{ "aboutHtml": "

voyage-multimodal-3.5 est le modèle de plongement de Voyage AI pour la recherche dans le texte, les images et la vidéo. Il traite du texte et du contenu visuel entrelacés au moyen d’un encodeur transformer unique, en représentant une entrée multimodale complète dans un espace vectoriel partagé. L’édition 3.5 ajoute la prise en charge explicite des images vidéo et des dimensions de plongement flexibles.

Préserver la relation entre texte et éléments visuels

Préparez une page ou une section de document sous une forme préservant ses informations visuelles utiles. Une diapositive contenant un graphique et une courte explication peut être représentée par son image et le texte associé dans la même entrée ordonnée. Pour une collection fondée sur des PDF, l’entrée visuelle documentée est une capture de page ou une autre représentation du document sous forme d’image.

Pour un graphique de rapport, gardez le titre, les libellés des axes et la légende dans l’image. Joignez du texte explicatif lorsqu’il apporte le contexte nécessaire à l’interprétation du visuel. Stockez le numéro de page et l’identifiant de la source avec le vecteur obtenu, afin qu’un candidat retrouvé permette d’ouvrir la page pertinente plutôt que de simplement renvoyer un nom de document.

Le format d’entrée du fabricant prend en charge des séquences de texte, d’images et de vidéos. Ses formats d’image publiés sont PNG, JPEG, WebP et GIF, avec MP4 pour la vidéo. Le contenu visuel peut être représenté par des URL ou des données Base64 selon la recette documentée ; gardez un même style de représentation au sein d’une requête.

Retrouver une scène plutôt qu’une longue vidéo entière

Le modèle représente la vidéo comme une séquence ordonnée d’images. Le fabricant recommande de diviser une longue vidéo en scènes liées, d’aligner les limites des scènes sur les horodatages disponibles de la transcription et de conserver le texte de transcription correspondant. Une résolution plus basse ou une fréquence d’images réduite peuvent aider une scène sémantiquement continue à tenir dans son budget de contexte.

Pour une collection de vidéos de formation, une requête pourrait demander la scène montrant le réglage d’une commande particulière. Associez chaque scène indexée à sa plage temporelle. Renvoyez la scène correspondante et examinez les images ou l’extrait d’origine pour vérifier l’action réelle, plutôt que de traiter le vecteur retrouvé comme une description écrite de tout l’enregistrement.

Le texte de transcription peut contribuer lorsqu’il est préparé comme une partie de l’entrée multimodale. Le plongement des images vidéo ne fournit pas lui-même de transcription vocale.

Contexte et limites de préparation

La longueur de contexte annoncée est de 32 000 tokens par entrée. Voyage compte chaque ensemble de 560 pixels d’image et de 1120 pixels vidéo comme un token dans son calcul publié ; le contenu visuel partage donc ce budget avec le texte. Les limites documentées comprennent aussi 16 millions de pixels et 20 MB par image, ainsi que 20 MB par vidéo. Une liste contient au maximum 1000 entrées et 320 000 tokens cumulés.

Le réglage de troncature par défaut coupe une entrée trop longue ; si cette limite tombe au milieu d’une image, l’image entière est supprimée. Préparer des pages ou des scènes complètes dans le budget préserve donc un contenu d’entrée plus prévisible. L’autre réglage documenté rejette les entrées trop longues au lieu de les tronquer.

Dimensions vectorielles et rôles de recherche

La dimension de sortie par défaut est de 1024, avec des dimensions de 256, 512 et 2048 également documentées pour cette édition. L’annonce décrit des plongements Matryoshka et des représentations à virgule flottante, en entiers signés ou non signés de 8 bits, et binaires. Conservez la dimension et la représentation choisies avec l’index.

La recette de recherche de Voyage distingue les entrées de requête et de document. Une requête peut être du texte ou une image, et les documents indexés peuvent combiner texte et éléments visuels. Un vecteur représente chaque séquence d’entrée complète ; stockez son association avec la page source, l’image ou la scène afin que le résultat classé reste examinable.

Utiliser la source visuelle renvoyée

Une étape de recherche peut trouver une page de rapport, un tableau, une diapositive ou une scène pertinents pour la requête. L’étape de rédaction de réponse ou d’analyse lit ensuite cette source. Pour un tableau, examinez les en-têtes et les valeurs réels avant d’utiliser un résultat ; pour une scène, examinez les images pertinentes et le texte associé.

