{ "aboutHtml": "

voyage-4 est le modèle de plongement textuel de taille intermédiaire de Voyage AI dans la famille Voyage 4. Il convertit le texte des requêtes et des documents en vecteurs numériques pour la recherche généraliste et multilingue. La capacité caractéristique de la famille est un espace de plongement partagé : voyage-4, voyage-4-large, voyage-4-lite et voyage-4-nano produisent des représentations compatibles, permettant aux côtés requête et document d’une tâche de recherche d’utiliser des modèles différents de cette famille.

Espace partagé et recherche asymétrique

Le fabricant appelle recherche asymétrique l’utilisation de modèles différents pour les requêtes et le corpus. Un schéma documenté consiste à préparer le corpus avec voyage-4-large et à l’interroger au moyen de plongements de requêtes voyage-4. Le corpus est encodé une fois ou lorsque ses sources changent, tandis que les vecteurs de requêtes sont créés à l’arrivée des recherches. L’espace partagé permet de changer le modèle du côté des requêtes au sein de la famille sans devoir réencoder le corpus uniquement pour ce changement.

Gardez une dimension de sortie et une représentation compatibles entre les vecteurs comparés. La déclaration d’espace partagé concerne les modèles textuels nommés Voyage 4 ; elle n’est pas établie simplement parce que deux modèles sans rapport renvoient des tableaux de même longueur. Une tâche concrète peut donc utiliser voyage-4 des deux côtés de la recherche ou utiliser ses vecteurs de requêtes avec un index documentaire voyage-4-large existant lorsque leurs réglages de représentation correspondent.

Rôles de requête et de document

Pour la recherche, Voyage recommande d’identifier le texte d’entrée comme une requête ou un document. L’option de rôle d’entrée fournit l’instruction de recherche correspondante avant la vectorisation. Préparez les passages du corpus comme des documents et la formulation de recherche de l’utilisateur comme une requête, en conservant le texte source réel et les identifiants avec chaque vecteur stocké.

Par exemple, une collection de recherche de connaissances peut indexer des instructions techniques et des explications produit. Une requête sur ce qui se passe après un échec d’import doit renvoyer le passage source décrivant ce comportement. Préservez les titres, les conditions pertinentes et l’emplacement source avec le passage, afin que le résultat obtenu puisse être examiné ou utilisé par une étape ultérieure de réponse RAG. Le plongement est la représentation numérique de recherche ; le passage sous-jacent constitue les éléments utilisés à cette étape ultérieure.

Dimensions et types de données de sortie

La fenêtre de contexte documentée par texte est de 32 000 tokens. Les dimensions sélectionnables sont 256, 512, 1024 et 2048, avec 1024 par défaut. L’apprentissage Matryoshka fournit ces tailles de représentation imbriquées. La sortie peut utiliser des nombres à virgule flottante de 32 bits, des entiers signés ou non signés de 8 bits, ou des valeurs binaires compactées, grâce à la préparation de la famille tenant compte de la quantification.

Avec une sortie binaire compactée, chaque octet renvoyé stocke huit bits de plongement ; la longueur de la liste d’octets est donc égale au huitième de la dimension sélectionnée. Le nombre d’octets et la dimension du plongement ont des sens différents. Choisissez une représentation interprétable par votre index de recherche et examinez la pertinence des candidats pour les questions et les langues réellement utilisées par la collection avant de choisir une configuration compressée.

Longueur d’entrée, traitement par lots et troncature

Le guide actuel de plongement textuel du fabricant autorise jusqu’à 1000 chaînes et 320 000 tokens au total dans une requête voyage-4. Le budget par lot est distinct de la fenêtre de 32 000 tokens pour chaque entrée. La troncature est activée par défaut : un texte trop long est raccourci pour tenir dans la fenêtre. Si elle est désactivée, un élément trop long produit une erreur à la place.

