voyage-4-large ist das führende Text-Embedding-Modell von Voyage AI in der Voyage-4-Familie. Es stellt Quellpassagen und Abfragen als numerische Vektoren für allgemeine und mehrsprachige Suche dar. Seine beiden besonderen Merkmale sind ein Mixture-of-Experts-Modellaufbau und der gemeinsame Embedding-Raum von voyage-4-large, voyage-4, voyage-4-lite und voyage-4-nano.
Der Hersteller beschreibt asymmetrische Suche: Dokumente können mit voyage-4-large eingebettet werden, während ein anderes Modell der Voyage-4-Familie die Abfragevektoren vorbereitet. Ein mit Large dargestellter Korpus kann beispielsweise mit Abfragen von voyage-4 durchsucht werden. So können beide Seiten der Suche unterschiedliche Modelle verwenden und zugleich im dokumentierten kompatiblen Raum bleiben.
Eine praktische Sammlung kann daher Large zur Aufbereitung beständiger Dokumentpassagen verwenden und das Modell auf der Abfrageseite unabhängig wählen. Dokumente werden beim Erstellen oder Aktualisieren des Korpus eingebettet, während Abfragen bei der Suche durch Nutzer vektorisiert werden. Die Familienankündigung beschreibt den Wechsel des Abfragemodells innerhalb der kompatiblen Familie, ohne allein deswegen den Dokumentkorpus erneut zu vektorisieren. Halten Sie verglichene Vektoren in übereinstimmenden Dimensionen und Darstellungen, die das Suchsystem gemeinsam verarbeiten kann.
Eine dichte Feedforward-Schicht verarbeitet jedes Token mit ihrem vollständigen Parametersatz. Der für voyage-4-large beschriebene MoE-Ansatz verwendet einen Router und Experten-Feedforward-Netze und wählt die Experten aus, die jedes Token verarbeiten. Dadurch wird die gesamte Modellkapazität von den für ein bestimmtes Token aktiven Parametern getrennt. Voyage nennt für den MoE-Aufbau des Modells ein Aktivierungsverhältnis von 1/10 mit top-k-Routing.
Die technische Erklärung des Herstellers beschreibt außerdem zwei Entwicklungsentscheidungen. Die Expertenkapazität beeinflusst, ob überzählige Token eine Expertenschicht über einen Residualpfad umgehen; das Team wählte den größtmöglichen umsetzbaren Kapazitätsfaktor, um Verluste bei der Suchqualität zu vermeiden. In der letzten Trainingsphase werden die Routerparameter vor dem Zusammenführen der Modelle eingefroren, damit die Interpolation der Quellmodelle das erlernte Routing zur Expertenauswahl nicht verändert. Dies sind Merkmale der Modellvorbereitung, getrennt von den Textlängen- oder Kürzungseinstellungen bei der Eingabeaufbereitung.
Die offizielle Modelltabelle nennt ein Kontextfenster von 32.000 Token und wählbare Embeddings mit 256, 512, 1024 und 2048 Dimensionen; 1024 ist der Standard. Die Familie verwendet Matryoshka-Lernen für verschachtelte Darstellungsgrößen und unterstützt verschiedene Quantisierungen: 32-Bit-Gleitkommazahlen, vorzeichenbehaftete oder vorzeichenlose 8-Bit-Ganzzahlen und gepackte binäre Ausgabe.
Bei binärer Ausgabe ist die zurückgegebene Byteliste ein Achtel so lang wie die gewählte Dimension, weil jedes Byte acht Embedding-Bits enthält. Bewahren Sie Dimension und Datentyp zusammen mit dem Index auf und verwenden Sie eine Vergleichsmethode, die diese Darstellung unterstützt. Ein kleinerer oder komprimierter Vektor verändert die für die Suche verwendete Darstellung; bewerten Sie die zu tatsächlichen Fragen zurückgegebenen relevanten Passagen, bevor Sie ihn für eine Sammlung wählen.
Voyage empfiehlt die Rolle document für Korpuspassagen und die Rolle query für Suchformulierungen. Die Rollenoption fügt vor dem Einbetten die entsprechende Suchanweisung hinzu. Bewahren Sie die hilfreiche Überschrift, Bedingungen und Quellenstelle einer Passage und speichern Sie den zurückgegebenen Vektor zusammen mit dem Originaltext und einer stabilen Kennung.
