Llama Nemotron Embed VL 1B v2 je družba NVIDIA razvila za iskanje gradiva, ki pomaga odgovoriti na vprašanje. Poizvedba se poda kot besedilo. Trenutni katalog Ailoot za model predstavlja besedilni vhod: vprašanje in gradivo se kodirata kot besedilo. Proizvajalec opisuje tudi dokument v obliki slike strani ali slike skupaj z izluščenim besedilom. Takšne vizualne možnosti zahtevajo ločen način dostopa s podporo slikam. Ob ustreznem vhodu model tabele, grafikone in infografike predstavi v skupnem vektorskem prostoru.
Takšno iskanje je primerno za pomočnike, ki odgovarjajo na vprašanja po veliki zbirki dokumentov, notranjih priročnikov in raziskovalnega gradiva. Rezultat kodiranja je številčni vektor. Najdeno stran ali odsek lahko nato podate modelu, ki oblikuje odgovor: sam Embed VL izvaja stopnjo iskanja konteksta.
Poizvedba in dokument se kodirata neodvisno. Zato lahko zbirko obdelate vnaprej, shranite vektorje skupaj z izvirnimi stranmi in ob novem vprašanju izračunate samo vektor poizvedbe. Podobnost vektorjev pomaga izbrati gradivo po pomenu. Besedilni vlogi poizvedbe in dokumenta se razlikujeta, kar je pomembno ohraniti pri pripravi podatkov.
Vsak vhod se pretvori v en vektor z razsežnostjo do 2048 števil. V besedilnem načinu se uporablja proračun 8192 tokenov. Za proizvajalčev vizualni način s kombinacijo slike in besedila je opisan skupni proračun 10240 tokenov, ki vključuje oba dela; to ni besedilna omejitev načina dostopa Ailoot. Slika se razdeli na odseke: opisana konfiguracija dovoljuje do šest odsekov in pomanjšano kopijo celotne strani, skupaj približno 1792 vizualnih tokenov. Dolga besedila je treba razdeliti ali skrajšati.
Jezikovni del temelji na Llama 3.2 1B, vizualni pa na SigLIP2. Združena sta v kodirnik, ki povpreči predstavitve vhodnih tokenov in vrne enoten vektor. Kontrastno učenje vprašanje približa ustrezni strani in ga oddalji od nepomembnega gradiva. Iskanje ostaja verjetnostno: bližina vektorjev ne zagotavlja, da izbrani odsek vsebuje pravilen odgovor.
", "aboutText": "### Najti ustrezno stran po vprašanju\n\nLlama Nemotron Embed VL 1B v2 je družba NVIDIA razvila za iskanje gradiva, ki pomaga odgovoriti na vprašanje. Poizvedba se poda kot besedilo. Trenutni katalog Ailoot za model predstavlja besedilni vhod: vprašanje in gradivo se kodirata kot besedilo. Proizvajalec opisuje tudi dokument v obliki slike strani ali slike skupaj z izluščenim besedilom. Takšne vizualne možnosti zahtevajo ločen način dostopa s podporo slikam. Ob ustreznem vhodu model tabele, grafikone in infografike predstavi v skupnem vektorskem prostoru.\n\nTakšno iskanje je primerno za pomočnike, ki odgovarjajo na vprašanja po veliki zbirki dokumentov, notranjih priročnikov in raziskovalnega gradiva. Rezultat kodiranja je številčni vektor. Najdeno stran ali odsek lahko nato podate modelu, ki oblikuje odgovor: sam Embed VL izvaja stopnjo iskanja konteksta.\n\n### Različice dokumenta pri proizvajalcu\n\n- Besedilni dokument: ločen razdelek, odsek ali že prepoznano besedilo strani.\n- Slika: celotna stran z njenim besedilom, tabelami in grafičnimi elementi.\n- Slika z besedilom: vizualni videz strani in njena besedilna vsebina se združita v eno predstavitev.\n\nPoizvedba in dokument se kodirata neodvisno. Zato lahko zbirko obdelate vnaprej, shranite vektorje skupaj z izvirnimi stranmi in ob novem vprašanju izračunate samo vektor poizvedbe. Podobnost vektorjev pomaga izbrati gradivo po pomenu. Besedilni vlogi poizvedbe in dokumenta se razlikujeta, kar je pomembno ohraniti pri pripravi podatkov.