{ "aboutHtml": "

voyage-4-lite est le modèle de plongement textuel conçu pour limiter la latence dans la famille Voyage 4 de Voyage AI. Il représente les requêtes et les documents sous forme de vecteurs numériques pour la recherche d’information généraliste. Sa particularité familiale est un espace de plongement partagé avec voyage-4, voyage-4-large et voyage-4-nano, permettant de choisir séparément les modèles de requête et de document.

Commencer par les rôles de recherche

Préparez le besoin d’information de l’utilisateur comme une requête et le matériau interrogeable comme des documents. Voyage recommande les types d’entrée query/document pour la recherche ; sa recette publiée ajoute l’instruction de recherche correspondante lors de la vectorisation du texte.

Pour une collection de manuels du personnel, une requête sur le report des congés non utilisés à la période suivante doit être comparée aux sections précises de la politique. Gardez la règle, ses conditions et toute exception pertinente dans le passage indexé. Conservez le document d’origine et l’identifiant de section avec le vecteur, afin que l’application puisse renvoyer le texte réel de la politique.

Un type d’entrée non spécifié représente directement le texte, tandis que les rôles query/document l’adaptent à la recherche. Le fabricant indique que les plongements produits avec et sans ces réglages de rôle sont compatibles, mais conserver une politique de préparation cohérente facilite l’évaluation de la collection.

Espace partagé dans la famille textuelle Voyage 4

Voyage documente explicitement un processus de recherche asymétrique : les documents peuvent être encodés avec voyage-4-large et recherchés au moyen de vecteurs de requêtes issus de voyage-4-lite. Il s’agit d’une déclaration de compatibilité au niveau de la famille, plutôt que d’une conclusion tirée du fait que deux modèles renvoient la même longueur vectorielle.

Gardez la dimension vectorielle et la représentation choisies alignées entre la collection et le côté des requêtes. L’espace partagé permet aussi de changer le modèle de requête au sein de cette famille textuelle nommée Voyage 4 sans revectoriser les documents existants. Évaluez le classement obtenu à partir de questions représentatives lorsque vous choisissez l’édition de requête.

Le rôle de l’édition Lite est d’être l’option plus petite de requête et de plongement textuel, centrée sur la latence. Le fabricant attribue l’architecture à mélange d’experts spécifiquement à voyage-4-large ; le nom de la famille n’établit pas cette architecture pour Lite.

Contexte, dimensions et format du résultat

La longueur de contexte publiée est de 32 000 tokens par texte. Le vecteur par défaut possède 1024 dimensions, avec 256, 512 et 2048 également disponibles grâce à l’apprentissage Matryoshka. Le processus de plongement textuel du fabricant documente des représentations à virgule flottante, en entiers signés et non signés de 8 bits, et binaires à bits compactés pour voyage-4-lite.

Pour les vecteurs standards à virgule flottante, les recommandations de similarité de Voyage décrivent des plongements de norme unitaire, ce qui rend équivalentes les similarités cosinus et par produit scalaire. Les formes quantifiées nécessitent la gestion de représentation correspondante. Par exemple, une liste binaire à bits compactés stocke huit bits de plongement dans chaque octet ; sa longueur de liste diffère de la dimension vectorielle sémantique.

Dans la recette de traitement par lots documentée de Voyage, une liste contient au maximum 1000 textes et un million de tokens au total pour cette édition Lite exacte. Le comportement par défaut en cas de longueur excessive tronque chaque texte à la limite du contexte ; l’autre réglage rejette les entrées trop longues. Ces limites par lot et par texte sont distinctes.

Préparer et examiner les résultats de recherche

Divisez les sources longues en sections cohérentes pouvant être renvoyées comme éléments à examiner. Un contexte de 32 000 tokens autorise une entrée longue, mais une unité de recherche utile doit toujours mener à la section source pertinente. Incluez le titre ou le détail d’identification nécessaires à l’interprétation d’une règle.

Pour le RAG, retrouvez les sections candidates et transmettez leur texte d’origine à l’étape de rédaction de la réponse avec leurs associations sources. Le modèle de plongement produit des vecteurs et ne génère pas de réponse sur la politique. La similarité classe les candidats selon le modèle et la configuration de comparaison choisis ; examinez le passage réel pour la condition précise demandée.

La combinaison utile propre à voyage-4-lite associe un modèle textuel centré sur la latence, des représentations flexibles, un contexte de 32 000 tokens et une compatibilité documentée dans la famille textuelle Voyage 4. Gardez ces propriétés avec la collection indexée et utilisez les résultats de recherche liés à leurs sources pour aider l’application environnante.

