Llama Nemotron Embed VL 1B v2
Llama Nemotron Embed VL v2 skapar vektorer för semantisk dokumentsökning. Ailoots aktuella katalog erbjuder textindata för frågor och material.
- Ailoot · Inbäddningar
POST /v1/embeddingsnvidia/llama-nemotron-embed-vl-1b-v2 - Ailoot · Inbäddningar
POST /v1/embeddingsnemotron-embed-vl - Ailoot · Inbäddningar
POST /v1/embeddingsnemotron-embed-vl-latest
Om modellen
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Hitta rätt sida utifrån frågan
Llama Nemotron Embed VL 1B v2 utvecklades av NVIDIA för att söka material som hjälper till att besvara en fråga. Frågan anges i text. Ailoots aktuella katalog erbjuder textindata för modellen: frågan och materialet kodas som text. Tillverkaren beskriver även dokument som en sidbild eller en bild tillsammans med extraherad text. Visuella varianter kräver en separat metod med bildstöd. Med motsvarande indata representerar modellen tabeller, grafer och infografik i ett gemensamt vektorrum.
Sökningen passar frågeassistenter för stora dokumentsamlingar, interna referensverk och forskningsmaterial. Kodningsresultatet är en numerisk vektor. Sidan eller avsnittet som hittas kan sedan skickas till en svarsgenererande modell. Embed VL utför själv steget för att hitta kontext.
Tillverkarens dokumentvarianter
- Textdokument: ett separat avsnitt, ett utdrag eller redan igenkänd sidtext.
- Bild: hela sidan med text, tabeller och grafiska element.
- Bild med text: sidans visuella utseende och textinnehåll förenas i en representation.
Fråga och dokument kodas oberoende. Därför kan samlingen bearbetas i förväg och vektorerna sparas tillsammans med ursprungssidorna. För en ny fråga behöver bara frågevektorn beräknas. Vektorlikhet hjälper till att välja material efter innebörd. Textrollerna för fråga och dokument skiljer sig, vilket är viktigt att bevara vid dataförberedelse.
Representationsstorlek och indatalängd
Varje indata omvandlas till en vektor med upp till 2048 dimensioner. I textläget används en budget på 8192 token. För tillverkarens visuella metod som kombinerar bild och text beskrivs en gemensam budget på 10240 token som omfattar båda delarna. Detta är inte textgränsen för Ailoot-metoden. Bilden delas i delar. I den beskrivna konfigurationen tillåts upp till sex delar och en förminskad kopia av hela sidan, tillsammans omkring 1792 visuella token. Långa texter behöver delas upp eller kortas.
Språkdelen bygger på Llama 3.2 1B och den visuella delen på SigLIP2. De förenas i en encoder som medelvärdesbildar indatatokenens representationer och ger en gemensam vektor. Kontrastiv träning för frågan närmare rätt sida och längre från irrelevanta material. Sökningen är fortfarande sannolikhetsbaserad. Närhet mellan vektorer garanterar inte att det valda avsnittet innehåller rätt svar.
Ailoot · Inbäddningar POST /v1/embeddings nvidia/llama-nemotron-embed-vl-1b-v2
nvidia/llama-nemotron-embed-vl-1b-v2
nvidia/llama-nemotron-embed-vl-1b-v2nvidia/llama-nemotron-embed-vl-1b-v2nemotron-embed-vlnemotron-embed-vl-latest
Start
Llama Nemotron Embed VL v2 skapar vektorer för semantisk dokumentsökning. Ailoots aktuella katalog erbjuder textindata för frågor och material.
- Godkända indata
- Text
- Resultat
- embedding
Tillgängligt i Ailoot · indata & metoder
Ailoot · Inbäddningar POST /v1/embeddings
- Indatatyper
text- Utdatatyper
embedding- Kontext
- 4 096 tokens
- Utdataformat
- json
| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser nvidia/llama-nemotron-embed-vl-1b-v2 | Standard— |
Fältinput | Typstring|string[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 Villkor: Varje sträng ska vara icke-tom efter trimning; data-URI:er avvisas; den accepterade budgeten mäter relevanta UTF8-byte. | Standard— |
Fältinput_type | Typstring | KravValfritt | Värden & gränser query, passage | Standardquery |
Fältencoding_format | Typstring | KravValfritt | Värden & gränser float, base64 | Standardfloat |
Fälttruncate | Typstring | KravValfritt | Värden & gränser NONE, START, END | Standard— |
Fältdimensions | Typinteger | KravValfritt | Värden & gränser Minimum: 1 | Standard— |
Fältuser | Typstring | KravValfritt | Värden & gränser | Standard— |
Kombinationer av indatamaterial
text_to_embedding
Metodparametrar och livscykel
| Parameter | Avtal |
|---|---|
Parametermaterial_types | Avtaltext |
Parameterrequired | Avtalmodel, input |
Parameteroptional_controls | Avtalnull |
Parametercontent_type | Avtalapplication/json |
Livscykel: exact retained published method
Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts.