Pour un long rapport ou une transcription, préparez délibérément des passages contenant des réponses, plutôt que de compter sur une coupure à la limite d’entrée. Gardez chaque passage lié à son document parent et à la version de la source. Les entrées ordinaires de plongement voyage-4 sont des textes individuels ; le traitement contextualisé de groupes de segments relève des modèles de plongement contextuel documentés séparément.

Utiliser le résultat de recherche

Stockez les vecteurs avec le texte des passages et des identifiants sources stables, comparez chaque vecteur de requête aux vecteurs documentaires compatibles et renvoyez des passages candidats. La publication de la famille évalue la recherche sur des matériaux comprenant des documents techniques, des conversations, de longs documents, du code, du droit, de la finance et du texte web. Un reclasseur distinct peut affiner les candidats et une étape ultérieure de réponse peut utiliser leur texte. Évaluez ces passages renvoyés au regard de la tâche ; la compatibilité d’espace partagé permet la combinaison de modèles, tandis que l’utilité d’un résultat dépend toujours des sources et de la question.

", "aboutText": "voyage-4 est le modèle de plongement textuel de taille intermédiaire de Voyage AI dans la famille Voyage 4. Il convertit le texte des requêtes et des documents en vecteurs numériques pour la recherche généraliste et multilingue. La capacité caractéristique de la famille est un espace de plongement partagé : voyage-4, voyage-4-large, voyage-4-lite et voyage-4-nano produisent des représentations compatibles, permettant aux côtés requête et document d’une tâche de recherche d’utiliser des modèles différents de cette famille.\n\n### Espace partagé et recherche asymétrique\n\nLe fabricant appelle recherche asymétrique l’utilisation de modèles différents pour les requêtes et le corpus. Un schéma documenté consiste à préparer le corpus avec voyage-4-large et à l’interroger au moyen de plongements de requêtes voyage-4. Le corpus est encodé une fois ou lorsque ses sources changent, tandis que les vecteurs de requêtes sont créés à l’arrivée des recherches. L’espace partagé permet de changer le modèle du côté des requêtes au sein de la famille sans devoir réencoder le corpus uniquement pour ce changement.\n\nGardez une dimension de sortie et une représentation compatibles entre les vecteurs comparés. La déclaration d’espace partagé concerne les modèles textuels nommés Voyage 4 ; elle n’est pas établie simplement parce que deux modèles sans rapport renvoient des tableaux de même longueur. Une tâche concrète peut donc utiliser voyage-4 des deux côtés de la recherche ou utiliser ses vecteurs de requêtes avec un index documentaire voyage-4-large existant lorsque leurs réglages de représentation correspondent.\n\n### Rôles de requête et de document\n\nPour la recherche, Voyage recommande d’identifier le texte d’entrée comme une requête ou un document. L’option de rôle d’entrée fournit l’instruction de recherche correspondante avant la vectorisation. Préparez les passages du corpus comme des documents et la formulation de recherche de l’utilisateur comme une requête, en conservant le texte source réel et les identifiants avec chaque vecteur stocké.\n\nPar exemple, une collection de recherche de connaissances peut indexer des instructions techniques et des explications produit. Une requête sur ce qui se passe après un échec d’import doit renvoyer le passage source décrivant ce comportement. Préservez les titres, les conditions pertinentes et l’emplacement source avec le passage, afin que le résultat obtenu puisse être examiné ou utilisé par une étape ultérieure de réponse RAG. Le plongement est la représentation numérique de recherche ; le passage sous-jacent constitue les éléments utilisés à cette étape ultérieure.\n\n### Dimensions et types de données de sortie\n\nLa fenêtre de contexte documentée par texte est de 32 000 tokens. Les dimensions sélectionnables sont 256, 512, 1024 et 2048, avec 1024 par défaut. L’apprentissage Matryoshka fournit ces tailles de représentation imbriquées. La sortie peut utiliser des nombres à virgule flottante de 32 bits, des entiers signés ou non signés de 8 bits, ou des valeurs binaires compactées, grâce à la préparation de la famille tenant compte de la quantification.\n\nAvec une sortie binaire compactée, chaque octet renvoyé stocke huit bits de plongement ; la longueur de la liste d’octets est donc égale au huitième de la dimension sélectionnée. Le nombre d’octets et la dimension du plongement ont des sens différents. Choisissez une représentation interprétable par votre index de recherche et examinez la pertinence des candidats pour les questions et les langues réellement utilisées par la collection avant de choisir une configuration compressée.\n\n### Longueur d’entrée, traitement par lots et troncature\n\nLe guide actuel de plongement textuel du fabricant autorise jusqu’à 1000 chaînes et 320 000 tokens au total dans une requête voyage-4. Le budget par lot est distinct de la fenêtre de 32 000 tokens pour chaque entrée. La troncature est activée par défaut : un texte trop long est raccourci pour tenir dans la fenêtre. Si elle est désactivée, un élément trop long produit une erreur à la place.\n\nPour un long rapport ou une transcription, préparez délibérément des passages contenant des réponses, plutôt que de compter sur une coupure à la limite d’entrée. Gardez chaque passage lié à son document parent et à la version de la source. Les entrées ordinaires de plongement voyage-4 sont des textes individuels ; le traitement contextualisé de groupes de segments relève des modèles de plongement contextuel documentés séparément.\n\n### Utiliser le résultat de recherche\n\nStockez les vecteurs avec le texte des passages et des identifiants sources stables, comparez chaque vecteur de requête aux vecteurs documentaires compatibles et renvoyez des passages candidats. La publication de la famille évalue la recherche sur des matériaux comprenant des documents techniques, des conversations, de longs documents, du code, du droit, de la finance et du texte web. Un reclasseur distinct peut affiner les candidats et une étape ultérieure de réponse peut utiliser leur texte. Évaluez ces passages renvoyés au regard de la tâche ; la compatibilité d’espace partagé permet la combinaison de modèles, tandis que l’utilité d’un résultat dépend toujours des sources et de la question.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bf3be7bc7fd6b5a06ce12a54316a91dd2a60c17d1150352b6b02687130c2c868", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-4