\n\n### Velikost predstavitve in dolžina vhoda\n\nVsak vhod se pretvori v en vektor z razsežnostjo do 2048 števil. V besedilnem načinu se uporablja proračun 8192 tokenov. Za proizvajalčev vizualni način s kombinacijo slike in besedila je opisan skupni proračun 10240 tokenov, ki vključuje oba dela; to ni besedilna omejitev načina dostopa Ailoot. Slika se razdeli na odseke: opisana konfiguracija dovoljuje do šest odsekov in pomanjšano kopijo celotne strani, skupaj približno 1792 vizualnih tokenov. Dolga besedila je treba razdeliti ali skrajšati.\n\nJezikovni del temelji na Llama 3.2 1B, vizualni pa na SigLIP2. Združena sta v kodirnik, ki povpreči predstavitve vhodnih tokenov in vrne enoten vektor. Kontrastno učenje vprašanje približa ustrezni strani in ga oddalji od nepomembnega gradiva. Iskanje ostaja verjetnostno: bližina vektorjev ne zagotavlja, da izbrani odsek vsebuje pravilen odgovor.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "1138b5a1e34a2863f8a50c15c93bf37ca230e08e177d1149628fe6df01ff492d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sl", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Llama Nemotron Embed VL v2 ustvarja vektorje za semantično iskanje po dokumentih. Trenutni katalog Ailoot predstavlja besedilni vhod za vprašanja in gradivo.
Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.
Llama Nemotron Embed VL 1B v2 je družba NVIDIA razvila za iskanje gradiva, ki pomaga odgovoriti na vprašanje. Poizvedba se poda kot besedilo. Trenutni katalog Ailoot za model predstavlja besedilni vhod: vprašanje in gradivo se kodirata kot besedilo. Proizvajalec opisuje tudi dokument v obliki slike strani ali slike skupaj z izluščenim besedilom. Takšne vizualne možnosti zahtevajo ločen način dostopa s podporo slikam. Ob ustreznem vhodu model tabele, grafikone in infografike predstavi v skupnem vektorskem prostoru.
Takšno iskanje je primerno za pomočnike, ki odgovarjajo na vprašanja po veliki zbirki dokumentov, notranjih priročnikov in raziskovalnega gradiva. Rezultat kodiranja je številčni vektor. Najdeno stran ali odsek lahko nato podate modelu, ki oblikuje odgovor: sam Embed VL izvaja stopnjo iskanja konteksta.
Poizvedba in dokument se kodirata neodvisno. Zato lahko zbirko obdelate vnaprej, shranite vektorje skupaj z izvirnimi stranmi in ob novem vprašanju izračunate samo vektor poizvedbe. Podobnost vektorjev pomaga izbrati gradivo po pomenu. Besedilni vlogi poizvedbe in dokumenta se razlikujeta, kar je pomembno ohraniti pri pripravi podatkov.
Vsak vhod se pretvori v en vektor z razsežnostjo do 2048 števil. V besedilnem načinu se uporablja proračun 8192 tokenov. Za proizvajalčev vizualni način s kombinacijo slike in besedila je opisan skupni proračun 10240 tokenov, ki vključuje oba dela; to ni besedilna omejitev načina dostopa Ailoot. Slika se razdeli na odseke: opisana konfiguracija dovoljuje do šest odsekov in pomanjšano kopijo celotne strani, skupaj približno 1792 vizualnih tokenov. Dolga besedila je treba razdeliti ali skrajšati.
Jezikovni del temelji na Llama 3.2 1B, vizualni pa na SigLIP2. Združena sta v kodirnik, ki povpreči predstavitve vhodnih tokenov in vrne enoten vektor. Kontrastno učenje vprašanje približa ustrezni strani in ga oddalji od nepomembnega gradiva. Iskanje ostaja verjetnostno: bližina vektorjev ne zagotavlja, da izbrani odsek vsebuje pravilen odgovor.
