{ "aboutHtml": "

Nemotron 3 Embed 1B är en textmodell från NVIDIA för semantisk sökning och jämförelse av avsnitt. Den kodar frågor, dokument och programkod till täta numeriska vektorer. Representationerna används för att hitta rätt kontext i stora samlingar, komplettera assistentens svar med den eller hämta tidigare sparad information för nästa agentsteg.

Flerspråkig kunskap och kod

Modellen är avsedd för flerspråkig sökning och sökning över språkgränser. Frågan och rätt material kan vara skrivna på olika språk. Ryska ingår i den publicerade uppsättningen med 34 språk, tillsammans med engelska, ukrainska, kinesiska, japanska, arabiska och andra. Det är användbart för gemensamma kunskapsbaser där tekniska dokument och användarförfrågningar inte har anpassats till ett enda språk.

Uppgifterna omfattar dokumentationssökning, textjämförelse och hämtning av kod utifrån en beskrivning i ord. Ett stort indatafönster gör det möjligt att arbeta med långa dokument, omfattande kodkontext och historik över flera agentsteg. Materialet som hittas återförs till det fortsatta flödet som kontext. Slutliga förklaringar och svar formuleras av nästa systemkomponent.

Från text till vektor

Indata består av textsträngar. För varje sträng skapas en vektor med 2048 tal. Maximal sekvenslängd är 32768 token. Längre material behöver delas upp eller kortas. Vid förberedelse av indata skiljs fråga och dokument åt. Modellen har tränats att jämföra deras roller, så samma sträng i de två uppgifterna bör inte formateras utan hänsyn till syftet.

Vektorerna längdnormaliseras. Med denna representation ger skalärprodukt och cosinuslikhet likvärdiga sätt att jämföra. De första 1024 eller 512 koordinaterna i den fullständiga vektorn kan behållas, men efter avkortning måste normalisering utföras på nytt. Det är en egenskap för resultatbearbetning. Dimensionaliteten behöver väljas konsekvent för samlingen och frågorna.

Den kompakta modellens uppbyggnad

Encodern har omkring 1,14 miljarder parametrar. Den har tagits fram från en modell baserad på Ministral 3 3B genom två steg av strukturell reducering och destillation. Dubbelriktad uppmärksamhet beaktar hela indatan, och tokenrepresentationerna medelvärdesbildas sedan till en gemensam vektor.

NVIDIA ger ut varianterna BF16 och NVFP4. Deras representationsrum ligger nära varandra, men byte av variant behöver prövas på egna dokument. Varken numerisk likhet eller kontextlängd garanterar att sökningen alltid väljer rätt avsnitt.

", "aboutText": "Nemotron 3 Embed 1B är en textmodell från NVIDIA för semantisk sökning och jämförelse av avsnitt. Den kodar frågor, dokument och programkod till täta numeriska vektorer. Representationerna används för att hitta rätt kontext i stora samlingar, komplettera assistentens svar med den eller hämta tidigare sparad information för nästa agentsteg.\n\n### Flerspråkig kunskap och kod\n\nModellen är avsedd för flerspråkig sökning och sökning över språkgränser. Frågan och rätt material kan vara skrivna på olika språk. Ryska ingår i den publicerade uppsättningen med 34 språk, tillsammans med engelska, ukrainska, kinesiska, japanska, arabiska och andra. Det är användbart för gemensamma kunskapsbaser där tekniska dokument och användarförfrågningar inte har anpassats till ett enda språk.\n\nUppgifterna omfattar dokumentationssökning, textjämförelse och hämtning av kod utifrån en beskrivning i ord. Ett stort indatafönster gör det möjligt att arbeta med långa dokument, omfattande kodkontext och historik över flera agentsteg. Materialet som hittas återförs till det fortsatta flödet som kontext. Slutliga förklaringar och svar formuleras av nästa systemkomponent.\n\n### Från text till vektor\n\nIndata består av textsträngar. För varje sträng skapas en vektor med 2048 tal. Maximal sekvenslängd är 32768 token. Längre material behöver delas upp eller kortas. Vid förberedelse av indata skiljs fråga och dokument åt. Modellen har tränats att jämföra deras roller, så samma sträng i de två uppgifterna bör inte formateras utan hänsyn till syftet.\n\nVektorerna längdnormaliseras. Med denna representation ger skalärprodukt och cosinuslikhet likvärdiga sätt att jämföra. De första 1024 eller 512 koordinaterna i den fullständiga vektorn kan behållas, men efter avkortning måste normalisering utföras på nytt. Det är en egenskap för resultatbearbetning. Dimensionaliteten behöver väljas konsekvent för samlingen och frågorna.\n\n### Den kompakta modellens uppbyggnad\n\nEncodern har omkring 1,14 miljarder parametrar. Den har tagits fram från en modell baserad på Ministral 3 3B genom två steg av strukturell reducering och destillation. Dubbelriktad uppmärksamhet beaktar hela indatan, och tokenrepresentationerna medelvärdesbildas sedan till en gemensam vektor.\n\nNVIDIA ger ut varianterna BF16 och NVFP4. Deras representationsrum ligger nära varandra, men byte av variant behöver prövas på egna dokument. Varken numerisk likhet eller kontextlängd garanterar att sökningen alltid väljer rätt avsnitt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d7b73f198a0c45485a04814127abc4bf80b8165f4a427aeda2fddcc42b17be5f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "
NV

Nemotron 3 Embed 1B

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

Start

Nemotron 3 Embed 1B omvandlar text till vektorer för flerspråkig sökning, kodsökning och RAG. Bearbetar sekvenser på upp till 32768 token och ger en representation med 2048 dimensioner.

Godkända indata
Text
Resultat
embedding
Om modellen

Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.

Nemotron 3 Embed 1B är en textmodell från NVIDIA för semantisk sökning och jämförelse av avsnitt. Den kodar frågor, dokument och programkod till täta numeriska vektorer. Representationerna används för att hitta rätt kontext i stora samlingar, komplettera assistentens svar med den eller hämta tidigare sparad information för nästa agentsteg.

Flerspråkig kunskap och kod

Modellen är avsedd för flerspråkig sökning och sökning över språkgränser. Frågan och rätt material kan vara skrivna på olika språk. Ryska ingår i den publicerade uppsättningen med 34 språk, tillsammans med engelska, ukrainska, kinesiska, japanska, arabiska och andra. Det är användbart för gemensamma kunskapsbaser där tekniska dokument och användarförfrågningar inte har anpassats till ett enda språk.

Uppgifterna omfattar dokumentationssökning, textjämförelse och hämtning av kod utifrån en beskrivning i ord. Ett stort indatafönster gör det möjligt att arbeta med långa dokument, omfattande kodkontext och historik över flera agentsteg. Materialet som hittas återförs till det fortsatta flödet som kontext. Slutliga förklaringar och svar formuleras av nästa systemkomponent.

Från text till vektor

Indata består av textsträngar. För varje sträng skapas en vektor med 2048 tal. Maximal sekvenslängd är 32768 token. Längre material behöver delas upp eller kortas. Vid förberedelse av indata skiljs fråga och dokument åt. Modellen har tränats att jämföra deras roller, så samma sträng i de två uppgifterna bör inte formateras utan hänsyn till syftet.

Vektorerna längdnormaliseras. Med denna representation ger skalärprodukt och cosinuslikhet likvärdiga sätt att jämföra. De första 1024 eller 512 koordinaterna i den fullständiga vektorn kan behållas, men efter avkortning måste normalisering utföras på nytt. Det är en egenskap för resultatbearbetning. Dimensionaliteten behöver väljas konsekvent för samlingen och frågorna.

Den kompakta modellens uppbyggnad

Encodern har omkring 1,14 miljarder parametrar. Den har tagits fram från en modell baserad på Ministral 3 3B genom två steg av strukturell reducering och destillation. Dubbelriktad uppmärksamhet beaktar hela indatan, och tokenrepresentationerna medelvärdesbildas sedan till en gemensam vektor.

NVIDIA ger ut varianterna BF16 och NVFP4. Deras representationsrum ligger nära varandra, men byte av variant behöver prövas på egna dokument. Varken numerisk likhet eller kontextlängd garanterar att sökningen alltid väljer rätt avsnitt.

Tillgängligt i Ailoot · indata & metoder

Ailoot · Inbäddningar POST /v1/embeddings
Indatatyper
text
Utdatatyper
embedding
Kontext
4 096 tokens
Utdataformat
json
FältTypKravVärden & gränserStandard
FältmodelTypstringKravObligatorisktVärden & gränser
nvidia/nemotron-3-embed-1b
Standard—
FältinputTypstring|string[]KravObligatorisktVärden & 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_typeTypstringKravValfrittVärden & gränser
query, passage
Standardquery
Fältencoding_formatTypstringKravValfrittVärden & gränser
float, base64
Standardfloat
FälttruncateTypstringKravValfrittVärden & gränser
NONE, START, END
Standard—
FältdimensionsTypintegerKravValfrittVärden & gränser
Minimum: 1
Standard—
FältuserTypstringKravValfrittVärden & gränserStandard—
Kombinationer av indatamaterial

text_to_embedding

Metodparametrar och livscykel
ParameterAvtal
Parametermaterial_typesAvtaltext
ParameterrequiredAvtalmodel, input
Parameteroptional_controlsAvtalnull
Parametercontent_typeAvtalapplication/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

Ailoot InbäddningarPOST /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\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

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
FältTyp
Fältdata[].indexTypinteger
Fältdata[].embeddingTypfinite float[]|base64 float32 vector
FältmodelTypstring
FältusageTypobject
Fel och nästa steg
SvarVillkorNästa steg
Svar400 · invalid_request_errorVillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärdeNästa stegKorrigera de angivna fälten före en ny begäran om att skapa.

Alias

Modellalias

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

Alias för metodsökvägar

Använd metodsökvägarna som visas ovan.

Relaterade anropar-ID:n

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": "Ogiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde", "http_status": 400, "recovery": "Korrigera de angivna fälten före en ny begäran om att skapa.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Ingen endpoint för inbäddningsjobb införs." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Avkoda base64-vektorer endast när det formatet har begärts; behåll varje vektor och dess ursprungliga 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": "Varje sträng ska vara icke-tom efter trimning; data-URI:er avvisas; den accepterade budgeten mäter relevanta UTF8-byte.", "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": [ "Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts." ], "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": "Inbäddningar", "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

Start

Nemotron 3 Embed 1B omvandlar text till vektorer för flerspråkig sökning, kodsökning och RAG. Bearbetar sekvenser på upp till 32768 token och ger en representation med 2048 dimensioner.

Godkända indata
Text
Resultat
embedding
Om modellen

Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.

Nemotron 3 Embed 1B är en textmodell från NVIDIA för semantisk sökning och jämförelse av avsnitt. Den kodar frågor, dokument och programkod till täta numeriska vektorer. Representationerna används för att hitta rätt kontext i stora samlingar, komplettera assistentens svar med den eller hämta tidigare sparad information för nästa agentsteg.

Flerspråkig kunskap och kod

Modellen är avsedd för flerspråkig sökning och sökning över språkgränser. Frågan och rätt material kan vara skrivna på olika språk. Ryska ingår i den publicerade uppsättningen med 34 språk, tillsammans med engelska, ukrainska, kinesiska, japanska, arabiska och andra. Det är användbart för gemensamma kunskapsbaser där tekniska dokument och användarförfrågningar inte har anpassats till ett enda språk.

Uppgifterna omfattar dokumentationssökning, textjämförelse och hämtning av kod utifrån en beskrivning i ord. Ett stort indatafönster gör det möjligt att arbeta med långa dokument, omfattande kodkontext och historik över flera agentsteg. Materialet som hittas återförs till det fortsatta flödet som kontext. Slutliga förklaringar och svar formuleras av nästa systemkomponent.

Från text till vektor

Indata består av textsträngar. För varje sträng skapas en vektor med 2048 tal. Maximal sekvenslängd är 32768 token. Längre material behöver delas upp eller kortas. Vid förberedelse av indata skiljs fråga och dokument åt. Modellen har tränats att jämföra deras roller, så samma sträng i de två uppgifterna bör inte formateras utan hänsyn till syftet.

Vektorerna längdnormaliseras. Med denna representation ger skalärprodukt och cosinuslikhet likvärdiga sätt att jämföra. De första 1024 eller 512 koordinaterna i den fullständiga vektorn kan behållas, men efter avkortning måste normalisering utföras på nytt. Det är en egenskap för resultatbearbetning. Dimensionaliteten behöver väljas konsekvent för samlingen och frågorna.

Den kompakta modellens uppbyggnad

Encodern har omkring 1,14 miljarder parametrar. Den har tagits fram från en modell baserad på Ministral 3 3B genom två steg av strukturell reducering och destillation. Dubbelriktad uppmärksamhet beaktar hela indatan, och tokenrepresentationerna medelvärdesbildas sedan till en gemensam vektor.

NVIDIA ger ut varianterna BF16 och NVFP4. Deras representationsrum ligger nära varandra, men byte av variant behöver prövas på egna dokument. Varken numerisk likhet eller kontextlängd garanterar att sökningen alltid väljer rätt avsnitt.