La différence substantielle par rapport à voyage-multimodal-3 est la prise en charge explicite de la vidéo et les choix supplémentaires de représentation de l’édition 3.5. Ce sont des capacités de plongement pour retrouver des sources, avec des vecteurs numériques en sortie plutôt que des images, une vidéo ou une réponse narrative générées.

", "aboutText": "voyage-multimodal-3.5 est le modèle de plongement de Voyage AI pour la recherche dans le texte, les images et la vidéo. Il traite du texte et du contenu visuel entrelacés au moyen d’un encodeur transformer unique, en représentant une entrée multimodale complète dans un espace vectoriel partagé. L’édition 3.5 ajoute la prise en charge explicite des images vidéo et des dimensions de plongement flexibles.\n\n### Préserver la relation entre texte et éléments visuels\n\nPréparez une page ou une section de document sous une forme préservant ses informations visuelles utiles. Une diapositive contenant un graphique et une courte explication peut être représentée par son image et le texte associé dans la même entrée ordonnée. Pour une collection fondée sur des PDF, l’entrée visuelle documentée est une capture de page ou une autre représentation du document sous forme d’image.\n\nPour un graphique de rapport, gardez le titre, les libellés des axes et la légende dans l’image. Joignez du texte explicatif lorsqu’il apporte le contexte nécessaire à l’interprétation du visuel. Stockez le numéro de page et l’identifiant de la source avec le vecteur obtenu, afin qu’un candidat retrouvé permette d’ouvrir la page pertinente plutôt que de simplement renvoyer un nom de document.\n\nLe format d’entrée du fabricant prend en charge des séquences de texte, d’images et de vidéos. Ses formats d’image publiés sont PNG, JPEG, WebP et GIF, avec MP4 pour la vidéo. Le contenu visuel peut être représenté par des URL ou des données Base64 selon la recette documentée ; gardez un même style de représentation au sein d’une requête.\n\n### Retrouver une scène plutôt qu’une longue vidéo entière\n\nLe modèle représente la vidéo comme une séquence ordonnée d’images. Le fabricant recommande de diviser une longue vidéo en scènes liées, d’aligner les limites des scènes sur les horodatages disponibles de la transcription et de conserver le texte de transcription correspondant. Une résolution plus basse ou une fréquence d’images réduite peuvent aider une scène sémantiquement continue à tenir dans son budget de contexte.\n\nPour une collection de vidéos de formation, une requête pourrait demander la scène montrant le réglage d’une commande particulière. Associez chaque scène indexée à sa plage temporelle. Renvoyez la scène correspondante et examinez les images ou l’extrait d’origine pour vérifier l’action réelle, plutôt que de traiter le vecteur retrouvé comme une description écrite de tout l’enregistrement.\n\nLe texte de transcription peut contribuer lorsqu’il est préparé comme une partie de l’entrée multimodale. Le plongement des images vidéo ne fournit pas lui-même de transcription vocale.\n\n### Contexte et limites de préparation\n\nLa longueur de contexte annoncée est de 32 000 tokens par entrée. Voyage compte chaque ensemble de 560 pixels d’image et de 1120 pixels vidéo comme un token dans son calcul publié ; le contenu visuel partage donc ce budget avec le texte. Les limites documentées comprennent aussi 16 millions de pixels et 20 MB par image, ainsi que 20 MB par vidéo. Une liste contient au maximum 1000 entrées et 320 000 tokens cumulés.\n\nLe réglage de troncature par défaut coupe une entrée trop longue ; si cette limite tombe au milieu d’une image, l’image entière est supprimée. Préparer des pages ou des scènes complètes dans le budget préserve donc un contenu d’entrée plus prévisible. L’autre réglage documenté rejette les entrées trop longues au lieu de les tronquer.\n\n### Dimensions vectorielles et rôles de recherche\n\nLa dimension de sortie par défaut est de 1024, avec des dimensions de 256, 512 et 2048 également documentées pour cette édition. L’annonce décrit des plongements Matryoshka et des représentations à virgule flottante, en entiers signés ou non signés de 8 bits, et binaires. Conservez la dimension et la représentation choisies avec l’index.\n\nLa recette de recherche de Voyage distingue les entrées de requête et de document. Une requête peut être du texte ou une image, et les documents indexés peuvent combiner texte et éléments visuels. Un vecteur représente chaque séquence d’entrée complète ; stockez son association avec la page source, l’image ou la scène afin que le résultat classé reste examinable.\n\n### Utiliser la source visuelle renvoyée\n\nUne étape de recherche peut trouver une page de rapport, un tableau, une diapositive ou une scène pertinents pour la requête. L’étape de rédaction de réponse ou d’analyse lit ensuite cette source. Pour un tableau, examinez les en-têtes et les valeurs réels avant d’utiliser un résultat ; pour une scène, examinez les images pertinentes et le texte associé.\n\nLa différence substantielle par rapport à voyage-multimodal-3 est la prise en charge explicite de la vidéo et les choix supplémentaires de représentation de l’édition 3.5. Ce sont des capacités de plongement pour retrouver des sources, avec des vecteurs numériques en sortie plutôt que des images, une vidéo ou une réponse narrative générées.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d1a420eaa9e75c823ad83b7b6886fb85c2b7fb496eb2eee88af62280fae5efd9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-multimodal-3.5