", "aboutText": "voyage-4-lite est le modèle de plongement textuel conçu pour limiter la latence dans la famille Voyage 4 de Voyage AI. Il représente les requêtes et les documents sous forme de vecteurs numériques pour la recherche d’information généraliste. Sa particularité familiale est un espace de plongement partagé avec voyage-4, voyage-4-large et voyage-4-nano, permettant de choisir séparément les modèles de requête et de document.\n\n### Commencer par les rôles de recherche\n\nPréparez le besoin d’information de l’utilisateur comme une requête et le matériau interrogeable comme des documents. Voyage recommande les types d’entrée query/document pour la recherche ; sa recette publiée ajoute l’instruction de recherche correspondante lors de la vectorisation du texte.\n\nPour une collection de manuels du personnel, une requête sur le report des congés non utilisés à la période suivante doit être comparée aux sections précises de la politique. Gardez la règle, ses conditions et toute exception pertinente dans le passage indexé. Conservez le document d’origine et l’identifiant de section avec le vecteur, afin que l’application puisse renvoyer le texte réel de la politique.\n\nUn type d’entrée non spécifié représente directement le texte, tandis que les rôles query/document l’adaptent à la recherche. Le fabricant indique que les plongements produits avec et sans ces réglages de rôle sont compatibles, mais conserver une politique de préparation cohérente facilite l’évaluation de la collection.\n\n### Espace partagé dans la famille textuelle Voyage 4\n\nVoyage documente explicitement un processus de recherche asymétrique : les documents peuvent être encodés avec voyage-4-large et recherchés au moyen de vecteurs de requêtes issus de voyage-4-lite. Il s’agit d’une déclaration de compatibilité au niveau de la famille, plutôt que d’une conclusion tirée du fait que deux modèles renvoient la même longueur vectorielle.\n\nGardez la dimension vectorielle et la représentation choisies alignées entre la collection et le côté des requêtes. L’espace partagé permet aussi de changer le modèle de requête au sein de cette famille textuelle nommée Voyage 4 sans revectoriser les documents existants. Évaluez le classement obtenu à partir de questions représentatives lorsque vous choisissez l’édition de requête.\n\nLe rôle de l’édition Lite est d’être l’option plus petite de requête et de plongement textuel, centrée sur la latence. Le fabricant attribue l’architecture à mélange d’experts spécifiquement à voyage-4-large ; le nom de la famille n’établit pas cette architecture pour Lite.\n\n### Contexte, dimensions et format du résultat\n\nLa longueur de contexte publiée est de 32 000 tokens par texte. Le vecteur par défaut possède 1024 dimensions, avec 256, 512 et 2048 également disponibles grâce à l’apprentissage Matryoshka. Le processus de plongement textuel du fabricant documente des représentations à virgule flottante, en entiers signés et non signés de 8 bits, et binaires à bits compactés pour voyage-4-lite.\n\nPour les vecteurs standards à virgule flottante, les recommandations de similarité de Voyage décrivent des plongements de norme unitaire, ce qui rend équivalentes les similarités cosinus et par produit scalaire. Les formes quantifiées nécessitent la gestion de représentation correspondante. Par exemple, une liste binaire à bits compactés stocke huit bits de plongement dans chaque octet ; sa longueur de liste diffère de la dimension vectorielle sémantique.\n\nDans la recette de traitement par lots documentée de Voyage, une liste contient au maximum 1000 textes et un million de tokens au total pour cette édition Lite exacte. Le comportement par défaut en cas de longueur excessive tronque chaque texte à la limite du contexte ; l’autre réglage rejette les entrées trop longues. Ces limites par lot et par texte sont distinctes.\n\n### Préparer et examiner les résultats de recherche\n\nDivisez les sources longues en sections cohérentes pouvant être renvoyées comme éléments à examiner. Un contexte de 32 000 tokens autorise une entrée longue, mais une unité de recherche utile doit toujours mener à la section source pertinente. Incluez le titre ou le détail d’identification nécessaires à l’interprétation d’une règle.\n\nPour le RAG, retrouvez les sections candidates et transmettez leur texte d’origine à l’étape de rédaction de la réponse avec leurs associations sources. Le modèle de plongement produit des vecteurs et ne génère pas de réponse sur la politique. La similarité classe les candidats selon le modèle et la configuration de comparaison choisis ; examinez le passage réel pour la condition précise demandée.\n\nLa combinaison utile propre à voyage-4-lite associe un modèle textuel centré sur la latence, des représentations flexibles, un contexte de 32 000 tokens et une compatibilité documentée dans la famille textuelle Voyage 4. Gardez ces propriétés avec la collection indexée et utilisez les résultats de recherche liés à leurs sources pour aider l’application environnante.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f1ca885cc48959c89d3baee62c25c1f59b9cbfe013fe6eaeb11b3b7e907ad9f9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-4-lite

