a jeho pôvodný index.

Ak treba overiť pôvodnú odpoveď

Nezavádza sa žiadny koncový bod pre úlohy tvorby embeddingov.

Polia odpovede
PoleTyp
Poledata[].indexTypinteger
Poledata[].embeddingTypfinite float[]|base64 float32 vector
PolemodelTypstring
PoleusageTypobject
Chyby a ďalšie kroky
OdpoveďPodmienkaĎalší krok
Odpoveď400 · invalid_request_errorPodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametraĎalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia.

Aliasy

Aliasy modelov

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

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

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": "Neplatné povinné polia, reprezentácia materiálu alebo hodnota parametra", "http_status": 400, "recovery": "Pred novou požiadavkou na vytvorenie opravte uvedené polia.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Nezavádza sa žiadny koncový bod pre úlohy tvorby embeddingov." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Vektory base64 dekódujte iba vtedy, ak bol tento formát vyžiadaný; zachovajte každý vektor a jeho pôvodný index.", "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": "Každý reťazec musí byť neprázdny po odstránení okrajových bielych znakov; dátové URI sa zamietajú; prijatý rozpočet meria príslušné bajty 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": [ "Štruktúry metód a ID sú presné; možnosti dodávateľa sa posudzujú oddelene od prijatia požiadavky." ], "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": "Embeddingy", "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

Úvod

Nemotron 3 Embed 1B prevádza texty na vektory pre viacjazyčné vyhľadávanie, vyhľadávanie kódu a RAG. Spracúva sekvencie až do 32768 tokenov a vytvára reprezentáciu s rozmerom 2048 čísel.

Povolené vstupy
Text
Výsledky
embedding
O modeli

Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.

Nemotron 3 Embed 1B je textový model NVIDIA na vyhľadávanie podľa významu a porovnávanie fragmentov. Kóduje otázky, dokumenty a programový kód do hustých číselných vektorov. Tieto reprezentácie sa používajú na vyhľadanie potrebného kontextu vo veľkých zbierkach, doplnenie odpovede asistenta týmto kontextom alebo získanie skôr uložených informácií pre ďalší krok agenta.

Viacjazyčné znalosti a kód

Model je určený na viacjazyčné a medzijazykové vyhľadávanie: otázka a vhodný materiál môžu byť napísané v rôznych jazykoch. Ruština patrí do zverejnenej sady 34 jazykov spolu s angličtinou, ukrajinčinou, čínštinou, japončinou, arabčinou a ďalšími. To je užitočné pre spoločné znalostné bázy, v ktorých technické dokumenty a používateľské požiadavky nie sú zjednotené do jedného jazyka.

Medzi úlohy patrí vyhľadávanie v dokumentácii, porovnávanie textov a získavanie kódu podľa slovného opisu. Veľké vstupné okno umožňuje pracovať s dlhými dokumentmi, rozsiahlym programovým kontextom a históriou viacerých krokov agenta. Nájdený materiál sa vracia do ďalšieho procesu ako kontext; konečné vysvetlenia a odpovede vytvára nasledujúci komponent systému.

Od textu k vektoru

Vstup tvoria textové reťazce. Pre každý reťazec vznikne jeden vektor z 2048 čísel. Maximálna dĺžka sekvencie je 32768 tokenov; dlhší materiál treba rozdeliť na časti alebo skrátiť. Pri príprave vstupu sa rozlišuje otázka a dokument: model je naučený porovnávať ich roly, preto sa rovnaký reťazec v týchto dvoch úlohách nemá formátovať bez zohľadnenia účelu.

Vektory sa normalizujú podľa dĺžky. Pri tejto reprezentácii poskytujú skalárny súčin a kosínusová podobnosť ekvivalentný spôsob porovnávania. Možno ponechať prvých 1024 alebo 512 súradníc úplného vektora, ale po skrátení treba normalizáciu vykonať znova. Ide o vlastnosť spracovania výsledku; rozmer treba zvoliť jednotne pre zbierku aj otázky.