VoyageAI by MongoDB /voyageai/voyage-multimodal-3.5

Premiers pas

Voyage AI voyage-multimodal-3.5 encode le texte, les images et les images vidéo dans un espace partagé de recherche d’information. Il traite des contenus entrelacés, tels que des captures de documents, des tableaux et des scènes, avec des entrées de 32 000 tokens et une représentation par défaut de 1024 dimensions.

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-multimodal-3.5 est le modèle de plongement de Voyage AI pour la recherche dans le texte, les images et la vidéo. Il traite du texte et du contenu visuel entrelacés au moyen d’un encodeur transformer unique, en représentant une entrée multimodale complète dans un espace vectoriel partagé. L’édition 3.5 ajoute la prise en charge explicite des images vidéo et des dimensions de plongement flexibles.

Préserver la relation entre texte et éléments visuels

Préparez une page ou une section de document sous une forme préservant ses informations visuelles utiles. Une diapositive contenant un graphique et une courte explication peut être représentée par son image et le texte associé dans la même entrée ordonnée. Pour une collection fondée sur des PDF, l’entrée visuelle documentée est une capture de page ou une autre représentation du document sous forme d’image.

Pour un graphique de rapport, gardez le titre, les libellés des axes et la légende dans l’image. Joignez du texte explicatif lorsqu’il apporte le contexte nécessaire à l’interprétation du visuel. Stockez le numéro de page et l’identifiant de la source avec le vecteur obtenu, afin qu’un candidat retrouvé permette d’ouvrir la page pertinente plutôt que de simplement renvoyer un nom de document.

Le format d’entrée du fabricant prend en charge des séquences de texte, d’images et de vidéos. Ses formats d’image publiés sont PNG, JPEG, WebP et GIF, avec MP4 pour la vidéo. Le contenu visuel peut être représenté par des URL ou des données Base64 selon la recette documentée ; gardez un même style de représentation au sein d’une requête.

Retrouver une scène plutôt qu’une longue vidéo entière

Le modèle représente la vidéo comme une séquence ordonnée d’images. Le fabricant recommande de diviser une longue vidéo en scènes liées, d’aligner les limites des scènes sur les horodatages disponibles de la transcription et de conserver le texte de transcription correspondant. Une résolution plus basse ou une fréquence d’images réduite peuvent aider une scène sémantiquement continue à tenir dans son budget de contexte.

Pour une collection de vidéos de formation, une requête pourrait demander la scène montrant le réglage d’une commande particulière. Associez chaque scène indexée à sa plage temporelle. Renvoyez la scène correspondante et examinez les images ou l’extrait d’origine pour vérifier l’action réelle, plutôt que de traiter le vecteur retrouvé comme une description écrite de tout l’enregistrement.

Le texte de transcription peut contribuer lorsqu’il est préparé comme une partie de l’entrée multimodale. Le plongement des images vidéo ne fournit pas lui-même de transcription vocale.

Contexte et limites de préparation

La longueur de contexte annoncée est de 32 000 tokens par entrée. Voyage compte chaque ensemble de 560 pixels d’image et de 1120 pixels vidéo comme un token dans son calcul publié ; le contenu visuel partage donc ce budget avec le texte. Les limites documentées comprennent aussi 16 millions de pixels et 20 MB par image, ainsi que 20 MB par vidéo. Une liste contient au maximum 1000 entrées et 320 000 tokens cumulés.

Le réglage de troncature par défaut coupe une entrée trop longue ; si cette limite tombe au milieu d’une image, l’image entière est supprimée. Préparer des pages ou des scènes complètes dans le budget préserve donc un contenu d’entrée plus prévisible. L’autre réglage documenté rejette les entrées trop longues au lieu de les tronquer.

Dimensions vectorielles et rôles de recherche

La dimension de sortie par défaut est de 1024, avec des dimensions de 256, 512 et 2048 également documentées pour cette édition. L’annonce décrit des plongements Matryoshka et des représentations à virgule flottante, en entiers signés ou non signés de 8 bits, et binaires. Conservez la dimension et la représentation choisies avec l’index.