VoyageAI by MongoDB /voyageai/voyage-4-lite

Premiers pas

Voyage AI voyage-4-lite est l’édition de plongement textuel conçue pour limiter la latence dans la famille Voyage 4. Elle prend en charge des entrées de 32 000 tokens, quatre tailles de vecteurs et des représentations quantifiées, avec un espace de plongement partagé compatible avec les autres modèles textuels Voyage 4.

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-lite est le modèle de plongement textuel conçu pour limiter la latence dans la famille Voyage 4 de Voyage AI. Il représente les requêtes et les documents sous forme de vecteurs numériques pour la recherche d’information généraliste. Sa particularité familiale est un espace de plongement partagé avec voyage-4, voyage-4-large et voyage-4-nano, permettant de choisir séparément les modèles de requête et de document.

Commencer par les rôles de recherche

Préparez le besoin d’information de l’utilisateur comme une requête et le matériau interrogeable comme des documents. Voyage recommande les types d’entrée query/document pour la recherche ; sa recette publiée ajoute l’instruction de recherche correspondante lors de la vectorisation du texte.

Pour une collection de manuels du personnel, une requête sur le report des congés non utilisés à la période suivante doit être comparée aux sections précises de la politique. Gardez la règle, ses conditions et toute exception pertinente dans le passage indexé. Conservez le document d’origine et l’identifiant de section avec le vecteur, afin que l’application puisse renvoyer le texte réel de la politique.

Un type d’entrée non spécifié représente directement le texte, tandis que les rôles query/document l’adaptent à la recherche. Le fabricant indique que les plongements produits avec et sans ces réglages de rôle sont compatibles, mais conserver une politique de préparation cohérente facilite l’évaluation de la collection.

Espace partagé dans la famille textuelle Voyage 4

Voyage documente explicitement un processus de recherche asymétrique : les documents peuvent être encodés avec voyage-4-large et recherchés au moyen de vecteurs de requêtes issus de voyage-4-lite. Il s’agit d’une déclaration de compatibilité au niveau de la famille, plutôt que d’une conclusion tirée du fait que deux modèles renvoient la même longueur vectorielle.

Gardez la dimension vectorielle et la représentation choisies alignées entre la collection et le côté des requêtes. L’espace partagé permet aussi de changer le modèle de requête au sein de cette famille textuelle nommée Voyage 4 sans revectoriser les documents existants. Évaluez le classement obtenu à partir de questions représentatives lorsque vous choisissez l’édition de requête.

Le rôle de l’édition Lite est d’être l’option plus petite de requête et de plongement textuel, centrée sur la latence. Le fabricant attribue l’architecture à mélange d’experts spécifiquement à voyage-4-large ; le nom de la famille n’établit pas cette architecture pour Lite.

Contexte, dimensions et format du résultat

La longueur de contexte publiée est de 32 000 tokens par texte. Le vecteur par défaut possède 1024 dimensions, avec 256, 512 et 2048 également disponibles grâce à l’apprentissage Matryoshka. Le processus de plongement textuel du fabricant documente des représentations à virgule flottante, en entiers signés et non signés de 8 bits, et binaires à bits compactés pour voyage-4-lite.

Pour les vecteurs standards à virgule flottante, les recommandations de similarité de Voyage décrivent des plongements de norme unitaire, ce qui rend équivalentes les similarités cosinus et par produit scalaire. Les formes quantifiées nécessitent la gestion de représentation correspondante. Par exemple, une liste binaire à bits compactés stocke huit bits de plongement dans chaque octet ; sa longueur de liste diffère de la dimension vectorielle sémantique.

Dans la recette de traitement par lots documentée de Voyage, une liste contient au maximum 1000 textes et un million de tokens au total pour cette édition Lite exacte. Le comportement par défaut en cas de longueur excessive tronque chaque texte à la limite du contexte ; l’autre réglage rejette les entrées trop longues. Ces limites par lot et par texte sont distinctes.

