Source: https://ailoot.ai/models/zh-hant-tw/nvidia-llama-nemotron-embed-vl-1b-v2/ Canonical: https://ailoot.ai/models/zh-hant-tw/nvidia-llama-nemotron-embed-vl-1b-v2/ Language: zh-hant-tw # Llama Nemotron Embed VL 1B v2 [Markdown](https://ailoot.ai/models/zh-hant-tw/nvidia-llama-nemotron-embed-vl-1b-v2/index.md) · [JSON](https://ailoot.ai/models/zh-hant-tw/nvidia-llama-nemotron-embed-vl-1b-v2/facts.json) ## [Llama Nemotron Embed VL 1B v2](https://ailoot.ai/models/zh-hant-tw/nvidia-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`](https://ailoot.ai/models/zh-hant-tw/nvidia-llama-nemotron-embed-vl-1b-v2/#method-0) - [**Ailoot · 嵌入向量** `POST /v1/embeddings` `nemotron-embed-vl`](https://ailoot.ai/models/zh-hant-tw/nvidia-llama-nemotron-embed-vl-1b-v2/#method-1) - [**Ailoot · 嵌入向量** `POST /v1/embeddings` `nemotron-embed-vl-latest`](https://ailoot.ai/models/zh-hant-tw/nvidia-llama-nemotron-embed-vl-1b-v2/#method-2) 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`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nvidia%2Fllama-nemotron-embed-vl-1b-v2&fmt=embeddings) 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 輸入 US$0.0001 */ 1K* Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。[預留金額與結算的運作方式 →](https://ailoot.ai/docs/zh-hant-tw/billing/reserve/) ### 請求範例 #### Ailoot · 嵌入向量 嵌入向量範例 ```bash set -eu : "${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`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nvidia%2Fllama-nemotron-embed-vl-1b-v2&fmt=embeddings), [`nemotron-embed-vl`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nemotron-embed-vl&fmt=embeddings), [`nemotron-embed-vl-latest`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nemotron-embed-vl-latest&fmt=embeddings) #### 方法路徑別名 請使用上方列出的 API 方法路徑。 #### 相關呼叫用 ID [`nvidia/llama-nemotron-embed-vl-1b-v2`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nvidia%2Fllama-nemotron-embed-vl-1b-v2&fmt=embeddings), [`nemotron-embed-vl`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nemotron-embed-vl&fmt=embeddings), [`nemotron-embed-vl-latest`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nemotron-embed-vl-latest&fmt=embeddings) **Ailoot · 嵌入向量** `POST /v1/embeddings` `nemotron-embed-vl` [`nemotron-embed-vl`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nemotron-embed-vl&fmt=embeddings) NVIDIA /`nemotron-embed-vl` 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 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 輸入 US$0.0001 */ 1K* Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。[預留金額與結算的運作方式 →](https://ailoot.ai/docs/zh-hant-tw/billing/reserve/) ### 請求範例 #### Ailoot · 嵌入向量 嵌入向量範例 ```bash set -eu : "${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`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nvidia%2Fllama-nemotron-embed-vl-1b-v2&fmt=embeddings), [`nemotron-embed-vl`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nemotron-embed-vl&fmt=embeddings), [`nemotron-embed-vl-latest`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nemotron-embed-vl-latest&fmt=embeddings) #### 方法路徑別名 請使用上方列出的 API 方法路徑。 #### 相關呼叫用 ID [`nvidia/llama-nemotron-embed-vl-1b-v2`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nvidia%2Fllama-nemotron-embed-vl-1b-v2&fmt=embeddings), [`nemotron-embed-vl`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nemotron-embed-vl&fmt=embeddings), [`nemotron-embed-vl-latest`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nemotron-embed-vl-latest&fmt=embeddings) **Ailoot · 嵌入向量** `POST /v1/embeddings` `nemotron-embed-vl-latest` [`nemotron-embed-vl-latest`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nemotron-embed-vl-latest&fmt=embeddings) NVIDIA /`nemotron-embed-vl-latest` 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 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 輸入 US$0.0001 */ 1K* Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。[預留金額與結算的運作方式 →](https://ailoot.ai/docs/zh-hant-tw/billing/reserve/) ### 請求範例 #### Ailoot · 嵌入向量 嵌入向量範例 ```bash set -eu : "${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`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nvidia%2Fllama-nemotron-embed-vl-1b-v2&fmt=embeddings), [`nemotron-embed-vl`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nemotron-embed-vl&fmt=embeddings), [`nemotron-embed-vl-latest`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nemotron-embed-vl-latest&fmt=embeddings) #### 方法路徑別名 請使用上方列出的 API 方法路徑。 #### 相關呼叫用 ID [`nvidia/llama-nemotron-embed-vl-1b-v2`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nvidia%2Fllama-nemotron-embed-vl-1b-v2&fmt=embeddings), [`nemotron-embed-vl`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nemotron-embed-vl&fmt=embeddings), [`nemotron-embed-vl-latest`](https://ailoot.ai/models/zh-hant-tw/#m=nvidia%2Fllama-nemotron-embed-vl-1b-v2&route=Core&caller=nemotron-embed-vl-latest&fmt=embeddings) FAQ · nvidia/llama-nemotron-embed-vl-1b-v2 可以使用哪些輸入與結果？ `POST /v1/embeddings` · `nvidia/llama-nemotron-embed-vl-1b-v2`: `text` → `embedding` `POST /v1/embeddings` · `nemotron-embed-vl`: `text` → `embedding` `POST /v1/embeddings` · `nemotron-embed-vl-latest`: `text` → `embedding` 請求使用哪些欄位？ `POST /v1/embeddings` · `nvidia/llama-nemotron-embed-vl-1b-v2`: `model`, `input`, `input_type`, `encoding_format`, `truncate`, `dimensions`, `user` `POST /v1/embeddings` · `nemotron-embed-vl`: `model`, `input`, `input_type`, `encoding_format`, `truncate`, `dimensions`, `user` `POST /v1/embeddings` · `nemotron-embed-vl-latest`: `model`, `input`, `input_type`, `encoding_format`, `truncate`, `dimensions`, `user` 適用哪些限制？ `POST /v1/embeddings` · `nvidia/llama-nemotron-embed-vl-1b-v2`: `ctx`: `4096`; `input.min_items`: `1`; `dimensions.minimum`: `1` `POST /v1/embeddings` · `nemotron-embed-vl`: `ctx`: `4096`; `input.min_items`: `1`; `dimensions.minimum`: `1` `POST /v1/embeddings` · `nemotron-embed-vl-latest`: `ctx`: `4096`; `input.min_items`: `1`; `dimensions.minimum`: `1` 將 Ailoot 串接 Claude Code、OpenCode、Hermes 或自己的應用程式。 ## 公司及其專案組合 公司及其專案組合：數百萬客戶，每月銷售額達數十億。 ## 優惠購買 token。 訂閱優惠適合持續工作，折扣碼購買 token 最高可折 50%。 訂閱 為定期請求選擇優惠方案。 最高 50% 折扣碼 購買時輸入代碼，價格依活動重算。 歷史中的費用 每次請求保存模型、token 與金額。 [選擇訂閱](https://ailoot.ai/docs/zh-hant-tw/billing/subscriptions/) · [查看模型價格](https://ailoot.ai/models/zh-hant-tw/) ## 將 API 加入 你銷售的產品。 依 Ailoot 正式服務條款與授權合約串接 SaaS、應用程式與機器人；轉售請申請經銷授權。 商用應用程式 在付費功能加入文字、圖片、影片與聲音生成。 經銷授權 提供專案說明與存取方式，要求書面使用和轉售條件。 網站文件 串接前可閱讀正式服務條款、授權合約與資料處理政策。 [申請經銷授權](mailto:support@ailoot.ai) · [正式服務條款與授權合約](https://ailoot.ai/legal/offer?lang=zh-hant-tw) ## Ailoot · 公司及其專案組合 Ailoot以累積的營運經驗、廣大的客戶群、穩定的服務及持續的KPI管理為基礎。 公司及其專案組合：數百萬客戶，每月銷售額達數十億。 Ailoot將這些營運經驗用於API存取，讓客戶的產品、代理、應用程式及自動化流程使用AI功能。