Ako je vytvorený kompaktný model

Enkóder obsahuje približne 1,14 miliardy parametrov. Bol získaný z modelu založeného na Ministral 3 3B prostredníctvom dvoch etáp štrukturálneho zmenšenia a destilácie. Obojsmerná pozornosť zohľadňuje celý vstup a reprezentácie tokenov sa následne priemerujú do spoločného vektora.

NVIDIA vydáva varianty BF16 a NVFP4. Ich reprezentačné priestory sú blízke, zmena variantu však vyžaduje overenie na vlastných dokumentoch. Číselná podobnosť ani dĺžka kontextu nezaručujú, že vyhľadávanie vždy vyberie správny fragment.

Dostupné v Ailoot · vstupy a metódy

Ailoot · Embeddingy POST /v1/embeddings
Vstup
text
Výstup
embedding
Kontext
4 096 tokens
Výstupný formát
json
PoleTypPožiadavkaHodnoty a limityPredvolené
PolemodelTypstringPožiadavkaPovinnéHodnoty a limity
nemotron-3-embed-latest
Predvolené—
PoleinputTypstring|string[]PožiadavkaPovinnéHodnoty a limity
Minimálny počet položiek: 1
Podmienky: Každý reťazec musí byť neprázdny po odstránení okrajových bielych znakov; dátové URI sa zamietajú; prijatý rozpočet meria príslušné bajty UTF8.
Predvolené—
Poleinput_typeTypstringPožiadavkaVoliteľnéHodnoty a limity
query, passage
Predvolenéquery
Poleencoding_formatTypstringPožiadavkaVoliteľnéHodnoty a limity
float, base64
Predvolenéfloat
PoletruncateTypstringPožiadavkaVoliteľnéHodnoty a limity
NONE, START, END
Predvolené—
PoledimensionsTypintegerPožiadavkaVoliteľnéHodnoty a limity
Minimum: 1
Predvolené—
PoleuserTypstringPožiadavkaVoliteľnéHodnoty a limityPredvolené—
Kombinácie vstupných podkladov

text_to_embedding

Parametre a životný cyklus metódy
ParameterŠpecifikácia
Parametermaterial_typesŠpecifikáciatext
ParameterrequiredŠpecifikáciamodel, input
Parameteroptional_controlsŠpecifikácianull
Parametercontent_typeŠpecifikáciaapplication/json

Životný cyklus: exact retained published method

Štruktúry metód a ID sú presné; možnosti dodávateľa sa posudzujú oddelene od prijatia požiadavky.

Cenník

Sadzby metód Ailoot

Ailoot EmbeddingyPOST /v1/embeddings
Vstup
0,0001 USD / 1K

Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →

Príklady požiadaviek

Ailoot · Embeddingy

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

Prijať a uložiť výsledky

Ailoot · Embeddingy

json

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Vektory base64 dekódujte iba vtedy, ak bol tento formát vyžiadaný; zachovajte každý vektor a jeho pôvodný index.

Ak treba overiť pôvodnú odpoveď

Nezavádza sa žiadny koncový bod pre úlohy tvorby embeddingov.

Polia odpovede
PoleTyp
Poledata[].indexTypinteger
Poledata[].embeddingTypfinite float[]|base64 float32 vector
PolemodelTypstring
PoleusageTypobject
Chyby a ďalšie kroky
OdpoveďPodmienkaĎalší krok
Odpoveď400 · invalid_request_errorPodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametraĎalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia.