In einer technischen Wissenssammlung sollte eine Frage zu einem Fehlermodus zur Passage führen, die diesen Modus und seine relevanten Bedingungen beschreibt. Bewahren Sie bei einer sprachübergreifenden Dokumentsammlung die Quellsprache auf und bewerten Sie die Fragen und Begriffe, nach denen Nutzer suchen werden. Die Veröffentlichung deckt Suchmaterial wie technische Dokumente, Gespräche, lange Dokumente, Code, Recht, Finanzen und Webtexte ab. Das Embedding findet mögliche relevante Inhalte; ein späterer Reranker oder Antwortschritt verwendet den Originaltext.
Der aktuelle Leitfaden des Herstellers erlaubt bis zu 1.000 Zeichenketten und insgesamt 120.000 Eingabetoken in einer Anfrage an voyage-4-large. Dies unterscheidet sich vom angegebenen Bündelumfang für voyage-4, während beide ein Fenster von 32.000 Token je Text haben. Die standardmäßige Kürzung verkürzt eine zu lange Eingabe auf die passende Länge; bei deaktivierter Kürzung führt ein zu langer Text zu einem Fehler.
Wählen Sie die Grenzen antworttragender Passagen bewusst, damit eine lange Quelle keine relevante Einschränkung an einem abgeschnittenen Ende verliert. Bewahren Sie die Quellenzuordnung bei der Rückgabe von Suchergebnissen und prüfen Sie den tatsächlichen Kandidatentext, statt Vektornähe als Bestätigung seines Inhalts zu behandeln. Die Kompatibilität des gemeinsamen Raums gilt für die dokumentierte Voyage-4-Textfamilie; kontextualisierte Abschnittsverarbeitung, Bild- und Video-Embeddings sowie spätere Modelleditionen bleiben eigene modellspezifische Abläufe.
", "aboutText": "voyage-4-large ist das führende Text-Embedding-Modell von Voyage AI in der Voyage-4-Familie. Es stellt Quellpassagen und Abfragen als numerische Vektoren für allgemeine und mehrsprachige Suche dar. Seine beiden besonderen Merkmale sind ein Mixture-of-Experts-Modellaufbau und der gemeinsame Embedding-Raum von voyage-4-large, voyage-4, voyage-4-lite und voyage-4-nano.\n\n### Gemeinsamer Raum: getrennte Modellauswahl für Korpus und Abfragen\n\nDer Hersteller beschreibt asymmetrische Suche: Dokumente können mit voyage-4-large eingebettet werden, während ein anderes Modell der Voyage-4-Familie die Abfragevektoren vorbereitet. Ein mit Large dargestellter Korpus kann beispielsweise mit Abfragen von voyage-4 durchsucht werden. So können beide Seiten der Suche unterschiedliche Modelle verwenden und zugleich im dokumentierten kompatiblen Raum bleiben.\n\nEine praktische Sammlung kann daher Large zur Aufbereitung beständiger Dokumentpassagen verwenden und das Modell auf der Abfrageseite unabhängig wählen. Dokumente werden beim Erstellen oder Aktualisieren des Korpus eingebettet, während Abfragen bei der Suche durch Nutzer vektorisiert werden. Die Familienankündigung beschreibt den Wechsel des Abfragemodells innerhalb der kompatiblen Familie, ohne allein deswegen den Dokumentkorpus erneut zu vektorisieren. Halten Sie verglichene Vektoren in übereinstimmenden Dimensionen und Darstellungen, die das Suchsystem gemeinsam verarbeiten kann.\n\n### Mixture-of-Experts-Aufbau für Embeddings\n\nEine dichte Feedforward-Schicht verarbeitet jedes Token mit ihrem vollständigen Parametersatz. Der für voyage-4-large beschriebene MoE-Ansatz verwendet einen Router und Experten-Feedforward-Netze und wählt die Experten aus, die jedes Token verarbeiten. Dadurch wird die gesamte Modellkapazität von den für ein bestimmtes Token aktiven Parametern getrennt. Voyage nennt für den MoE-Aufbau des Modells ein Aktivierungsverhältnis von 1/10 mit top-k-Routing.\n\nDie technische Erklärung des Herstellers beschreibt außerdem zwei Entwicklungsentscheidungen. Die Expertenkapazität beeinflusst, ob überzählige Token eine Expertenschicht über einen Residualpfad umgehen; das Team wählte den größtmöglichen umsetzbaren Kapazitätsfaktor, um Verluste bei der Suchqualität zu vermeiden. In der letzten Trainingsphase werden die Routerparameter vor dem Zusammenführen der Modelle eingefroren, damit die Interpolation der Quellmodelle das erlernte Routing zur Expertenauswahl nicht verändert. Dies sind Merkmale der Modellvorbereitung, getrennt von den Textlängen- oder Kürzungseinstellungen bei der Eingabeaufbereitung.