VoyageAI by MongoDB /voyageai/voyage-4

Premiers pas

voyage-4 encode du texte pour la recherche généraliste et multilingue, avec un espace vectoriel partagé dans la famille Voyage 4. Il prend en charge des entrées de 32 000 tokens, des sorties sélectionnables de 256 à 2048 dimensions et des rôles query/document pour la recherche et le RAG.

Entrées acceptées
Texte · token_ids
Résultats
embedding
À propos du modèle

Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.

voyage-4 est le modèle de plongement textuel de taille intermédiaire de Voyage AI dans la famille Voyage 4. Il convertit le texte des requêtes et des documents en vecteurs numériques pour la recherche généraliste et multilingue. La capacité caractéristique de la famille est un espace de plongement partagé : voyage-4, voyage-4-large, voyage-4-lite et voyage-4-nano produisent des représentations compatibles, permettant aux côtés requête et document d’une tâche de recherche d’utiliser des modèles différents de cette famille.

Espace partagé et recherche asymétrique

Le fabricant appelle recherche asymétrique l’utilisation de modèles différents pour les requêtes et le corpus. Un schéma documenté consiste à préparer le corpus avec voyage-4-large et à l’interroger au moyen de plongements de requêtes voyage-4. Le corpus est encodé une fois ou lorsque ses sources changent, tandis que les vecteurs de requêtes sont créés à l’arrivée des recherches. L’espace partagé permet de changer le modèle du côté des requêtes au sein de la famille sans devoir réencoder le corpus uniquement pour ce changement.

Gardez une dimension de sortie et une représentation compatibles entre les vecteurs comparés. La déclaration d’espace partagé concerne les modèles textuels nommés Voyage 4 ; elle n’est pas établie simplement parce que deux modèles sans rapport renvoient des tableaux de même longueur. Une tâche concrète peut donc utiliser voyage-4 des deux côtés de la recherche ou utiliser ses vecteurs de requêtes avec un index documentaire voyage-4-large existant lorsque leurs réglages de représentation correspondent.

Rôles de requête et de document

Pour la recherche, Voyage recommande d’identifier le texte d’entrée comme une requête ou un document. L’option de rôle d’entrée fournit l’instruction de recherche correspondante avant la vectorisation. Préparez les passages du corpus comme des documents et la formulation de recherche de l’utilisateur comme une requête, en conservant le texte source réel et les identifiants avec chaque vecteur stocké.

Par exemple, une collection de recherche de connaissances peut indexer des instructions techniques et des explications produit. Une requête sur ce qui se passe après un échec d’import doit renvoyer le passage source décrivant ce comportement. Préservez les titres, les conditions pertinentes et l’emplacement source avec le passage, afin que le résultat obtenu puisse être examiné ou utilisé par une étape ultérieure de réponse RAG. Le plongement est la représentation numérique de recherche ; le passage sous-jacent constitue les éléments utilisés à cette étape ultérieure.

Dimensions et types de données de sortie

La fenêtre de contexte documentée par texte est de 32 000 tokens. Les dimensions sélectionnables sont 256, 512, 1024 et 2048, avec 1024 par défaut. L’apprentissage Matryoshka fournit ces tailles de représentation imbriquées. La sortie peut utiliser des nombres à virgule flottante de 32 bits, des entiers signés ou non signés de 8 bits, ou des valeurs binaires compactées, grâce à la préparation de la famille tenant compte de la quantification.

Avec une sortie binaire compactée, chaque octet renvoyé stocke huit bits de plongement ; la longueur de la liste d’octets est donc égale au huitième de la dimension sélectionnée. Le nombre d’octets et la dimension du plongement ont des sens différents. Choisissez une représentation interprétable par votre index de recherche et examinez la pertinence des candidats pour les questions et les langues réellement utilisées par la collection avant de choisir une configuration compressée.

Longueur d’entrée, traitement par lots et troncature

Le guide actuel de plongement textuel du fabricant autorise jusqu’à 1000 chaînes et 320 000 tokens au total dans une requête voyage-4. Le budget par lot est distinct de la fenêtre de 32 000 tokens pour chaque entrée. La troncature est activée par défaut : un texte trop long est raccourci pour tenir dans la fenêtre. Si elle est désactivée, un élément trop long produit une erreur à la place.

Pour un long rapport ou une transcription, préparez délibérément des passages contenant des réponses, plutôt que de compter sur une coupure à la limite d’entrée. Gardez chaque passage lié à son document parent et à la version de la source. Les entrées ordinaires de plongement voyage-4 sont des textes individuels ; le traitement contextualisé de groupes de segments relève des modèles de plongement contextuel documentés séparément.

Utiliser le résultat de recherche

Stockez les vecteurs avec le texte des passages et des identifiants sources stables, comparez chaque vecteur de requête aux vecteurs documentaires compatibles et renvoyez des passages candidats. La publication de la famille évalue la recherche sur des matériaux comprenant des documents techniques, des conversations, de longs documents, du code, du droit, de la finance et du texte web. Un reclasseur distinct peut affiner les candidats et une étape ultérieure de réponse peut utiliser leur texte. Évaluez ces passages renvoyés au regard de la tâche ; la compatibilité d’espace partagé permet la combinaison de modèles, tandis que l’utilité d’un résultat dépend toujours des sources et de la question.

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Embeddings POST /v1/embeddings
Entrée
text, token_ids
Sortie
embedding
Contexte
32 000 tokens
Format de sortie
json
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
voyageai/voyage-4
Par défaut—
ChampinputTypestring|string[]|integer[]|integer[][]ExigenceObligatoireValeurs et limites
Nombre minimal d’éléments: 1
Conditions: Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls.
Budget d’entrée : Maximum: 32 000 · Unité de texte: octets UTF8 · Unité de tokens: éléments du tableau de tokens
Par défaut—
Champencoding_formatTypestringExigenceFacultatifValeurs et limites
float
Par défautfloat
ChampdimensionsTypeintegerExigenceNon pris en chargeValeurs et limites
Minimum: 1
Par défaut—
ChampuserTypejson_valueExigenceFacultatifValeurs et limites
Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.
Par défaut—
Champsession_idTypejson_valueExigenceFacultatifValeurs et limites
Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.
Par défaut—
ChamptraceTypejson_valueExigenceFacultatifValeurs et limites
Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.
Par défaut—
ChampproviderTypeobjectExigenceFacultatifValeurs et limites
Conditions: provider.options est refusé
Par défaut—
Combinaisons d’éléments d’entrée

text_to_embedding

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, input
Paramètreinput_shapesContratstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Paramètreencoding_formatContratfloat
Paramètredimensions_overrideContratfalse
Paramètremax_input_budget_unitsContrat32000
Paramètremultimodal_objectsContratfalse
Paramètrematerial_typesContrattext, token_ids

Cycle de vie : synchronous_json

Conservez tous les indices et toutes les dimensions des vecteurs.

Un nom de modèle multimodal n’autorise pas les objets image sur ce chemin précis.

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Tarif standard Lorsque le mode rapide est sélectionné
Mode Flex
Tarif standard Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Tarif standard Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

ConfigurationBarème tarifaireCoût
ConfigurationTarifs de base des tokensBarème tarifaireTarif de baseCoût
Entrée · Tokens en entrée $0.00012 / 1K tokens
Sortie · Tokens en sortie $0 / 1K tokens
Entrée · Lecture du cache — / 1K tokens
Entrée · Écriture dans le cache — / 1K tokens
Entrée · Écriture dans le cache, 1 h — / 1K tokens

Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →

Exemples de requêtes

Ailoot Ultra · Embeddings

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", "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\n

Recevoir et enregistrer les résultats

Ailoot Ultra · Embeddings

json

Conserver tous les résultats terminés

Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.

Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes.

Si la réponse d’origine doit être vérifiée

Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.

Champs de la réponse
ChampType
ChampobjectTypestring
ChampmodelTypestring
Champdata[].indexTypeinteger
Champdata[].embeddingTypefinite float[]
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non validesÉtape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.

Alias

Alias du modèle

Ailoot Ultra voyageai/voyage-4

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

voyageai/voyage-4

", "method_identity": { "effective_request_model_id": "voyageai/voyage-4", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-4", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-4", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Champs obligatoires, représentation des contenus ou valeur de paramètre non valides", "http_status": 400, "recovery": "Corrigez les champs indiqués avant une nouvelle requête de création.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "voyageai/voyage-4" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32000, "text_unit": "octets UTF8", "token_unit": "éléments du tableau de tokens" }, "conditions": "Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options est refusé", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Conservez tous les indices et toutes les dimensions des vecteurs.", "Un nom de modèle multimodal n’autorise pas les objets image sur ce chemin précis." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 32000, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 32000, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarifs de base des tokens", "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\", \"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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.12, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mode rapide", "value": "Tarif standard", "when": "Lorsque le mode rapide est sélectionné" }, { "label": "Mode Flex", "value": "Tarif standard", "when": "Lorsque le mode flex est sélectionné" }, { "label": "Effort de raisonnement maximal", "value": "Tarif standard", "when": "Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "voyageai/voyage-4", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "voyageai/voyage-4", "nativeProvenance": { "input_facts_canonical_sha256": "404c96d64aaae66e1ade4d60f36b50509b6b57f62fb51f30725f368526bd05ee", "input_html_sha256": "c8bf496eb7c11affc4ae4eacd1687d8ff35a2b32955c3ac90b070d51acb37921", "private_audit_sha256": "21f3b42f4226f97fa78d0adcd246797d0a2191fc5a921c458215564e45345dcd", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fr-be/voyageai-voyage-4/", "description": "voyage-4 encode du texte pour la recherche généraliste et multilingue, avec un espace vectoriel partagé dans la famille Voyage 4. Il prend en charge des entrées de 32 000 tokens, des sorties sélectionnables de 256 à 2048 dimensions et des rôles query/document pour la recherche et le RAG.", "locale": "fr-be", "md_url": "https://ailoot.ai/models/fr-be/voyageai-voyage-4/index.md", "title": "VoyageAI by MongoDB: voyage-4 — Ailoot", "url": "https://ailoot.ai/models/fr-be/voyageai-voyage-4/" }, "rawModel": { "about": "voyage-4 est le modèle de plongement textuel de taille intermédiaire de Voyage AI dans la famille Voyage 4. Il convertit le texte des requêtes et des documents en vecteurs numériques pour la recherche généraliste et multilingue. La capacité caractéristique de la famille est un espace de plongement partagé : voyage-4, voyage-4-large, voyage-4-lite et voyage-4-nano produisent des représentations compatibles, permettant aux côtés requête et document d’une tâche de recherche d’utiliser des modèles différents de cette famille.\n\n### Espace partagé et recherche asymétrique\n\nLe fabricant appelle recherche asymétrique l’utilisation de modèles différents pour les requêtes et le corpus. Un schéma documenté consiste à préparer le corpus avec voyage-4-large et à l’interroger au moyen de plongements de requêtes voyage-4. Le corpus est encodé une fois ou lorsque ses sources changent, tandis que les vecteurs de requêtes sont créés à l’arrivée des recherches. L’espace partagé permet de changer le modèle du côté des requêtes au sein de la famille sans devoir réencoder le corpus uniquement pour ce changement.\n\nGardez une dimension de sortie et une représentation compatibles entre les vecteurs comparés. La déclaration d’espace partagé concerne les modèles textuels nommés Voyage 4 ; elle n’est pas établie simplement parce que deux modèles sans rapport renvoient des tableaux de même longueur. Une tâche concrète peut donc utiliser voyage-4 des deux côtés de la recherche ou utiliser ses vecteurs de requêtes avec un index documentaire voyage-4-large existant lorsque leurs réglages de représentation correspondent.\n\n### Rôles de requête et de document\n\nPour la recherche, Voyage recommande d’identifier le texte d’entrée comme une requête ou un document. L’option de rôle d’entrée fournit l’instruction de recherche correspondante avant la vectorisation. Préparez les passages du corpus comme des documents et la formulation de recherche de l’utilisateur comme une requête, en conservant le texte source réel et les identifiants avec chaque vecteur stocké.\n\nPar exemple, une collection de recherche de connaissances peut indexer des instructions techniques et des explications produit. Une requête sur ce qui se passe après un échec d’import doit renvoyer le passage source décrivant ce comportement. Préservez les titres, les conditions pertinentes et l’emplacement source avec le passage, afin que le résultat obtenu puisse être examiné ou utilisé par une étape ultérieure de réponse RAG. Le plongement est la représentation numérique de recherche ; le passage sous-jacent constitue les éléments utilisés à cette étape ultérieure.\n\n### Dimensions et types de données de sortie\n\nLa fenêtre de contexte documentée par texte est de 32 000 tokens. Les dimensions sélectionnables sont 256, 512, 1024 et 2048, avec 1024 par défaut. L’apprentissage Matryoshka fournit ces tailles de représentation imbriquées. La sortie peut utiliser des nombres à virgule flottante de 32 bits, des entiers signés ou non signés de 8 bits, ou des valeurs binaires compactées, grâce à la préparation de la famille tenant compte de la quantification.\n\nAvec une sortie binaire compactée, chaque octet renvoyé stocke huit bits de plongement ; la longueur de la liste d’octets est donc égale au huitième de la dimension sélectionnée. Le nombre d’octets et la dimension du plongement ont des sens différents. Choisissez une représentation interprétable par votre index de recherche et examinez la pertinence des candidats pour les questions et les langues réellement utilisées par la collection avant de choisir une configuration compressée.\n\n### Longueur d’entrée, traitement par lots et troncature\n\nLe guide actuel de plongement textuel du fabricant autorise jusqu’à 1000 chaînes et 320 000 tokens au total dans une requête voyage-4. Le budget par lot est distinct de la fenêtre de 32 000 tokens pour chaque entrée. La troncature est activée par défaut : un texte trop long est raccourci pour tenir dans la fenêtre. Si elle est désactivée, un élément trop long produit une erreur à la place.\n\nPour un long rapport ou une transcription, préparez délibérément des passages contenant des réponses, plutôt que de compter sur une coupure à la limite d’entrée. Gardez chaque passage lié à son document parent et à la version de la source. Les entrées ordinaires de plongement voyage-4 sont des textes individuels ; le traitement contextualisé de groupes de segments relève des modèles de plongement contextuel documentés séparément.\n\n### Utiliser le résultat de recherche\n\nStockez les vecteurs avec le texte des passages et des identifiants sources stables, comparez chaque vecteur de requête aux vecteurs documentaires compatibles et renvoyez des passages candidats. La publication de la famille évalue la recherche sur des matériaux comprenant des documents techniques, des conversations, de longs documents, du code, du droit, de la finance et du texte web. Un reclasseur distinct peut affiner les candidats et une étape ultérieure de réponse peut utiliser leur texte. Évaluez ces passages renvoyés au regard de la tâche ; la compatibilité d’espace partagé permet la combinaison de modèles, tandis que l’utilité d’un résultat dépend toujours des sources et de la question.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-4", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "La tarification complète de la configuration figure dans les détails." } ], "ctx": 32000, "entity_type": "model", "formats": [ "embeddings" ], "id": "voyageai/voyage-4", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Champs obligatoires, représentation des contenus ou valeur de paramètre non valides", "http_status": 400, "recovery": "Corrigez les champs indiqués avant une nouvelle requête de création.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "voyageai/voyage-4" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32000, "text_unit": "octets UTF8", "token_unit": "éléments du tableau de tokens" }, "conditions": "Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options est refusé", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Conservez tous les indices et toutes les dimensions des vecteurs.", "Un nom de modèle multimodal n’autorise pas les objets image sur ce chemin précis." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 32000, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 32000, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarifs de base des tokens", "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\", \"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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.12, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mode rapide", "value": "Tarif standard", "when": "Lorsque le mode rapide est sélectionné" }, { "label": "Mode Flex", "value": "Tarif standard", "when": "Lorsque le mode flex est sélectionné" }, { "label": "Effort de raisonnement maximal", "value": "Tarif standard", "when": "Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "voyageai/voyage-4", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "voyageai/voyage-4", "request_model_id": "voyageai/voyage-4", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-4", "price": { "in": 0.12, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.12, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "public_id": "voyageai/voyage-4", "short": "voyage-4 encode du texte pour la recherche généraliste et multilingue, avec un espace vectoriel partagé dans la famille Voyage 4. Il prend en charge des entrées de 32 000 tokens, des sorties sélectionnables de 256 à 2048 dimensions et des rôles query/document pour la recherche et le RAG." }, "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 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "voyage-4 encode du texte pour la recherche généraliste et multilingue, avec un espace vectoriel partagé dans la famille Voyage 4. Il prend en charge des entrées de 32 000 tokens, des sorties sélectionnables de 256 à 2048 dimensions et des rôles query/document pour la recherche et le RAG.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "4b16248629dc3ad09abe4ca56891410b2292e7b2567669a526dd7e106340b3ab", "renderer_sha256": "9d578ff8df69ef70403308c9943a1179a11b94114c10b333bf1c012005d4a7f4" }, "sourceRevision": "f57eb44b900082addb7c3780a3763782ae15b3617719c0c5404b12d5f9a03aeb" }