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.
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.
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.
", "aboutText": "### Hitta rätt sida utifrån frågan\n\nLlama 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.\n\nSökningen 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.\n\n### Tillverkarens dokumentvarianter\n\n- Textdokument: ett separat avsnitt, ett utdrag eller redan igenkänd sidtext.\n- Bild: hela sidan med text, tabeller och grafiska element.\n- Bild med text: sidans visuella utseende och textinnehåll förenas i en representation.\n\nFråga 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.\n\n### Representationsstorlek och indatalängd\n\nVarje 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.\n\nSpråkdelen 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "40a33286ae4a82ea131a278b1aed66258496def615d3d1e7f2c90cf60c7c860b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "nvidia/llama-nemotron-embed-vl-1b-v2Llama Nemotron Embed VL v2 skapar vektorer för semantisk dokumentsökning. Ailoots aktuella katalog erbjuder textindata för frågor och material.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
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.
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.
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.
POST /v1/embeddingstextembedding| 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— |
text_to_embedding
| 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.
POST /v1/embeddingsAiloot 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 →
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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Avkoda base64-vektorer endast när det formatet har begärts; behåll varje vektor och dess ursprungliga index.
Ingen endpoint för inbäddningsjobb införs.
| Fält | Typ |
|---|---|
Fältdata[].index | Typinteger |
Fältdata[].embedding | Typfinite float[]|base64 float32 vector |
Fältmodel | Typstring |
Fältusage | Typobject |
| 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. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Använd metodsökvägarna som visas ovan.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vlLlama Nemotron Embed VL v2 skapar vektorer för semantisk dokumentsökning. Ailoots aktuella katalog erbjuder textindata för frågor och material.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
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.
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.
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.
POST /v1/embeddingstextembedding| 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— |
text_to_embedding
| 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.
POST /v1/embeddingsAiloot 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 →
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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Avkoda base64-vektorer endast när det formatet har begärts; behåll varje vektor och dess ursprungliga index.
Ingen endpoint för inbäddningsjobb införs.
| Fält | Typ |
|---|---|
Fältdata[].index | Typinteger |
Fältdata[].embedding | Typfinite float[]|base64 float32 vector |
Fältmodel | Typstring |
Fältusage | Typobject |
| 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. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Använd metodsökvägarna som visas ovan.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
nemotron-embed-vl-latestLlama Nemotron Embed VL v2 skapar vektorer för semantisk dokumentsökning. Ailoots aktuella katalog erbjuder textindata för frågor och material.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
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.
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.
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.
POST /v1/embeddingstextembedding| 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— |
text_to_embedding
| 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.
POST /v1/embeddingsAiloot 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 →
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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Avkoda base64-vektorer endast när det formatet har begärts; behåll varje vektor och dess ursprungliga index.
Ingen endpoint för inbäddningsjobb införs.
| Fält | Typ |
|---|---|
Fältdata[].index | Typinteger |
Fältdata[].embedding | Typfinite float[]|base64 float32 vector |
Fältmodel | Typstring |
Fältusage | Typobject |
| 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. |
Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest
Använd metodsökvägarna som visas ovan.
nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest