Llama Nemotron Embed VL 1B v2

Llama Nemotron Embed VL v2 為文件語意搜尋建立向量。Ailoot 目前目錄提供查詢與資料的文字輸入。

Ailoot · 嵌入向量 POST /v1/embeddings nvidia/llama-nemotron-embed-vl-1b-v2
Ailoot · 嵌入向量 POST /v1/embeddings nemotron-embed-vl
Ailoot · 嵌入向量 POST /v1/embeddings nemotron-embed-vl-latest

關於模型

此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。

依問題找到需要的頁面

Llama Nemotron Embed VL 1B v2 由 NVIDIA 開發，用於搜尋可協助回答問題的資料。查詢以文字設定；Ailoot 目前目錄為模型提供文字輸入，問題與資料皆以文字編碼。廠商也描述了以頁面影像，或影像搭配擷取文字表示文件的方式。這些視覺形式需要獨立且支援影像的方法。在相應輸入下，模型可將表格、圖表與資訊圖表表示於共同向量空間。

這種搜尋適合大型文件集的問答助理、內部參考資料與研究文件。編碼結果為數值向量；找到的頁面或片段，可再交給生成答案的模型。Embed VL 本身完成的是上下文搜尋階段。

廠商提供的文件形式

文字文件：獨立章節、片段，或已辨識的頁面文字。
影像：包含文字、表格與圖像元素的完整頁面。
影像搭配文字：頁面的視覺外觀與文字內容，結合成同一表示形式。

查詢與文件分別編碼，因此可預先處理文件集，將向量與原始頁面一起儲存，新問題出現時只計算查詢向量。向量相似度協助依語意選擇資料。查詢與文件的文字角色不同，準備資料時必須保留這個區別。

表示大小與輸入長度

每項輸入轉換成一個最多包含 2048 個數值的向量。文字模式使用 8192 個 token 的預算。廠商結合影像與文字的視覺方法，描述了兩者共用的 10240 個 token 預算，這不是 Ailoot 方法的文字上限。影像會分成片段；所述設定最多提供六個片段及整頁的縮小副本，合計約 1792 個視覺 token。長文字必須分段或縮短。

語言部分以 Llama 3.2 1B 為基礎，視覺部分使用 SigLIP2，兩者結合為編碼器，將輸入 token 的表示取平均後輸出單一向量。對比訓練讓問題更接近合適頁面，並遠離不相關資料。搜尋仍具機率性，向量接近不保證所選片段包含正確答案。

Ailoot · 嵌入向量 POST /v1/embeddings nvidia/llama-nemotron-embed-vl-1b-v2

nvidia/llama-nemotron-embed-vl-1b-v2

NVIDIA /nvidia/llama-nemotron-embed-vl-1b-v2

模型 ID

nvidia/llama-nemotron-embed-vl-1b-v2
nemotron-embed-vl
nemotron-embed-vl-latest

入門

Llama Nemotron Embed VL v2 為文件語意搜尋建立向量。Ailoot 目前目錄提供查詢與資料的文字輸入。

接受的輸入: 文字
結果: embedding

Ailoot 可用 · 輸入與方法

Ailoot · 嵌入向量 POST /v1/embeddings

輸入: text
輸出: embedding
上下文: 4,096 tokens
輸出格式: json

欄位	類型	要求	值與限制	預設值
欄位`model`	類型`string`	要求必填	值與限制 nvidia/llama-nemotron-embed-vl-1b-v2	預設值—
欄位`input`	類型`string\|string[]`	要求必填	值與限制項目數下限: 1 條件: 每個字串去除前後空白後都不得為空；不接受 data URI；已接受的額度會計量相關的 UTF8 位元組。	預設值—
欄位`input_type`	類型`string`	要求選填	值與限制 query, passage	預設值query
欄位`encoding_format`	類型`string`	要求選填	值與限制 float, base64	預設值float
欄位`truncate`	類型`string`	要求選填	值與限制 NONE, START, END	預設值—
欄位`dimensions`	類型`integer`	要求選填	值與限制最小值: 1	預設值—
欄位`user`	類型`string`	要求選填	值與限制	預設值—

輸入素材組合

text_to_embedding

方法參數與生命週期

參數	規格
參數`material_types`	規格text
參數`required`	規格model, input
參數`optional_controls`	規格null
參數`content_type`	規格application/json

生命週期： exact retained published method

方法結構與 ID 均為精確值；供應商能力與准入狀態分開。

方案

Ailoot 方法費率

Ailoot 嵌入向量POST /v1/embeddings

輸入: US$0.0001 / 1K

Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →

請求範例

Ailoot · 嵌入向量

嵌入向量範例

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

接收並儲存結果

Ailoot · 嵌入向量

json

保留所有已完成的結果

請保留所有完整傳回的回應、檔案與內容區塊。

僅在請求該格式時才解碼 base64 向量；請保留每個向量及其原始索引。

需要檢查原始回應時

此流程未引入嵌入向量任務端點。

回應欄位

欄位	類型
欄位`data[].index`	類型integer
欄位`data[].embedding`	類型finite float[]\|base64 float32 vector
欄位`model`	類型string
欄位`usage`	類型object

錯誤與後續步驟

回應	條件	下一步
回應400 · `invalid_request_error`	條件必要欄位、素材表示方式或參數值無效	下一步提出新的建立請求前，先修正指定欄位。