\n\n### Dimensionen und Ausgabedarstellung\n\nDie offizielle Modelltabelle nennt ein Kontextfenster von 32.000 Token und wählbare Embeddings mit 256, 512, 1024 und 2048 Dimensionen; 1024 ist der Standard. Die Familie verwendet Matryoshka-Lernen für verschachtelte Darstellungsgrößen und unterstützt verschiedene Quantisierungen: 32-Bit-Gleitkommazahlen, vorzeichenbehaftete oder vorzeichenlose 8-Bit-Ganzzahlen und gepackte binäre Ausgabe.\n\nBei binärer Ausgabe ist die zurückgegebene Byteliste ein Achtel so lang wie die gewählte Dimension, weil jedes Byte acht Embedding-Bits enthält. Bewahren Sie Dimension und Datentyp zusammen mit dem Index auf und verwenden Sie eine Vergleichsmethode, die diese Darstellung unterstützt. Ein kleinerer oder komprimierter Vektor verändert die für die Suche verwendete Darstellung; bewerten Sie die zu tatsächlichen Fragen zurückgegebenen relevanten Passagen, bevor Sie ihn für eine Sammlung wählen.\n\n### Bereiten Sie Dokument- und Abfrageeingaben vor\n\nVoyage empfiehlt die Rolle document für Korpuspassagen und die Rolle query für Suchformulierungen. Die Rollenoption fügt vor dem Einbetten die entsprechende Suchanweisung hinzu. Bewahren Sie die hilfreiche Überschrift, Bedingungen und Quellenstelle einer Passage und speichern Sie den zurückgegebenen Vektor zusammen mit dem Originaltext und einer stabilen Kennung.\n\nIn einer technischen Wissenssammlung sollte eine Frage zu einem Fehlermodus zur Passage führen, die diesen Modus und seine relevanten Bedingungen beschreibt. Bewahren Sie bei einer sprachübergreifenden Dokumentsammlung die Quellsprache auf und bewerten Sie die Fragen und Begriffe, nach denen Nutzer suchen werden. Die Veröffentlichung deckt Suchmaterial wie technische Dokumente, Gespräche, lange Dokumente, Code, Recht, Finanzen und Webtexte ab. Das Embedding findet mögliche relevante Inhalte; ein späterer Reranker oder Antwortschritt verwendet den Originaltext.\n\n### Grenzen für Kontext, Bündelung und Kürzung\n\nDer aktuelle Leitfaden des Herstellers erlaubt bis zu 1.000 Zeichenketten und insgesamt 120.000 Eingabetoken in einer Anfrage an voyage-4-large. Dies unterscheidet sich vom angegebenen Bündelumfang für voyage-4, während beide ein Fenster von 32.000 Token je Text haben. Die standardmäßige Kürzung verkürzt eine zu lange Eingabe auf die passende Länge; bei deaktivierter Kürzung führt ein zu langer Text zu einem Fehler.\n\nWählen Sie die Grenzen antworttragender Passagen bewusst, damit eine lange Quelle keine relevante Einschränkung an einem abgeschnittenen Ende verliert. Bewahren Sie die Quellenzuordnung bei der Rückgabe von Suchergebnissen und prüfen Sie den tatsächlichen Kandidatentext, statt Vektornähe als Bestätigung seines Inhalts zu behandeln. Die Kompatibilität des gemeinsamen Raums gilt für die dokumentierte Voyage-4-Textfamilie; kontextualisierte Abschnittsverarbeitung, Bild- und Video-Embeddings sowie spätere Modelleditionen bleiben eigene modellspezifische Abläufe.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2598b84b2eabe8255943d38f5f07fabb8b6931f3cfac8873cf0a1b800223a254", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "voyageai/voyage-4-largevoyage-4-large ist das Mixture-of-Experts-Text-Embedding-Modell von Voyage AI für allgemeine und mehrsprachige Informationssuche. Seine Vektoren teilen den Raum der Voyage-4-Familie, sodass Korpus-Embeddings von Large mit kompatiblen Anfrage-Embeddings anderer Familienmodelle durchsucht werden können.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
voyage-4-large ist das führende Text-Embedding-Modell von Voyage AI in der Voyage-4-Familie. Es stellt Quellpassagen und Abfragen als numerische Vektoren für allgemeine und mehrsprachige Suche dar. Seine beiden besonderen Merkmale sind ein Mixture-of-Experts-Modellaufbau und der gemeinsame Embedding-Raum von voyage-4-large, voyage-4, voyage-4-lite und voyage-4-nano.
Der Hersteller beschreibt asymmetrische Suche: Dokumente können mit voyage-4-large eingebettet werden, während ein anderes Modell der Voyage-4-Familie die Abfragevektoren vorbereitet. Ein mit Large dargestellter Korpus kann beispielsweise mit Abfragen von voyage-4 durchsucht werden. So können beide Seiten der Suche unterschiedliche Modelle verwenden und zugleich im dokumentierten kompatiblen Raum bleiben.
Eine praktische Sammlung kann daher Large zur Aufbereitung beständiger Dokumentpassagen verwenden und das Modell auf der Abfrageseite unabhängig wählen. Dokumente werden beim Erstellen oder Aktualisieren des Korpus eingebettet, während Abfragen bei der Suche durch Nutzer vektorisiert werden. Die Familienankündigung beschreibt den Wechsel des Abfragemodells innerhalb der kompatiblen Familie, ohne allein deswegen den Dokumentkorpus erneut zu vektorisieren. Halten Sie verglichene Vektoren in übereinstimmenden Dimensionen und Darstellungen, die das Suchsystem gemeinsam verarbeiten kann.
Eine dichte Feedforward-Schicht verarbeitet jedes Token mit ihrem vollständigen Parametersatz. Der für voyage-4-large beschriebene MoE-Ansatz verwendet einen Router und Experten-Feedforward-Netze und wählt die Experten aus, die jedes Token verarbeiten. Dadurch wird die gesamte Modellkapazität von den für ein bestimmtes Token aktiven Parametern getrennt. Voyage nennt für den MoE-Aufbau des Modells ein Aktivierungsverhältnis von 1/10 mit top-k-Routing.
Die technische Erklärung des Herstellers beschreibt außerdem zwei Entwicklungsentscheidungen. Die Expertenkapazität beeinflusst, ob überzählige Token eine Expertenschicht über einen Residualpfad umgehen; das Team wählte den größtmöglichen umsetzbaren Kapazitätsfaktor, um Verluste bei der Suchqualität zu vermeiden. In der letzten Trainingsphase werden die Routerparameter vor dem Zusammenführen der Modelle eingefroren, damit die Interpolation der Quellmodelle das erlernte Routing zur Expertenauswahl nicht verändert. Dies sind Merkmale der Modellvorbereitung, getrennt von den Textlängen- oder Kürzungseinstellungen bei der Eingabeaufbereitung.
Die offizielle Modelltabelle nennt ein Kontextfenster von 32.000 Token und wählbare Embeddings mit 256, 512, 1024 und 2048 Dimensionen; 1024 ist der Standard. Die Familie verwendet Matryoshka-Lernen für verschachtelte Darstellungsgrößen und unterstützt verschiedene Quantisierungen: 32-Bit-Gleitkommazahlen, vorzeichenbehaftete oder vorzeichenlose 8-Bit-Ganzzahlen und gepackte binäre Ausgabe.
Bei binärer Ausgabe ist die zurückgegebene Byteliste ein Achtel so lang wie die gewählte Dimension, weil jedes Byte acht Embedding-Bits enthält. Bewahren Sie Dimension und Datentyp zusammen mit dem Index auf und verwenden Sie eine Vergleichsmethode, die diese Darstellung unterstützt. Ein kleinerer oder komprimierter Vektor verändert die für die Suche verwendete Darstellung; bewerten Sie die zu tatsächlichen Fragen zurückgegebenen relevanten Passagen, bevor Sie ihn für eine Sammlung wählen.
Voyage empfiehlt die Rolle document für Korpuspassagen und die Rolle query für Suchformulierungen. Die Rollenoption fügt vor dem Einbetten die entsprechende Suchanweisung hinzu. Bewahren Sie die hilfreiche Überschrift, Bedingungen und Quellenstelle einer Passage und speichern Sie den zurückgegebenen Vektor zusammen mit dem Originaltext und einer stabilen Kennung.
In einer technischen Wissenssammlung sollte eine Frage zu einem Fehlermodus zur Passage führen, die diesen Modus und seine relevanten Bedingungen beschreibt. Bewahren Sie bei einer sprachübergreifenden Dokumentsammlung die Quellsprache auf und bewerten Sie die Fragen und Begriffe, nach denen Nutzer suchen werden. Die Veröffentlichung deckt Suchmaterial wie technische Dokumente, Gespräche, lange Dokumente, Code, Recht, Finanzen und Webtexte ab. Das Embedding findet mögliche relevante Inhalte; ein späterer Reranker oder Antwortschritt verwendet den Originaltext.
Der aktuelle Leitfaden des Herstellers erlaubt bis zu 1.000 Zeichenketten und insgesamt 120.000 Eingabetoken in einer Anfrage an voyage-4-large. Dies unterscheidet sich vom angegebenen Bündelumfang für voyage-4, während beide ein Fenster von 32.000 Token je Text haben. Die standardmäßige Kürzung verkürzt eine zu lange Eingabe auf die passende Länge; bei deaktivierter Kürzung führt ein zu langer Text zu einem Fehler.
Wählen Sie die Grenzen antworttragender Passagen bewusst, damit eine lange Quelle keine relevante Einschränkung an einem abgeschnittenen Ende verliert. Bewahren Sie die Quellenzuordnung bei der Rückgabe von Suchergebnissen und prüfen Sie den tatsächlichen Kandidatentext, statt Vektornähe als Bestätigung seines Inhalts zu behandeln. Die Kompatibilität des gemeinsamen Raums gilt für die dokumentierte Voyage-4-Textfamilie; kontextualisierte Abschnittsverarbeitung, Bild- und Video-Embeddings sowie spätere Modelleditionen bleiben eigene modellspezifische Abläufe.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits voyageai/voyage-4-large | Standard— |
Feldinput | Typstring|string[]|integer[]|integer[][] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Nicht leerer, homogener Batch. Token-IDs sind nichtnegative Ganzzahlen. Eingabebudget: Maximum: 32.000 · Texteinheit: UTF8-Bytes · Tokeneinheit: Elemente des Token-Arrays | Standard— |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float | Standardfloat |
Felddimensions | Typinteger | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input |
Parameterinput_shapes | Vertragstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Vertragfloat |
Parameterdimensions_override | Vertragfalse |
Parametermax_input_budget_units | Vertrag32000 |
Parametermultimodal_objects | Vertragfalse |
Parametermaterial_types | Vertragtext, token_ids |
Lebenszyklus: synchronous_json
Jeden Vektorindex und jede Dimension beibehalten.
Ein multimodaler Modellname erlaubt auf genau diesem Pfad keine Bildobjekte.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00024 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "voyageai/voyage-4-large", "input": ["First document", "Second document"]}')\n\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\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='voyageai/voyage-4-large',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jeden Vektor mit seinem Index beibehalten. Die Anzahl der Vektoren muss der Anzahl der Eingaben entsprechen; die Dimensionen müssen konsistent sein.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Feldobject | Typstring |
Feldmodel | Typstring |
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[] |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra voyageai/voyage-4-large
Verwenden Sie die oben angezeigten Methodenpfade.