La recette de recherche de Voyage distingue les entrées de requête et de document. Une requête peut être du texte ou une image, et les documents indexés peuvent combiner texte et éléments visuels. Un vecteur représente chaque séquence d’entrée complète ; stockez son association avec la page source, l’image ou la scène afin que le résultat classé reste examinable.

Utiliser la source visuelle renvoyée

Une étape de recherche peut trouver une page de rapport, un tableau, une diapositive ou une scène pertinents pour la requête. L’étape de rédaction de réponse ou d’analyse lit ensuite cette source. Pour un tableau, examinez les en-têtes et les valeurs réels avant d’utiliser un résultat ; pour une scène, examinez les images pertinentes et le texte associé.

La différence substantielle par rapport à voyage-multimodal-3 est la prise en charge explicite de la vidéo et les choix supplémentaires de représentation de l’édition 3.5. Ce sont des capacités de plongement pour retrouver des sources, avec des vecteurs numériques en sortie plutôt que des images, une vidéo ou une réponse narrative générées.

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-multimodal-3.5
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 $0.00024 / 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-multimodal-3.5", "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-multimodal-3.5

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

voyageai/voyage-multimodal-3.5

", "method_identity": { "effective_request_model_id": "voyageai/voyage-multimodal-3.5", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-multimodal-3.5", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-multimodal-3.5", "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-multimodal-3.5" ], "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": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "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-multimodal-3.5\", \"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-multimodal-3.5',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": 0.24, "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": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "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-multimodal-3.5", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "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-multimodal-3.5", "nativeProvenance": { "input_facts_canonical_sha256": "3bb5ef995b8eb423076cb180561a9cf57b27a742737dbc92bc2f854e0f78f45f", "input_html_sha256": "6c51612ac2bd2244979a4196f238a25c10154b0f80f2882e6623388986312aa1", "private_audit_sha256": "b3e094b49639e66304639fd06cadcd4843e2263b5601941ed9851e0319c4980e", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fr-be/voyageai-voyage-multimodal-3-5/", "description": "Voyage AI voyage-multimodal-3.5 encode le texte, les images et les images vidéo dans un espace partagé de recherche d’information. Il traite des contenus entrelacés, tels que des captures de documents, des tableaux et des scènes, avec des entrées de 32 000 tokens et une représentation par défaut de 1024 dimensions.", "locale": "fr-be", "md_url": "https://ailoot.ai/models/fr-be/voyageai-voyage-multimodal-3-5/index.md", "title": "VoyageAI by MongoDB: voyage-multimodal-3.5 — Ailoot", "url": "https://ailoot.ai/models/fr-be/voyageai-voyage-multimodal-3-5/" }, "rawModel": { "about": "voyage-multimodal-3.5 est le modèle de plongement de Voyage AI pour la recherche dans le texte, les images et la vidéo. Il traite du texte et du contenu visuel entrelacés au moyen d’un encodeur transformer unique, en représentant une entrée multimodale complète dans un espace vectoriel partagé. L’édition 3.5 ajoute la prise en charge explicite des images vidéo et des dimensions de plongement flexibles.\n\n### Préserver la relation entre texte et éléments visuels\n\nPréparez une page ou une section de document sous une forme préservant ses informations visuelles utiles. Une diapositive contenant un graphique et une courte explication peut être représentée par son image et le texte associé dans la même entrée ordonnée. Pour une collection fondée sur des PDF, l’entrée visuelle documentée est une capture de page ou une autre représentation du document sous forme d’image.\n\nPour un graphique de rapport, gardez le titre, les libellés des axes et la légende dans l’image. Joignez du texte explicatif lorsqu’il apporte le contexte nécessaire à l’interprétation du visuel. Stockez le numéro de page et l’identifiant de la source avec le vecteur obtenu, afin qu’un candidat retrouvé permette d’ouvrir la page pertinente plutôt que de simplement renvoyer un nom de document.\n\nLe format d’entrée du fabricant prend en charge des séquences de texte, d’images et de vidéos. Ses formats d’image publiés sont PNG, JPEG, WebP et GIF, avec MP4 pour la vidéo. Le contenu visuel peut être représenté par des URL ou des données Base64 selon la recette documentée ; gardez un même style de représentation au sein d’une requête.\n\n### Retrouver une scène plutôt qu’une longue vidéo entière\n\nLe modèle représente la vidéo comme une séquence ordonnée d’images. Le fabricant recommande de diviser une longue vidéo en scènes liées, d’aligner les limites des scènes sur les horodatages disponibles de la transcription et de conserver le texte de transcription correspondant. Une résolution plus basse ou une fréquence d’images réduite peuvent aider une scène sémantiquement continue à tenir dans son budget de contexte.