POST /v1/embeddingstextembedding| Polje | Vrsta | Zahteva | Vrednosti in omejitve | Privzeto |
|---|---|---|---|---|
Poljemodel | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve nvidia/llama-nemotron-embed-vl-1b-v2 | Privzeto— |
Poljeinput | Vrstastring|string[] | ZahtevaObvezno | Vrednosti in omejitve Najmanjše število elementov: 1 Pogoji: Vsak niz je po trim neprazen; URI-ji data so zavrnjeni; sprejeti proračun meri ustrezne bajte UTF8. | Privzeto— |
Poljeinput_type | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve query, passage | Privzetoquery |
Poljeencoding_format | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve float, base64 | Privzetofloat |
Poljetruncate | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve NONE, START, END | Privzeto— |
Poljedimensions | Vrstainteger | ZahtevaIzbirno | Vrednosti in omejitve Najmanj: 1 | Privzeto— |
Poljeuser | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
text_to_embedding
| Parameter | Specifikacija |
|---|---|
Parametermaterial_types | Specifikacijatext |
Parameterrequired | Specifikacijamodel, input |
Parameteroptional_controls | Specifikacijanull |
Parametercontent_type | Specifikacijaapplication/json |
Življenjski cikel: exact retained published method
Strukture metod in ID so natančno določeni; zmožnost ponudnika je ločena od sprejema zahteve.
POST /v1/embeddingsAiloot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/llama-nemotron-embed-vl-1b-v2", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.
Vektorje base64 dekodirajte samo, kadar je bila zahtevana ta oblika; ohranite vsak vektor in njegov izvirni indeks.
Končna točka za opravila ustvarjanja vektorskih predstavitev se ne uvaja.
| Polje | Vrsta |
|---|---|
Poljedata[].index | Vrstainteger |
Poljedata[].embedding | Vrstafinite float[]|base64 float32 vector |
Poljemodel | Vrstastring |
Poljeusage | Vrstaobject |
| Odgovor | Pogoj | Naslednji korak |
|---|---|---|
Odgovor400 · invalid_request_error | PogojNeveljavna obvezna polja, predstavitev gradiva ali vrednost parametra | Naslednji korakPred novo zahtevo za ustvarjanje popravite navedena polja. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Uporabite zgoraj navedene poti metod.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlLlama Nemotron Embed VL v2 ustvarja vektorje za semantično iskanje po dokumentih. Trenutni katalog Ailoot predstavlja besedilni vhod za vprašanja in gradivo.
Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.
Llama Nemotron Embed VL 1B v2 je družba NVIDIA razvila za iskanje gradiva, ki pomaga odgovoriti na vprašanje. Poizvedba se poda kot besedilo. Trenutni katalog Ailoot za model predstavlja besedilni vhod: vprašanje in gradivo se kodirata kot besedilo. Proizvajalec opisuje tudi dokument v obliki slike strani ali slike skupaj z izluščenim besedilom. Takšne vizualne možnosti zahtevajo ločen način dostopa s podporo slikam. Ob ustreznem vhodu model tabele, grafikone in infografike predstavi v skupnem vektorskem prostoru.
Takšno iskanje je primerno za pomočnike, ki odgovarjajo na vprašanja po veliki zbirki dokumentov, notranjih priročnikov in raziskovalnega gradiva. Rezultat kodiranja je številčni vektor. Najdeno stran ali odsek lahko nato podate modelu, ki oblikuje odgovor: sam Embed VL izvaja stopnjo iskanja konteksta.
Poizvedba in dokument se kodirata neodvisno. Zato lahko zbirko obdelate vnaprej, shranite vektorje skupaj z izvirnimi stranmi in ob novem vprašanju izračunate samo vektor poizvedbe. Podobnost vektorjev pomaga izbrati gradivo po pomenu. Besedilni vlogi poizvedbe in dokumenta se razlikujeta, kar je pomembno ohraniti pri pripravi podatkov.