別名

模型別名

Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest

方法路徑別名

請使用上方列出的 API 方法路徑。

入門

Llama Nemotron Embed VL v2 為文件語意搜尋建立向量。Ailoot 目前目錄提供查詢與資料的文字輸入。

接受的輸入: 文字
結果: embedding

Ailoot 可用 · 輸入與方法

Ailoot · 嵌入向量 POST /v1/embeddings

輸入: text
輸出: embedding
上下文: 4,096 tokens
輸出格式: json

欄位	類型	要求	值與限制	預設值
欄位`model`	類型`string`	要求必填	值與限制 nemotron-embed-vl	預設值—
欄位`input`	類型`string\|string[]`	要求必填	值與限制項目數下限: 1 條件: 每個字串去除前後空白後都不得為空；不接受 data URI；已接受的額度會計量相關的 UTF8 位元組。	預設值—
欄位`input_type`	類型`string`	要求選填	值與限制 query, passage	預設值query
欄位`encoding_format`	類型`string`	要求選填	值與限制 float, base64	預設值float
欄位`truncate`	類型`string`	要求選填	值與限制 NONE, START, END	預設值—
欄位`dimensions`	類型`integer`	要求選填	值與限制最小值: 1	預設值—
欄位`user`	類型`string`	要求選填	值與限制	預設值—

輸入素材組合

text_to_embedding

方法參數與生命週期

參數	規格
參數`material_types`	規格text
參數`required`	規格model, input
參數`optional_controls`	規格null
參數`content_type`	規格application/json

生命週期： exact retained published method

方法結構與 ID 均為精確值；供應商能力與准入狀態分開。

方案

Ailoot 方法費率

Ailoot 嵌入向量POST /v1/embeddings

輸入: US$0.0001 / 1K

Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →

請求範例

Ailoot · 嵌入向量

嵌入向量範例

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

接收並儲存結果

Ailoot · 嵌入向量

json

保留所有已完成的結果

請保留所有完整傳回的回應、檔案與內容區塊。

僅在請求該格式時才解碼 base64 向量；請保留每個向量及其原始索引。

需要檢查原始回應時

此流程未引入嵌入向量任務端點。

回應欄位

欄位	類型
欄位`data[].index`	類型integer
欄位`data[].embedding`	類型finite float[]\|base64 float32 vector
欄位`model`	類型string
欄位`usage`	類型object

錯誤與後續步驟

回應	條件	下一步
回應400 · `invalid_request_error`	條件必要欄位、素材表示方式或參數值無效	下一步提出新的建立請求前，先修正指定欄位。

別名

模型別名

Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest

方法路徑別名

請使用上方列出的 API 方法路徑。

入門

Llama Nemotron Embed VL v2 為文件語意搜尋建立向量。Ailoot 目前目錄提供查詢與資料的文字輸入。

接受的輸入: 文字
結果: embedding

Ailoot 可用 · 輸入與方法

Ailoot · 嵌入向量 POST /v1/embeddings

輸入: text
輸出: embedding
上下文: 4,096 tokens
輸出格式: json

欄位	類型	要求	值與限制	預設值
欄位`model`	類型`string`	要求必填	值與限制 nemotron-embed-vl-latest	預設值—
欄位`input`	類型`string\|string[]`	要求必填	值與限制項目數下限: 1 條件: 每個字串去除前後空白後都不得為空；不接受 data URI；已接受的額度會計量相關的 UTF8 位元組。	預設值—
欄位`input_type`	類型`string`	要求選填	值與限制 query, passage	預設值query
欄位`encoding_format`	類型`string`	要求選填	值與限制 float, base64	預設值float
欄位`truncate`	類型`string`	要求選填	值與限制 NONE, START, END	預設值—
欄位`dimensions`	類型`integer`	要求選填	值與限制最小值: 1	預設值—
欄位`user`	類型`string`	要求選填	值與限制	預設值—

輸入素材組合

text_to_embedding

方法參數與生命週期

參數	規格
參數`material_types`	規格text
參數`required`	規格model, input
參數`optional_controls`	規格null
參數`content_type`	規格application/json

生命週期： exact retained published method

方法結構與 ID 均為精確值；供應商能力與准入狀態分開。

方案

Ailoot 方法費率

Ailoot 嵌入向量POST /v1/embeddings

輸入: US$0.0001 / 1K

Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →

請求範例

Ailoot · 嵌入向量

嵌入向量範例

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

接收並儲存結果

Ailoot · 嵌入向量

json

保留所有已完成的結果

請保留所有完整傳回的回應、檔案與內容區塊。

僅在請求該格式時才解碼 base64 向量；請保留每個向量及其原始索引。

需要檢查原始回應時

此流程未引入嵌入向量任務端點。

回應欄位

欄位	類型
欄位`data[].index`	類型integer
欄位`data[].embedding`	類型finite float[]\|base64 float32 vector
欄位`model`	類型string
欄位`usage`	類型object

錯誤與後續步驟

回應	條件	下一步
回應400 · `invalid_request_error`	條件必要欄位、素材表示方式或參數值無效	下一步提出新的建立請求前，先修正指定欄位。

別名

模型別名

Ailoot nvidia/llama-nemotron-embed-vl-1b-v2, nemotron-embed-vl, nemotron-embed-vl-latest

方法路徑別名

請使用上方列出的 API 方法路徑。

Llama Nemotron Embed VL 1B v2