Priser
Priser för Ailoot-metoder
POST /v1/embeddings- Indata
- 0,0001 US$ / 1K
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
Exempelbegäranden
Ailoot · Inbäddningar
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "nvidia/llama-nemotron-embed-vl-1b-v2", "input": []}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=[text]
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
Ta emot och spara resultat
Ailoot · Inbäddningar
json
Behåll alla färdiga resultat
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Avkoda base64-vektorer endast när det formatet har begärts; behåll varje vektor och dess ursprungliga index.
Om det ursprungliga svaret behöver kontrolleras
Ingen endpoint för inbäddningsjobb införs.
Svarsfält
| Fält | Typ |
|---|---|
Fältdata[].index | Typinteger |
Fältdata[].embedding | Typfinite float[]|base64 float32 vector |
Fältmodel | Typstring |
Fältusage | Typobject |
Fel och nästa steg
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Alias
Modellalias
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Alias för metodsökvägar
Använd metodsökvägarna som visas ovan.
Relaterade anropar-ID:n
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Ailoot · Inbäddningar POST /v1/embeddings nemotron-embed-vl
nemotron-embed-vlnvidia/llama-nemotron-embed-vl-1b-v2nemotron-embed-vlnemotron-embed-vl-latest
Start
Llama Nemotron Embed VL v2 skapar vektorer för semantisk dokumentsökning. Ailoots aktuella katalog erbjuder textindata för frågor och material.
- Godkända indata
- Text
- Resultat
- embedding
Tillgängligt i Ailoot · indata & metoder
Ailoot · Inbäddningar POST /v1/embeddings
- Indatatyper
text- Utdatatyper
embedding- Kontext
- 4 096 tokens
- Utdataformat
- json
| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser nemotron-embed-vl | Standard— |
Fältinput | Typstring|string[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 Villkor: Varje sträng ska vara icke-tom efter trimning; data-URI:er avvisas; den accepterade budgeten mäter relevanta UTF8-byte. | Standard— |
Fältinput_type | Typstring | KravValfritt | Värden & gränser query, passage | Standardquery |
Fältencoding_format | Typstring | KravValfritt | Värden & gränser float, base64 | Standardfloat |
Fälttruncate | Typstring | KravValfritt | Värden & gränser NONE, START, END | Standard— |
Fältdimensions | Typinteger | KravValfritt | Värden & gränser Minimum: 1 | Standard— |
Fältuser | Typstring | KravValfritt | Värden & gränser | Standard— |
Kombinationer av indatamaterial
text_to_embedding
Metodparametrar och livscykel
| Parameter | Avtal |
|---|---|
Parametermaterial_types | Avtaltext |
Parameterrequired | Avtalmodel, input |
Parameteroptional_controls | Avtalnull |
Parametercontent_type | Avtalapplication/json |
Livscykel: exact retained published method
Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts.
Priser
Priser för Ailoot-metoder
POST /v1/embeddings- Indata
- 0,0001 US$ / 1K
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
Exempelbegäranden
Ailoot · Inbäddningar
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "nemotron-embed-vl", "input": []}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=[text]
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
Ta emot och spara resultat
Ailoot · Inbäddningar
json
Behåll alla färdiga resultat
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Avkoda base64-vektorer endast när det formatet har begärts; behåll varje vektor och dess ursprungliga index.
Om det ursprungliga svaret behöver kontrolleras
Ingen endpoint för inbäddningsjobb införs.