Tillgängligt i Ailoot · indata & metoder

Ailoot · Inbäddningar POST /v1/embeddings
Indatatyper
text
Utdatatyper
embedding
Kontext
4 096 tokens
Utdataformat
json
FältTypKravVärden & gränserStandard
FältmodelTypstringKravObligatorisktVärden & gränser
nemotron-3-embed
Standard—
FältinputTypstring|string[]KravObligatorisktVärden & 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_typeTypstringKravValfrittVärden & gränser
query, passage
Standardquery
Fältencoding_formatTypstringKravValfrittVärden & gränser
float, base64
Standardfloat
FälttruncateTypstringKravValfrittVärden & gränser
NONE, START, END
Standard—
FältdimensionsTypintegerKravValfrittVärden & gränser
Minimum: 1
Standard—
FältuserTypstringKravValfrittVärden & gränserStandard—
Kombinationer av indatamaterial

text_to_embedding

Metodparametrar och livscykel
ParameterAvtal
Parametermaterial_typesAvtaltext
ParameterrequiredAvtalmodel, input
Parameteroptional_controlsAvtalnull
Parametercontent_typeAvtalapplication/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

Ailoot InbäddningarPOST /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\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

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
FältTyp
Fältdata[].indexTypinteger
Fältdata[].embeddingTypfinite float[]|base64 float32 vector
FältmodelTypstring
FältusageTypobject
Fel och nästa steg
SvarVillkorNästa steg
Svar400 · invalid_request_errorVillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärdeNästa stegKorrigera de angivna fälten före en ny begäran om att skapa.

Alias

Modellalias

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

Alias för metodsökvägar

Använd metodsökvägarna som visas ovan.

Relaterade anropar-ID:n

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": "Ogiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde", "http_status": 400, "recovery": "Korrigera de angivna fälten före en ny begäran om att skapa.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Ingen endpoint för inbäddningsjobb införs." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Avkoda base64-vektorer endast när det formatet har begärts; behåll varje vektor och dess ursprungliga 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": "Varje sträng ska vara icke-tom efter trimning; data-URI:er avvisas; den accepterade budgeten mäter relevanta UTF8-byte.", "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": [ "Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts." ], "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": "Inbäddningar", "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

Start

Nemotron 3 Embed 1B omvandlar text till vektorer för flerspråkig sökning, kodsökning och RAG. Bearbetar sekvenser på upp till 32768 token och ger en representation med 2048 dimensioner.

Godkända indata
Text
Resultat
embedding
Om modellen

Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.

Nemotron 3 Embed 1B är en textmodell från NVIDIA för semantisk sökning och jämförelse av avsnitt. Den kodar frågor, dokument och programkod till täta numeriska vektorer. Representationerna används för att hitta rätt kontext i stora samlingar, komplettera assistentens svar med den eller hämta tidigare sparad information för nästa agentsteg.

Flerspråkig kunskap och kod

Modellen är avsedd för flerspråkig sökning och sökning över språkgränser. Frågan och rätt material kan vara skrivna på olika språk. Ryska ingår i den publicerade uppsättningen med 34 språk, tillsammans med engelska, ukrainska, kinesiska, japanska, arabiska och andra. Det är användbart för gemensamma kunskapsbaser där tekniska dokument och användarförfrågningar inte har anpassats till ett enda språk.

Uppgifterna omfattar dokumentationssökning, textjämförelse och hämtning av kod utifrån en beskrivning i ord. Ett stort indatafönster gör det möjligt att arbeta med långa dokument, omfattande kodkontext och historik över flera agentsteg. Materialet som hittas återförs till det fortsatta flödet som kontext. Slutliga förklaringar och svar formuleras av nästa systemkomponent.

Från text till vektor

Indata består av textsträngar. För varje sträng skapas en vektor med 2048 tal. Maximal sekvenslängd är 32768 token. Längre material behöver delas upp eller kortas. Vid förberedelse av indata skiljs fråga och dokument åt. Modellen har tränats att jämföra deras roller, så samma sträng i de två uppgifterna bör inte formateras utan hänsyn till syftet.

Vektorerna längdnormaliseras. Med denna representation ger skalärprodukt och cosinuslikhet likvärdiga sätt att jämföra. De första 1024 eller 512 koordinaterna i den fullständiga vektorn kan behållas, men efter avkortning måste normalisering utföras på nytt. Det är en egenskap för resultatbearbetning. Dimensionaliteten behöver väljas konsekvent för samlingen och frågorna.

Den kompakta modellens uppbyggnad

Encodern har omkring 1,14 miljarder parametrar. Den har tagits fram från en modell baserad på Ministral 3 3B genom två steg av strukturell reducering och destillation. Dubbelriktad uppmärksamhet beaktar hela indatan, och tokenrepresentationerna medelvärdesbildas sedan till en gemensam vektor.

NVIDIA ger ut varianterna BF16 och NVFP4. Deras representationsrum ligger nära varandra, men byte av variant behöver prövas på egna dokument. Varken numerisk likhet eller kontextlängd garanterar att sökningen alltid väljer rätt avsnitt.

Tillgängligt i Ailoot · indata & metoder

Ailoot · Inbäddningar POST /v1/embeddings
Indatatyper
text
Utdatatyper
embedding
Kontext
4 096 tokens
Utdataformat
json
FältTypKravVärden & gränserStandard
FältmodelTypstringKravObligatorisktVärden & gränser
nemotron-3-embed-latest
Standard—
FältinputTypstring|string[]KravObligatorisktVärden & 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_typeTypstringKravValfrittVärden & gränser
query, passage
Standardquery
Fältencoding_formatTypstringKravValfrittVärden & gränser
float, base64
Standardfloat
FälttruncateTypstringKravValfrittVärden & gränser
NONE, START, END
Standard—
FältdimensionsTypintegerKravValfrittVärden & gränser
Minimum: 1
Standard—
FältuserTypstringKravValfrittVärden & gränserStandard—
Kombinationer av indatamaterial

text_to_embedding

Metodparametrar och livscykel
ParameterAvtal
Parametermaterial_typesAvtaltext
ParameterrequiredAvtalmodel, input
Parameteroptional_controlsAvtalnull
Parametercontent_typeAvtalapplication/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

Ailoot InbäddningarPOST /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\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

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
FältTyp
Fältdata[].indexTypinteger
Fältdata[].embeddingTypfinite float[]|base64 float32 vector
FältmodelTypstring
FältusageTypobject
Fel och nästa steg
SvarVillkorNästa steg
Svar400 · invalid_request_errorVillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärdeNästa stegKorrigera de angivna fälten före en ny begäran om att skapa.

Alias

Modellalias

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

Alias för metodsökvägar

Använd metodsökvägarna som visas ovan.