Aliasy

Aliasy modelov

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

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

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": "Neplatné povinné polia, reprezentácia materiálu alebo hodnota parametra", "http_status": 400, "recovery": "Pred novou požiadavkou na vytvorenie opravte uvedené polia.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Nezavádza sa žiadny koncový bod pre úlohy tvorby embeddingov." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Vektory base64 dekódujte iba vtedy, ak bol tento formát vyžiadaný; zachovajte každý vektor a jeho pôvodný index.", "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": "Každý reťazec musí byť neprázdny po odstránení okrajových bielych znakov; dátové URI sa zamietajú; prijatý rozpočet meria príslušné bajty 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": [ "Štruktúry metód a ID sú presné; možnosti dodávateľa sa posudzujú oddelene od prijatia požiadavky." ], "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": "Embeddingy", "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": "ba2568f0767a15b37974bf9eb8556c64ee0b274c9909365c405da40034388193", "input_html_sha256": "38893aa340db83dfa688a31283b69d1e9792e85717a0772b32dcbaec7a689b4a", "private_audit_sha256": "f3ee11a009d034effd419aabab4773cb0bdfe4ce3d824004cecfa419c8b05cce", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/sk/nvidia-nemotron-3-embed-1b/", "description": "Nemotron 3 Embed 1B prevádza texty na vektory pre viacjazyčné vyhľadávanie, vyhľadávanie kódu a RAG. Spracúva sekvencie až do 32768 tokenov a vytvára reprezentáciu s rozmerom 2048 čísel.", "locale": "sk", "md_url": "https://ailoot.ai/models/sk/nvidia-nemotron-3-embed-1b/index.md", "title": "Nemotron 3 Embed 1B — Ailoot", "url": "https://ailoot.ai/models/sk/nvidia-nemotron-3-embed-1b/" }, "rawModel": { "about": "Nemotron 3 Embed 1B je textový model NVIDIA na vyhľadávanie podľa významu a porovnávanie fragmentov. Kóduje otázky, dokumenty a programový kód do hustých číselných vektorov. Tieto reprezentácie sa používajú na vyhľadanie potrebného kontextu vo veľkých zbierkach, doplnenie odpovede asistenta týmto kontextom alebo získanie skôr uložených informácií pre ďalší krok agenta.\n\n### Viacjazyčné znalosti a kód\n\nModel je určený na viacjazyčné a medzijazykové vyhľadávanie: otázka a vhodný materiál môžu byť napísané v rôznych jazykoch. Ruština patrí do zverejnenej sady 34 jazykov spolu s angličtinou, ukrajinčinou, čínštinou, japončinou, arabčinou a ďalšími. To je užitočné pre spoločné znalostné bázy, v ktorých technické dokumenty a používateľské požiadavky nie sú zjednotené do jedného jazyka.\n\nMedzi úlohy patrí vyhľadávanie v dokumentácii, porovnávanie textov a získavanie kódu podľa slovného opisu. Veľké vstupné okno umožňuje pracovať s dlhými dokumentmi, rozsiahlym programovým kontextom a históriou viacerých krokov agenta. Nájdený materiál sa vracia do ďalšieho procesu ako kontext; konečné vysvetlenia a odpovede vytvára nasledujúci komponent systému.\n\n### Od textu k vektoru\n\nVstup tvoria textové reťazce. Pre každý reťazec vznikne jeden vektor z 2048 čísel. Maximálna dĺžka sekvencie je 32768 tokenov; dlhší materiál treba rozdeliť na časti alebo skrátiť. Pri príprave vstupu sa rozlišuje otázka a dokument: model je naučený porovnávať ich roly, preto sa rovnaký reťazec v týchto dvoch úlohách nemá formátovať bez zohľadnenia účelu.\n\nVektory sa normalizujú podľa dĺžky. Pri tejto reprezentácii poskytujú skalárny súčin a kosínusová podobnosť ekvivalentný spôsob porovnávania. Možno ponechať prvých 1024 alebo 512 súradníc úplného vektora, ale po skrátení treba normalizáciu vykonať znova. Ide o vlastnosť spracovania výsledku; rozmer treba zvoliť jednotne pre zbierku aj otázky.\n\n### Ako je vytvorený kompaktný model\n\nEnkóder obsahuje približne 1,14 miliardy parametrov. Bol získaný z modelu založeného na Ministral 3 3B prostredníctvom dvoch etáp štrukturálneho zmenšenia a destilácie. Obojsmerná pozornosť zohľadňuje celý vstup a reprezentácie tokenov sa následne priemerujú do spoločného vektora.