Vsak vhod se pretvori v en vektor z razsežnostjo do 2048 števil. V besedilnem načinu se uporablja proračun 8192 tokenov. Za proizvajalčev vizualni način s kombinacijo slike in besedila je opisan skupni proračun 10240 tokenov, ki vključuje oba dela; to ni besedilna omejitev načina dostopa Ailoot. Slika se razdeli na odseke: opisana konfiguracija dovoljuje do šest odsekov in pomanjšano kopijo celotne strani, skupaj približno 1792 vizualnih tokenov. Dolga besedila je treba razdeliti ali skrajšati.
Jezikovni del temelji na Llama 3.2 1B, vizualni pa na SigLIP2. Združena sta v kodirnik, ki povpreči predstavitve vhodnih tokenov in vrne enoten vektor. Kontrastno učenje vprašanje približa ustrezni strani in ga oddalji od nepomembnega gradiva. Iskanje ostaja verjetnostno: bližina vektorjev ne zagotavlja, da izbrani odsek vsebuje pravilen odgovor.
POST /v1/embeddingstextembedding| Polje | Vrsta | Zahteva | Vrednosti in omejitve | Privzeto |
|---|---|---|---|---|
Poljemodel | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve nemotron-embed-vl | Privzeto— |
Poljeinput | Vrstastring|string[] | ZahtevaObvezno | Vrednosti in omejitve Najmanjše število elementov: 1 Pogoji: Vsak niz je po trim neprazen; URI-ji data so zavrnjeni; sprejeti proračun meri ustrezne bajte UTF8. | Privzeto— |
Poljeinput_type | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve query, passage | Privzetoquery |
Poljeencoding_format | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve float, base64 | Privzetofloat |
Poljetruncate | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve NONE, START, END | Privzeto— |
Poljedimensions | Vrstainteger | ZahtevaIzbirno | Vrednosti in omejitve Najmanj: 1 | Privzeto— |
Poljeuser | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
text_to_embedding
| Parameter | Specifikacija |
|---|---|
Parametermaterial_types | Specifikacijatext |
Parameterrequired | Specifikacijamodel, input |
Parameteroptional_controls | Specifikacijanull |
Parametercontent_type | Specifikacijaapplication/json |
Življenjski cikel: exact retained published method
Strukture metod in ID so natančno določeni; zmožnost ponudnika je ločena od sprejema zahteve.
POST /v1/embeddingsAiloot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-embed-vl", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.
Vektorje base64 dekodirajte samo, kadar je bila zahtevana ta oblika; ohranite vsak vektor in njegov izvirni indeks.
Končna točka za opravila ustvarjanja vektorskih predstavitev se ne uvaja.
| Polje | Vrsta |
|---|---|
Poljedata[].index | Vrstainteger |
Poljedata[].embedding | Vrstafinite float[]|base64 float32 vector |
Poljemodel | Vrstastring |
Poljeusage | Vrstaobject |
| Odgovor | Pogoj | Naslednji korak |
|---|---|---|
Odgovor400 · invalid_request_error | PogojNeveljavna obvezna polja, predstavitev gradiva ali vrednost parametra | Naslednji korakPred novo zahtevo za ustvarjanje popravite navedena polja. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Uporabite zgoraj navedene poti metod.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestLlama Nemotron Embed VL v2 ustvarja vektorje za semantično iskanje po dokumentih. Trenutni katalog Ailoot predstavlja besedilni vhod za vprašanja in gradivo.
Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.
Llama Nemotron Embed VL 1B v2 je družba NVIDIA razvila za iskanje gradiva, ki pomaga odgovoriti na vprašanje. Poizvedba se poda kot besedilo. Trenutni katalog Ailoot za model predstavlja besedilni vhod: vprašanje in gradivo se kodirata kot besedilo. Proizvajalec opisuje tudi dokument v obliki slike strani ali slike skupaj z izluščenim besedilom. Takšne vizualne možnosti zahtevajo ločen način dostopa s podporo slikam. Ob ustreznem vhodu model tabele, grafikone in infografike predstavi v skupnem vektorskem prostoru.