Préparer et examiner les résultats de recherche

Divisez les sources longues en sections cohérentes pouvant être renvoyées comme éléments à examiner. Un contexte de 32 000 tokens autorise une entrée longue, mais une unité de recherche utile doit toujours mener à la section source pertinente. Incluez le titre ou le détail d’identification nécessaires à l’interprétation d’une règle.

Pour le RAG, retrouvez les sections candidates et transmettez leur texte d’origine à l’étape de rédaction de la réponse avec leurs associations sources. Le modèle de plongement produit des vecteurs et ne génère pas de réponse sur la politique. La similarité classe les candidats selon le modèle et la configuration de comparaison choisis ; examinez le passage réel pour la condition précise demandée.

La combinaison utile propre à voyage-4-lite associe un modèle textuel centré sur la latence, des représentations flexibles, un contexte de 32 000 tokens et une compatibilité documentée dans la famille textuelle Voyage 4. Gardez ces propriétés avec la collection indexée et utilisez les résultats de recherche liés à leurs sources pour aider l’application environnante.

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-lite
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 jetons
Par défaut—
Champencoding_formatTypestringExigenceFacultatifValeurs et limites
float
Par défautfloat
ChampdimensionsTypeintegerExigenceNon pris en chargeValeurs et limites
Minimum: 1
Par défaut—
ChampuserTypejson_valueExigenceFacultatifValeurs et limites
Conditions: La source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.
Par défaut—
Champsession_idTypejson_valueExigenceFacultatifValeurs et limites
Conditions: La source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.
Par défaut—
ChamptraceTypejson_valueExigenceFacultatifValeurs et limites
Conditions: La 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 $0.00004 / 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-lite", "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-lite