Relaterade anropar-ID:n

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": "Ogiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde", "http_status": 400, "recovery": "Korrigera de angivna fälten före en ny begäran om att skapa.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Ingen endpoint för inbäddningsjobb införs." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Avkoda base64-vektorer endast när det formatet har begärts; behåll varje vektor och dess ursprungliga 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": "Varje sträng ska vara icke-tom efter trimning; data-URI:er avvisas; den accepterade budgeten mäter relevanta UTF8-byte.", "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": [ "Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts." ], "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": "Inbäddningar", "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": "a7ee3a216dabb4a54fea18662a3d382040c3816cce7d75ad4a2de69e5ccf99ff", "input_html_sha256": "66ece572bffc2f70fec59f2061c005b5439159036cb81aec5b515d0218e12771", "private_audit_sha256": "6022145d58ab288757662076f13a605a12c79aa9f8c72646a8a9d4c27c25b486", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/sv/nvidia-nemotron-3-embed-1b/", "description": "Nemotron 3 Embed 1B omvandlar text till vektorer för flerspråkig sökning, kodsökning och RAG. Bearbetar sekvenser på upp till 32768 token och ger en representation med 2048 dimensioner.", "locale": "sv", "md_url": "https://ailoot.ai/models/sv/nvidia-nemotron-3-embed-1b/index.md", "title": "Nemotron 3 Embed 1B — Ailoot", "url": "https://ailoot.ai/models/sv/nvidia-nemotron-3-embed-1b/" }, "rawModel": { "about": "Nemotron 3 Embed 1B är en textmodell från NVIDIA för semantisk sökning och jämförelse av avsnitt. Den kodar frågor, dokument och programkod till täta numeriska vektorer. Representationerna används för att hitta rätt kontext i stora samlingar, komplettera assistentens svar med den eller hämta tidigare sparad information för nästa agentsteg.\n\n### Flerspråkig kunskap och kod\n\nModellen är avsedd för flerspråkig sökning och sökning över språkgränser. Frågan och rätt material kan vara skrivna på olika språk. Ryska ingår i den publicerade uppsättningen med 34 språk, tillsammans med engelska, ukrainska, kinesiska, japanska, arabiska och andra. Det är användbart för gemensamma kunskapsbaser där tekniska dokument och användarförfrågningar inte har anpassats till ett enda språk.\n\nUppgifterna omfattar dokumentationssökning, textjämförelse och hämtning av kod utifrån en beskrivning i ord. Ett stort indatafönster gör det möjligt att arbeta med långa dokument, omfattande kodkontext och historik över flera agentsteg. Materialet som hittas återförs till det fortsatta flödet som kontext. Slutliga förklaringar och svar formuleras av nästa systemkomponent.\n\n### Från text till vektor\n\nIndata består av textsträngar. För varje sträng skapas en vektor med 2048 tal. Maximal sekvenslängd är 32768 token. Längre material behöver delas upp eller kortas. Vid förberedelse av indata skiljs fråga och dokument åt. Modellen har tränats att jämföra deras roller, så samma sträng i de två uppgifterna bör inte formateras utan hänsyn till syftet.\n\nVektorerna längdnormaliseras. Med denna representation ger skalärprodukt och cosinuslikhet likvärdiga sätt att jämföra. De första 1024 eller 512 koordinaterna i den fullständiga vektorn kan behållas, men efter avkortning måste normalisering utföras på nytt. Det är en egenskap för resultatbearbetning. Dimensionaliteten behöver väljas konsekvent för samlingen och frågorna.\n\n### Den kompakta modellens uppbyggnad\n\nEncodern har omkring 1,14 miljarder parametrar. Den har tagits fram från en modell baserad på Ministral 3 3B genom två steg av strukturell reducering och destillation. Dubbelriktad uppmärksamhet beaktar hela indatan, och tokenrepresentationerna medelvärdesbildas sedan till en gemensam vektor.\n\nNVIDIA ger ut varianterna BF16 och NVFP4. Deras representationsrum ligger nära varandra, men byte av variant behöver prövas på egna dokument. Varken numerisk likhet eller kontextlängd garanterar att sökningen alltid väljer rätt avsnitt.", "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": "Ogiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde", "http_status": 400, "recovery": "Korrigera de angivna fälten före en ny begäran om att skapa.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Ingen endpoint för inbäddningsjobb införs." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Avkoda base64-vektorer endast när det formatet har begärts; behåll varje vektor och dess ursprungliga 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": "Varje sträng ska vara icke-tom efter trimning; data-URI:er avvisas; den accepterade budgeten mäter relevanta UTF8-byte.", "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": [ "Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts." ], "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": "Inbäddningar", "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": "Ogiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde", "http_status": 400, "recovery": "Korrigera de angivna fälten före en ny begäran om att skapa.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Ingen endpoint för inbäddningsjobb införs." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Avkoda base64-vektorer endast när det formatet har begärts; behåll varje vektor och dess ursprungliga 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": "Varje sträng ska vara icke-tom efter trimning; data-URI:er avvisas; den accepterade budgeten mäter relevanta UTF8-byte.", "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": [ "Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts." ], "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": "Inbäddningar", "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": "Ogiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde", "http_status": 400, "recovery": "Korrigera de angivna fälten före en ny begäran om att skapa.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Ingen endpoint för inbäddningsjobb införs." }, "material_combinations": [ { "alternatives": [ "nonempty string", "nonempty string[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Avkoda base64-vektorer endast när det formatet har begärts; behåll varje vektor och dess ursprungliga 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": "Varje sträng ska vara icke-tom efter trimning; data-URI:er avvisas; den accepterade budgeten mäter relevanta UTF8-byte.", "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": [ "Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts." ], "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": "Inbäddningar", "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 omvandlar text till vektorer för flerspråkig sökning, kodsökning och RAG. Bearbetar sekvenser på upp till 32768 token och ger en representation med 2048 dimensioner." }, "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 omvandlar text till vektorer för flerspråkig sökning, kodsökning och RAG. Bearbetar sekvenser på upp till 32768 token och ger en representation med 2048 dimensioner.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "c3f74f991c4537d4b0cbc60ccfeeab3e5de10cde39688fefdbc4807c7574ea9a", "renderer_sha256": "8a45bb31b83d2551e6d975cf4683518c7cb445a54b9394a01947f4dd103f1051" }, "sourceRevision": "994f106fe6459e709acefa643585d33efdc2cc3a7bdb011b8e29c512ef1e0338" }