Takšno iskanje je primerno za pomočnike, ki odgovarjajo na vprašanja po veliki zbirki dokumentov, notranjih priročnikov in raziskovalnega gradiva. Rezultat kodiranja je številčni vektor. Najdeno stran ali odsek lahko nato podate modelu, ki oblikuje odgovor: sam Embed VL izvaja stopnjo iskanja konteksta.
Poizvedba in dokument se kodirata neodvisno. Zato lahko zbirko obdelate vnaprej, shranite vektorje skupaj z izvirnimi stranmi in ob novem vprašanju izračunate samo vektor poizvedbe. Podobnost vektorjev pomaga izbrati gradivo po pomenu. Besedilni vlogi poizvedbe in dokumenta se razlikujeta, kar je pomembno ohraniti pri pripravi podatkov.
Vsak vhod se pretvori v en vektor z razsežnostjo do 2048 števil. V besedilnem načinu se uporablja proračun 8192 tokenov. Za proizvajalčev vizualni način s kombinacijo slike in besedila je opisan skupni proračun 10240 tokenov, ki vključuje oba dela; to ni besedilna omejitev načina dostopa Ailoot. Slika se razdeli na odseke: opisana konfiguracija dovoljuje do šest odsekov in pomanjšano kopijo celotne strani, skupaj približno 1792 vizualnih tokenov. Dolga besedila je treba razdeliti ali skrajšati.
Jezikovni del temelji na Llama 3.2 1B, vizualni pa na SigLIP2. Združena sta v kodirnik, ki povpreči predstavitve vhodnih tokenov in vrne enoten vektor. Kontrastno učenje vprašanje približa ustrezni strani in ga oddalji od nepomembnega gradiva. Iskanje ostaja verjetnostno: bližina vektorjev ne zagotavlja, da izbrani odsek vsebuje pravilen odgovor.
POST /v1/embeddingstextembedding| Polje | Vrsta | Zahteva | Vrednosti in omejitve | Privzeto |
|---|---|---|---|---|
Poljemodel | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve nemotron-embed-vl-latest | Privzeto— |
Poljeinput | Vrstastring|string[] | ZahtevaObvezno | Vrednosti in omejitve Najmanjše število elementov: 1 Pogoji: Vsak niz je po trim neprazen; URI-ji data so zavrnjeni; sprejeti proračun meri ustrezne bajte UTF8. | Privzeto— |
Poljeinput_type | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve query, passage | Privzetoquery |
Poljeencoding_format | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve float, base64 | Privzetofloat |
Poljetruncate | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve NONE, START, END | Privzeto— |
Poljedimensions | Vrstainteger | ZahtevaIzbirno | Vrednosti in omejitve Najmanj: 1 | Privzeto— |
Poljeuser | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
text_to_embedding
| Parameter | Specifikacija |
|---|---|
Parametermaterial_types | Specifikacijatext |
Parameterrequired | Specifikacijamodel, input |
Parameteroptional_controls | Specifikacijanull |
Parametercontent_type | Specifikacijaapplication/json |
Življenjski cikel: exact retained published method
Strukture metod in ID so natančno določeni; zmožnost ponudnika je ločena od sprejema zahteve.
POST /v1/embeddingsAiloot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nemotron-embed-vl-latest", "input": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=[text]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\njson
Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.
Vektorje base64 dekodirajte samo, kadar je bila zahtevana ta oblika; ohranite vsak vektor in njegov izvirni indeks.
Končna točka za opravila ustvarjanja vektorskih predstavitev se ne uvaja.
| Polje | Vrsta |
|---|---|
Poljedata[].index | Vrstainteger |
Poljedata[].embedding | Vrstafinite float[]|base64 float32 vector |
Poljemodel | Vrstastring |
Poljeusage | Vrstaobject |
| Odgovor | Pogoj | Naslednji korak |
|---|---|---|
Odgovor400 · invalid_request_error | PogojNeveljavna obvezna polja, predstavitev gradiva ali vrednost parametra | Naslednji korakPred novo zahtevo za ustvarjanje popravite navedena polja. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Uporabite zgoraj navedene poti metod.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest