Nemotron 3 Embed 1B 是 NVIDIA 用於語意搜尋與片段比對的文字模型，將問題、文件與程式碼編碼為密集數值向量。這些表示可從大型集合找到需要的上下文，補充助理回覆，或為代理下一步擷取先前儲存的資訊。
模型用於多語言及跨語言搜尋，問題與合適資料可以使用不同語言。俄文在公布的 34 種語言中，其他包括英文、烏克蘭文、中文、日文、阿拉伯文等。這適合技術文件與使用者詢問不統一為同一語言的共用知識庫。
用途包括文件搜尋、文字比對，以及依文字描述擷取程式碼。大型輸入視窗可處理長文件、大量程式上下文與代理多個步驟的歷史。找到的資料會作為上下文進入後續流程；最終說明與答案由系統下一個元件產生。
輸入為文字字串，每個字串得到一個包含 2048 個數值的向量。最大序列長度為 32768 個 token，較長資料必須分段或縮短。準備輸入時，應區分問題與文件；模型訓練用於配對這兩種角色，因此相同字串在不同任務中，不應忽略用途而使用相同格式。
向量會依長度正規化，此時內積與餘弦相似度是等價的比較方式。完整向量可保留前 1024 或 512 個座標，但截斷後必須重新正規化。這屬於結果處理特性；文件集與查詢應一致選用相同維度。
編碼器約有 1.14B 個參數，由基於 Ministral 3 3B 的模型，經過兩個結構縮減與蒸餾階段建立。雙向注意力考量整個輸入，再將 token 表示取平均，得到整體向量。
NVIDIA 提供 BF16 與 NVFP4 版本。兩者的表示空間接近，但更換版本時，需要以自己的文件驗證。數值相似度與上下文長度，都不保證搜尋一定選到正確片段。
", "aboutText": "Nemotron 3 Embed 1B 是 NVIDIA 用於語意搜尋與片段比對的文字模型，將問題、文件與程式碼編碼為密集數值向量。這些表示可從大型集合找到需要的上下文，補充助理回覆，或為代理下一步擷取先前儲存的資訊。\n\n### 多語言知識與程式碼\n\n模型用於多語言及跨語言搜尋，問題與合適資料可以使用不同語言。俄文在公布的 34 種語言中，其他包括英文、烏克蘭文、中文、日文、阿拉伯文等。這適合技術文件與使用者詢問不統一為同一語言的共用知識庫。\n\n用途包括文件搜尋、文字比對，以及依文字描述擷取程式碼。大型輸入視窗可處理長文件、大量程式上下文與代理多個步驟的歷史。找到的資料會作為上下文進入後續流程；最終說明與答案由系統下一個元件產生。\n\n### 從文字到向量\n\n輸入為文字字串，每個字串得到一個包含 2048 個數值的向量。最大序列長度為 32768 個 token，較長資料必須分段或縮短。準備輸入時，應區分問題與文件；模型訓練用於配對這兩種角色，因此相同字串在不同任務中，不應忽略用途而使用相同格式。\n\n向量會依長度正規化，此時內積與餘弦相似度是等價的比較方式。完整向量可保留前 1024 或 512 個座標，但截斷後必須重新正規化。這屬於結果處理特性；文件集與查詢應一致選用相同維度。\n\n### 小型模型的架構\n\n編碼器約有 1.14B 個參數，由基於 Ministral 3 3B 的模型，經過兩個結構縮減與蒸餾階段建立。雙向注意力考量整個輸入，再將 token 表示取平均，得到整體向量。\n\nNVIDIA 提供 BF16 與 NVFP4 版本。兩者的表示空間接近，但更換版本時，需要以自己的文件驗證。數值相似度與上下文長度，都不保證搜尋一定選到正確片段。", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "cb167288eed0bee9d6342648f864fc4d9c883fa18a8678dd00f99403f033e1ef", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "zh-hant-tw", "methods": [ { "html": "nvidia/nemotron-3-embed-1bNemotron 3 Embed 1B 將文字轉為向量，用於多語言搜尋、程式碼搜尋與 RAG。它處理最多 32768 個 token 的序列，輸出包含 2048 個數值的表示。
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。
Nemotron 3 Embed 1B 是 NVIDIA 用於語意搜尋與片段比對的文字模型，將問題、文件與程式碼編碼為密集數值向量。這些表示可從大型集合找到需要的上下文，補充助理回覆，或為代理下一步擷取先前儲存的資訊。
模型用於多語言及跨語言搜尋，問題與合適資料可以使用不同語言。俄文在公布的 34 種語言中，其他包括英文、烏克蘭文、中文、日文、阿拉伯文等。這適合技術文件與使用者詢問不統一為同一語言的共用知識庫。
用途包括文件搜尋、文字比對，以及依文字描述擷取程式碼。大型輸入視窗可處理長文件、大量程式上下文與代理多個步驟的歷史。找到的資料會作為上下文進入後續流程；最終說明與答案由系統下一個元件產生。
輸入為文字字串，每個字串得到一個包含 2048 個數值的向量。最大序列長度為 32768 個 token，較長資料必須分段或縮短。準備輸入時，應區分問題與文件；模型訓練用於配對這兩種角色，因此相同字串在不同任務中，不應忽略用途而使用相同格式。
向量會依長度正規化，此時內積與餘弦相似度是等價的比較方式。完整向量可保留前 1024 或 512 個座標，但截斷後必須重新正規化。這屬於結果處理特性；文件集與查詢應一致選用相同維度。
編碼器約有 1.14B 個參數，由基於 Ministral 3 3B 的模型，經過兩個結構縮減與蒸餾階段建立。雙向注意力考量整個輸入，再將 token 表示取平均，得到整體向量。
NVIDIA 提供 BF16 與 NVFP4 版本。兩者的表示空間接近，但更換版本時，需要以自己的文件驗證。數值相似度與上下文長度，都不保證搜尋一定選到正確片段。
POST /v1/embeddingstextembedding| 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/nemotron-3-embed-1b | 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— |
text_to_embedding
| 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。
POST /v1/embeddingsAiloot 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 →
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\njson
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。
此流程未引入嵌入向量任務端點。
| 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 |
| 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。 |
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
請使用上方列出的 API 方法路徑。
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embedNemotron 3 Embed 1B 將文字轉為向量，用於多語言搜尋、程式碼搜尋與 RAG。它處理最多 32768 個 token 的序列，輸出包含 2048 個數值的表示。
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。
Nemotron 3 Embed 1B 是 NVIDIA 用於語意搜尋與片段比對的文字模型，將問題、文件與程式碼編碼為密集數值向量。這些表示可從大型集合找到需要的上下文，補充助理回覆，或為代理下一步擷取先前儲存的資訊。
模型用於多語言及跨語言搜尋，問題與合適資料可以使用不同語言。俄文在公布的 34 種語言中，其他包括英文、烏克蘭文、中文、日文、阿拉伯文等。這適合技術文件與使用者詢問不統一為同一語言的共用知識庫。
用途包括文件搜尋、文字比對，以及依文字描述擷取程式碼。大型輸入視窗可處理長文件、大量程式上下文與代理多個步驟的歷史。找到的資料會作為上下文進入後續流程；最終說明與答案由系統下一個元件產生。
輸入為文字字串，每個字串得到一個包含 2048 個數值的向量。最大序列長度為 32768 個 token，較長資料必須分段或縮短。準備輸入時，應區分問題與文件；模型訓練用於配對這兩種角色，因此相同字串在不同任務中，不應忽略用途而使用相同格式。
向量會依長度正規化，此時內積與餘弦相似度是等價的比較方式。完整向量可保留前 1024 或 512 個座標，但截斷後必須重新正規化。這屬於結果處理特性；文件集與查詢應一致選用相同維度。
編碼器約有 1.14B 個參數，由基於 Ministral 3 3B 的模型，經過兩個結構縮減與蒸餾階段建立。雙向注意力考量整個輸入，再將 token 表示取平均，得到整體向量。
NVIDIA 提供 BF16 與 NVFP4 版本。兩者的表示空間接近，但更換版本時，需要以自己的文件驗證。數值相似度與上下文長度，都不保證搜尋一定選到正確片段。
POST /v1/embeddingstextembedding| 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-3-embed | 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— |
text_to_embedding
| 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。
POST /v1/embeddingsAiloot 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 →
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\njson
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。
此流程未引入嵌入向量任務端點。
| 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 |
| 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。 |
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
請使用上方列出的 API 方法路徑。
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
nemotron-3-embed-latestNemotron 3 Embed 1B 將文字轉為向量，用於多語言搜尋、程式碼搜尋與 RAG。它處理最多 32768 個 token 的序列，輸出包含 2048 個數值的表示。
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。
Nemotron 3 Embed 1B 是 NVIDIA 用於語意搜尋與片段比對的文字模型，將問題、文件與程式碼編碼為密集數值向量。這些表示可從大型集合找到需要的上下文，補充助理回覆，或為代理下一步擷取先前儲存的資訊。
模型用於多語言及跨語言搜尋，問題與合適資料可以使用不同語言。俄文在公布的 34 種語言中，其他包括英文、烏克蘭文、中文、日文、阿拉伯文等。這適合技術文件與使用者詢問不統一為同一語言的共用知識庫。
用途包括文件搜尋、文字比對，以及依文字描述擷取程式碼。大型輸入視窗可處理長文件、大量程式上下文與代理多個步驟的歷史。找到的資料會作為上下文進入後續流程；最終說明與答案由系統下一個元件產生。
輸入為文字字串，每個字串得到一個包含 2048 個數值的向量。最大序列長度為 32768 個 token，較長資料必須分段或縮短。準備輸入時，應區分問題與文件；模型訓練用於配對這兩種角色，因此相同字串在不同任務中，不應忽略用途而使用相同格式。
向量會依長度正規化，此時內積與餘弦相似度是等價的比較方式。完整向量可保留前 1024 或 512 個座標，但截斷後必須重新正規化。這屬於結果處理特性；文件集與查詢應一致選用相同維度。
編碼器約有 1.14B 個參數，由基於 Ministral 3 3B 的模型，經過兩個結構縮減與蒸餾階段建立。雙向注意力考量整個輸入，再將 token 表示取平均，得到整體向量。
NVIDIA 提供 BF16 與 NVFP4 版本。兩者的表示空間接近，但更換版本時，需要以自己的文件驗證。數值相似度與上下文長度，都不保證搜尋一定選到正確片段。
POST /v1/embeddingstextembedding| 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-3-embed-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— |
text_to_embedding
| 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。
POST /v1/embeddingsAiloot 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 →
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\njson
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。
此流程未引入嵌入向量任務端點。
| 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 |
| 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。 |
Ailoot nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest
請使用上方列出的 API 方法路徑。
nvidia/nemotron-3-embed-1b, nemotron-3-embed, nemotron-3-embed-latest