Svarsfält
| Fält | Typ |
|---|---|
Fältdata[].index | Typinteger |
Fältdata[].embedding | Typfinite float[]|base64 float32 vector |
Fältmodel | Typstring |
Fältusage | Typobject |
Fel och nästa steg
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Alias
Modellalias
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Alias för metodsökvägar
Använd metodsökvägarna som visas ovan.
Relaterade anropar-ID:n
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Ailoot · Inbäddningar POST /v1/embeddings nemotron-embed-vl-latest
nemotron-embed-vl-latestnvidia/llama-nemotron-embed-vl-1b-v2nemotron-embed-vlnemotron-embed-vl-latest
Start
Llama Nemotron Embed VL v2 skapar vektorer för semantisk dokumentsökning. Ailoots aktuella katalog erbjuder textindata för frågor och material.
- Godkända indata
- Text
- Resultat
- embedding
Tillgängligt i Ailoot · indata & metoder
Ailoot · Inbäddningar POST /v1/embeddings
- Indatatyper
text- Utdatatyper
embedding- Kontext
- 4 096 tokens
- Utdataformat
- json
| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser nemotron-embed-vl-latest | Standard— |
Fältinput | Typstring|string[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 Villkor: Varje sträng ska vara icke-tom efter trimning; data-URI:er avvisas; den accepterade budgeten mäter relevanta UTF8-byte. | Standard— |
Fältinput_type | Typstring | KravValfritt | Värden & gränser query, passage | Standardquery |
Fältencoding_format | Typstring | KravValfritt | Värden & gränser float, base64 | Standardfloat |
Fälttruncate | Typstring | KravValfritt | Värden & gränser NONE, START, END | Standard— |
Fältdimensions | Typinteger | KravValfritt | Värden & gränser Minimum: 1 | Standard— |
Fältuser | Typstring | KravValfritt | Värden & gränser | Standard— |
Kombinationer av indatamaterial
text_to_embedding
Metodparametrar och livscykel
| Parameter | Avtal |
|---|---|
Parametermaterial_types | Avtaltext |
Parameterrequired | Avtalmodel, input |
Parameteroptional_controls | Avtalnull |
Parametercontent_type | Avtalapplication/json |
Livscykel: exact retained published method
Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts.
Priser
Priser för Ailoot-metoder
POST /v1/embeddings- Indata
- 0,0001 US$ / 1K
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
Exempelbegäranden
Ailoot · Inbäddningar
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "nemotron-embed-vl-latest", "input": []}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=[text]
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
Ta emot och spara resultat
Ailoot · Inbäddningar
json
Behåll alla färdiga resultat
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Avkoda base64-vektorer endast när det formatet har begärts; behåll varje vektor och dess ursprungliga index.
Om det ursprungliga svaret behöver kontrolleras
Ingen endpoint för inbäddningsjobb införs.
Svarsfält
| Fält | Typ |
|---|---|
Fältdata[].index | Typinteger |
Fältdata[].embedding | Typfinite float[]|base64 float32 vector |
Fältmodel | Typstring |
Fältusage | Typobject |
Fel och nästa steg
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Alias
Modellalias
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Alias för metodsökvägar
Använd metodsökvägarna som visas ovan.
Relaterade anropar-ID:n
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
FAQ · nvidia/llama-nemotron-embed-vl-1b-v2
- Vilka indata och resultat finns?
POST /v1/embeddings·nvidia/llama-nemotron-embed-vl-1b-v2:text→embeddingPOST /v1/embeddings·nemotron-embed-vl:text→embeddingPOST /v1/embeddings·nemotron-embed-vl-latest:text→embedding- Vilka fält använder begäran?
POST /v1/embeddings·nvidia/llama-nemotron-embed-vl-1b-v2:model,input,input_type,encoding_format,truncate,dimensions,userPOST /v1/embeddings·nemotron-embed-vl:model,input,input_type,encoding_format,truncate,dimensions,userPOST /v1/embeddings·nemotron-embed-vl-latest:model,input,input_type,encoding_format,truncate,dimensions,user- Vilka gränser gäller?
POST /v1/embeddings·nvidia/llama-nemotron-embed-vl-1b-v2:ctx:4096;input.min_items:1;dimensions.minimum:1POST /v1/embeddings·nemotron-embed-vl:ctx:4096;input.min_items:1;dimensions.minimum:1POST /v1/embeddings·nemotron-embed-vl-latest:ctx:4096;input.min_items:1;dimensions.minimum:1