\n\nPour une collection de vidéos de formation, une requête pourrait demander la scène montrant le réglage d’une commande particulière. Associez chaque scène indexée à sa plage temporelle. Renvoyez la scène correspondante et examinez les images ou l’extrait d’origine pour vérifier l’action réelle, plutôt que de traiter le vecteur retrouvé comme une description écrite de tout l’enregistrement.\n\nLe texte de transcription peut contribuer lorsqu’il est préparé comme une partie de l’entrée multimodale. Le plongement des images vidéo ne fournit pas lui-même de transcription vocale.\n\n### Contexte et limites de préparation\n\nLa longueur de contexte annoncée est de 32 000 tokens par entrée. Voyage compte chaque ensemble de 560 pixels d’image et de 1120 pixels vidéo comme un token dans son calcul publié ; le contenu visuel partage donc ce budget avec le texte. Les limites documentées comprennent aussi 16 millions de pixels et 20 MB par image, ainsi que 20 MB par vidéo. Une liste contient au maximum 1000 entrées et 320 000 tokens cumulés.\n\nLe réglage de troncature par défaut coupe une entrée trop longue ; si cette limite tombe au milieu d’une image, l’image entière est supprimée. Préparer des pages ou des scènes complètes dans le budget préserve donc un contenu d’entrée plus prévisible. L’autre réglage documenté rejette les entrées trop longues au lieu de les tronquer.\n\n### Dimensions vectorielles et rôles de recherche\n\nLa dimension de sortie par défaut est de 1024, avec des dimensions de 256, 512 et 2048 également documentées pour cette édition. L’annonce décrit des plongements Matryoshka et des représentations à virgule flottante, en entiers signés ou non signés de 8 bits, et binaires. Conservez la dimension et la représentation choisies avec l’index.\n\nLa recette de recherche de Voyage distingue les entrées de requête et de document. Une requête peut être du texte ou une image, et les documents indexés peuvent combiner texte et éléments visuels. Un vecteur représente chaque séquence d’entrée complète ; stockez son association avec la page source, l’image ou la scène afin que le résultat classé reste examinable.\n\n### Utiliser la source visuelle renvoyée\n\nUne étape de recherche peut trouver une page de rapport, un tableau, une diapositive ou une scène pertinents pour la requête. L’étape de rédaction de réponse ou d’analyse lit ensuite cette source. Pour un tableau, examinez les en-têtes et les valeurs réels avant d’utiliser un résultat ; pour une scène, examinez les images pertinentes et le texte associé.\n\nLa différence substantielle par rapport à voyage-multimodal-3 est la prise en charge explicite de la vidéo et les choix supplémentaires de représentation de l’édition 3.5. Ce sont des capacités de plongement pour retrouver des sources, avec des vecteurs numériques en sortie plutôt que des images, une vidéo ou une réponse narrative générées.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-multimodal-3.5", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text", "image" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "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-multimodal-3.5", "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-multimodal-3.5" ], "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": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "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-multimodal-3.5\", \"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-multimodal-3.5',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": 0.24, "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": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "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-multimodal-3.5", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "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-multimodal-3.5", "request_model_id": "voyageai/voyage-multimodal-3.5", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-multimodal-3.5", "price": { "in": 0.24, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.24, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "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-multimodal-3.5", "short": "Voyage AI voyage-multimodal-3.5 encode le texte, les images et les images vidéo dans un espace partagé de recherche d’information. Il traite des contenus entrelacés, tels que des captures de documents, des tableaux et des scènes, avec des entrées de 32 000 tokens et une représentation par défaut de 1024 dimensions." }, "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 AI voyage-multimodal-3.5 encode le texte, les images et les images vidéo dans un espace partagé de recherche d’information. Il traite des contenus entrelacés, tels que des captures de documents, des tableaux et des scènes, avec des entrées de 32 000 tokens et une représentation par défaut de 1024 dimensions.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "df351110f8d9676861dfe9afc75d8de8bb2847ccebea26bf18331c308a2ae18b", "renderer_sha256": "9d578ff8df69ef70403308c9943a1179a11b94114c10b333bf1c012005d4a7f4" }, "sourceRevision": "62907dfe618b357a4d56b189c61a1ab77dafa19e49cea56b0b623bf4fabdffa5" }