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

voyageai/voyage-4-lite

", "method_identity": { "effective_request_model_id": "voyageai/voyage-4-lite", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-4-lite", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-4-lite", "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-lite" ], "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 jetons" }, "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": "La 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": "La 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": "La 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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite\", \"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-lite',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": 0.04, "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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "nativeProvenance": { "input_facts_canonical_sha256": "a341b2731b0c6bf82388e8ef350cd75c0abd5ec43ade442d9359d107c00d7ad6", "input_html_sha256": "85786f4b60db906f5c4a8d03857b36d270cc9deec5308c2277b998143e30639a", "private_audit_sha256": "fd989b644cb4187cdc4ed07cd8b08e9502fba857b17656134c43e525c6b188b9", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fr-ch/voyageai-voyage-4-lite/", "description": "Voyage AI voyage-4-lite est l’édition de plongement textuel conçue pour limiter la latence dans la famille Voyage 4. Elle prend en charge des entrées de 32 000 tokens, quatre tailles de vecteurs et des représentations quantifiées, avec un espace de plongement partagé compatible avec les autres modèles textuels Voyage 4.", "locale": "fr-ch", "md_url": "https://ailoot.ai/models/fr-ch/voyageai-voyage-4-lite/index.md", "title": "VoyageAI by MongoDB: voyage-4-lite — Ailoot", "url": "https://ailoot.ai/models/fr-ch/voyageai-voyage-4-lite/" }, "rawModel": { "about": "voyage-4-lite est le modèle de plongement textuel conçu pour limiter la latence dans la famille Voyage 4 de Voyage AI. Il représente les requêtes et les documents sous forme de vecteurs numériques pour la recherche d’information généraliste. Sa particularité familiale est un espace de plongement partagé avec voyage-4, voyage-4-large et voyage-4-nano, permettant de choisir séparément les modèles de requête et de document.\n\n### Commencer par les rôles de recherche\n\nPréparez le besoin d’information de l’utilisateur comme une requête et le matériau interrogeable comme des documents. Voyage recommande les types d’entrée query/document pour la recherche ; sa recette publiée ajoute l’instruction de recherche correspondante lors de la vectorisation du texte.\n\nPour une collection de manuels du personnel, une requête sur le report des congés non utilisés à la période suivante doit être comparée aux sections précises de la politique. Gardez la règle, ses conditions et toute exception pertinente dans le passage indexé. Conservez le document d’origine et l’identifiant de section avec le vecteur, afin que l’application puisse renvoyer le texte réel de la politique.\n\nUn type d’entrée non spécifié représente directement le texte, tandis que les rôles query/document l’adaptent à la recherche. Le fabricant indique que les plongements produits avec et sans ces réglages de rôle sont compatibles, mais conserver une politique de préparation cohérente facilite l’évaluation de la collection.\n\n### Espace partagé dans la famille textuelle Voyage 4\n\nVoyage documente explicitement un processus de recherche asymétrique : les documents peuvent être encodés avec voyage-4-large et recherchés au moyen de vecteurs de requêtes issus de voyage-4-lite. Il s’agit d’une déclaration de compatibilité au niveau de la famille, plutôt que d’une conclusion tirée du fait que deux modèles renvoient la même longueur vectorielle.\n\nGardez la dimension vectorielle et la représentation choisies alignées entre la collection et le côté des requêtes. L’espace partagé permet aussi de changer le modèle de requête au sein de cette famille textuelle nommée Voyage 4 sans revectoriser les documents existants. Évaluez le classement obtenu à partir de questions représentatives lorsque vous choisissez l’édition de requête.\n\nLe rôle de l’édition Lite est d’être l’option plus petite de requête et de plongement textuel, centrée sur la latence. Le fabricant attribue l’architecture à mélange d’experts spécifiquement à voyage-4-large ; le nom de la famille n’établit pas cette architecture pour Lite.\n\n### Contexte, dimensions et format du résultat\n\nLa longueur de contexte publiée est de 32 000 tokens par texte. Le vecteur par défaut possède 1024 dimensions, avec 256, 512 et 2048 également disponibles grâce à l’apprentissage Matryoshka. Le processus de plongement textuel du fabricant documente des représentations à virgule flottante, en entiers signés et non signés de 8 bits, et binaires à bits compactés pour voyage-4-lite.\n\nPour les vecteurs standards à virgule flottante, les recommandations de similarité de Voyage décrivent des plongements de norme unitaire, ce qui rend équivalentes les similarités cosinus et par produit scalaire. Les formes quantifiées nécessitent la gestion de représentation correspondante. Par exemple, une liste binaire à bits compactés stocke huit bits de plongement dans chaque octet ; sa longueur de liste diffère de la dimension vectorielle sémantique.\n\nDans la recette de traitement par lots documentée de Voyage, une liste contient au maximum 1000 textes et un million de tokens au total pour cette édition Lite exacte. Le comportement par défaut en cas de longueur excessive tronque chaque texte à la limite du contexte ; l’autre réglage rejette les entrées trop longues. Ces limites par lot et par texte sont distinctes.\n\n### Préparer et examiner les résultats de recherche\n\nDivisez les sources longues en sections cohérentes pouvant être renvoyées comme éléments à examiner. Un contexte de 32 000 tokens autorise une entrée longue, mais une unité de recherche utile doit toujours mener à la section source pertinente. Incluez le titre ou le détail d’identification nécessaires à l’interprétation d’une règle.\n\nPour le RAG, retrouvez les sections candidates et transmettez leur texte d’origine à l’étape de rédaction de la réponse avec leurs associations sources. Le modèle de plongement produit des vecteurs et ne génère pas de réponse sur la politique. La similarité classe les candidats selon le modèle et la configuration de comparaison choisis ; examinez le passage réel pour la condition précise demandée.\n\nLa combinaison utile propre à voyage-4-lite associe un modèle textuel centré sur la latence, des représentations flexibles, un contexte de 32 000 tokens et une compatibilité documentée dans la famille textuelle Voyage 4. Gardez ces propriétés avec la collection indexée et utilisez les résultats de recherche liés à leurs sources pour aider l’application environnante.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-4-lite", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "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-lite" ], "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 jetons" }, "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": "La 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": "La 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": "La 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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite\", \"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-lite',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": 0.04, "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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "request_model_id": "voyageai/voyage-4-lite", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-4-lite", "price": { "in": 0.04, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.04, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "short": "Voyage AI voyage-4-lite est l’édition de plongement textuel conçue pour limiter la latence dans la famille Voyage 4. Elle prend en charge des entrées de 32 000 tokens, quatre tailles de vecteurs et des représentations quantifiées, avec un espace de plongement partagé compatible avec les autres modèles textuels Voyage 4." }, "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-4-lite est l’édition de plongement textuel conçue pour limiter la latence dans la famille Voyage 4. Elle prend en charge des entrées de 32 000 tokens, quatre tailles de vecteurs et des représentations quantifiées, avec un espace de plongement partagé compatible avec les autres modèles textuels Voyage 4.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "b9375e8521edd764a49628a2d42a29d1600eef933ffbb599d909a72be08051cc", "renderer_sha256": "4d2f3bfcbf0fa5c616c87aa9524d00d7cff227d8dfa2446ff47c8e0220325dc9" }, "sourceRevision": "3fdf8e5b3942b14bc4b4b51d124054440369db8905ea8427ef598a20515dbf97" }