\n\nNVIDIA vydáva varianty BF16 a NVFP4. Ich reprezentačné priestory sú blízke, zmena variantu však vyžaduje overenie na vlastných dokumentoch. Číselná podobnosť ani dĺžka kontextu nezaručujú, že vyhľadávanie vždy vyberie správny fragment.", "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": "Neplatné povinné polia, reprezentácia materiálu alebo hodnota parametra", "http_status": 400, "recovery": "Pred novou požiadavkou na vytvorenie opravte uvedené polia.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Nezavádza sa žiadny koncový bod pre úlohy tvorby embeddingov." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Vektory base64 dekódujte iba vtedy, ak bol tento formát vyžiadaný; zachovajte každý vektor a jeho pôvodný index.", "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": "Každý reťazec musí byť neprázdny po odstránení okrajových bielych znakov; dátové URI sa zamietajú; prijatý rozpočet meria príslušné bajty 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": [ "Štruktúry metód a ID sú presné; možnosti dodávateľa sa posudzujú oddelene od prijatia požiadavky." ], "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": "Embeddingy", "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": "Neplatné povinné polia, reprezentácia materiálu alebo hodnota parametra", "http_status": 400, "recovery": "Pred novou požiadavkou na vytvorenie opravte uvedené polia.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Nezavádza sa žiadny koncový bod pre úlohy tvorby embeddingov." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Vektory base64 dekódujte iba vtedy, ak bol tento formát vyžiadaný; zachovajte každý vektor a jeho pôvodný index.", "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": "Každý reťazec musí byť neprázdny po odstránení okrajových bielych znakov; dátové URI sa zamietajú; prijatý rozpočet meria príslušné bajty 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": [ "Štruktúry metód a ID sú presné; možnosti dodávateľa sa posudzujú oddelene od prijatia požiadavky." ], "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": "Embeddingy", "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": "Neplatné povinné polia, reprezentácia materiálu alebo hodnota parametra", "http_status": 400, "recovery": "Pred novou požiadavkou na vytvorenie opravte uvedené polia.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Nezavádza sa žiadny koncový bod pre úlohy tvorby embeddingov." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Vektory base64 dekódujte iba vtedy, ak bol tento formát vyžiadaný; zachovajte každý vektor a jeho pôvodný index.", "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": "Každý reťazec musí byť neprázdny po odstránení okrajových bielych znakov; dátové URI sa zamietajú; prijatý rozpočet meria príslušné bajty 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": [ "Štruktúry metód a ID sú presné; možnosti dodávateľa sa posudzujú oddelene od prijatia požiadavky." ], "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": "Embeddingy", "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 prevádza texty na vektory pre viacjazyčné vyhľadávanie, vyhľadávanie kódu a RAG. Spracúva sekvencie až do 32768 tokenov a vytvára reprezentáciu s rozmerom 2048 čísel." }, "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 prevádza texty na vektory pre viacjazyčné vyhľadávanie, vyhľadávanie kódu a RAG. Spracúva sekvencie až do 32768 tokenov a vytvára reprezentáciu s rozmerom 2048 čísel.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "f6c7239fdd7fcd9db734ad8fbeee8863a00139fc09519e220a497ffde08ff6ef", "renderer_sha256": "94893ba0fa4d7b7d32370787b705f436a4c2569f84ec7b33063549adc74b07e0" }, "sourceRevision": "f22bf7e0806b18059d2354bb893b90f3d51e31b41b9567238965621a8c4a3e41" }