voyage-code-4 est le modèle de plongement spécialisé dans le code de Voyage AI pour la recherche dans les dépôts et la recherche d’information des agents de programmation. Il est conçu pour aider à trouver des sources pertinentes lorsque le point de départ est une question, un symptôme ou une description de tâche, plutôt qu’un identifiant connu. Il représente le code et les informations textuelles sous forme de vecteurs numériques pour la recherche ; il ne modifie pas le dépôt et ne génère pas de correctif.
Le fabricant décrit un corpus d’entraînement constitué à partir de pull requests terminées, qui relie des requêtes en langue naturelle au code. Cela constitue une distinction significative par rapport à des exemples d’entraînement construits principalement autour de fichiers sources et de leurs docstrings : la tâche de recherche peut partir du comportement à examiner.
Préparez une requête telle que « Trouvez où un résultat vide entraîne le signalement d’une opération réussie comme un échec. » Indexez des sections sources lisibles avec leurs chemins de fichiers et leurs commentaires pertinents. Gardez les conditions entourant la fonction lorsqu’elles expliquent son comportement. Un candidat renvoyé doit ramener le lecteur ou l’agent à la section source qu’il représente.
La recherche sémantique peut compléter la recherche exacte d’identifiants et la recherche en texte intégral. Si le nom d’une fonction est déjà connu, une recherche exacte reste utile. Si seul un symptôme est connu, la recherche vectorielle peut fournir des candidats à examiner et à affiner avec une autre requête.
Les recommandations de recherche de Voyage distinguent la requête du document du corpus au moyen des types d’entrée query/document. Pour la recherche de code, utilisez la description du problème ou de la tâche comme requête et la source ou la documentation indexée comme document. La recette publiée ajoute des instructions de recherche propres à chaque rôle lors de l’encodage.
Gardez la mise en forme d’origine du code, les noms et la documentation pertinente disponibles en dehors du vecteur. Pour une section source, conservez son chemin de fichier et son emplacement ; pour un guide de programmation, conservez son titre. Après la recherche, examinez le code réel et ses appelants avant de choisir une modification. La pertinence d’un candidat n’établit pas qu’il est la seule cause d’un problème signalé.
La longueur de contexte publiée du modèle exact est de 32 000 tokens. Son plongement par défaut possède 1024 dimensions, avec 256, 512 et 2048 dimensions également prises en charge grâce à l’apprentissage Matryoshka. L’annonce documente des représentations à virgule flottante de 32 bits, en entiers signés et non signés de 8 bits, et binaires.
Choisissez une dimension et une représentation pour la collection et conservez-les avec ses métadonnées. Les vecteurs à virgule flottante et les représentations quantifiées nécessitent une gestion correspondante du stockage et de la comparaison. Une représentation binaire encode les informations vectorielles différemment d’une liste de coordonnées ordinaires à virgule flottante ; préservez cette distinction lors de la préparation des résultats de recherche.
Pour un long fichier, choisissez des sections cohérentes dont les emplacements sources peuvent être retrouvés. Une fonction peut nécessiter une définition de type ou un commentaire adjacent pour expliquer une condition, tandis qu’un fichier entier surdimensionné peut inclure du matériau sans rapport. Gardez la section alignée sur la tâche à rechercher, plutôt que de traiter le contexte maximal comme une taille de segment à privilégier.
Un processus concret d’agent de programmation retrouve des sources candidates, lit ces fichiers, suit les références pertinentes et resserre la recherche à mesure que l’examen progresse. Le texte retrouvé devient du contexte pour l’étape de raisonnement ou de modification. Gardez son association à la révision indexée du dépôt, afin qu’un candidat soit examiné au regard de la bonne source.
La contribution propre à l’édition voyage-code-4 est sa spécialisation dans l’étape de recherche du problème vers le code utilisée par les agents de programmation, avec des dimensions et des représentations flexibles. Sa sortie est un vecteur de recherche, tandis que le diagnostic, la modification et la validation restent des tâches distinctes ancrées dans le dépôt réel.
", "aboutText": "voyage-code-4 est le modèle de plongement spécialisé dans le code de Voyage AI pour la recherche dans les dépôts et la recherche d’information des agents de programmation. Il est conçu pour aider à trouver des sources pertinentes lorsque le point de départ est une question, un symptôme ou une description de tâche, plutôt qu’un identifiant connu. Il représente le code et les informations textuelles sous forme de vecteurs numériques pour la recherche ; il ne modifie pas le dépôt et ne génère pas de correctif.\n\n### Retrouver du code à partir du problème étudié\n\nLe fabricant décrit un corpus d’entraînement constitué à partir de pull requests terminées, qui relie des requêtes en langue naturelle au code. Cela constitue une distinction significative par rapport à des exemples d’entraînement construits principalement autour de fichiers sources et de leurs docstrings : la tâche de recherche peut partir du comportement à examiner.\n\nPréparez une requête telle que « Trouvez où un résultat vide entraîne le signalement d’une opération réussie comme un échec. » Indexez des sections sources lisibles avec leurs chemins de fichiers et leurs commentaires pertinents. Gardez les conditions entourant la fonction lorsqu’elles expliquent son comportement. Un candidat renvoyé doit ramener le lecteur ou l’agent à la section source qu’il représente.\n\nLa recherche sémantique peut compléter la recherche exacte d’identifiants et la recherche en texte intégral. Si le nom d’une fonction est déjà connu, une recherche exacte reste utile. Si seul un symptôme est connu, la recherche vectorielle peut fournir des candidats à examiner et à affiner avec une autre requête.\n\n### Rôles de requête et de document\n\nLes recommandations de recherche de Voyage distinguent la requête du document du corpus au moyen des types d’entrée query/document. Pour la recherche de code, utilisez la description du problème ou de la tâche comme requête et la source ou la documentation indexée comme document. La recette publiée ajoute des instructions de recherche propres à chaque rôle lors de l’encodage.\n\nGardez la mise en forme d’origine du code, les noms et la documentation pertinente disponibles en dehors du vecteur. Pour une section source, conservez son chemin de fichier et son emplacement ; pour un guide de programmation, conservez son titre. Après la recherche, examinez le code réel et ses appelants avant de choisir une modification. La pertinence d’un candidat n’établit pas qu’il est la seule cause d’un problème signalé.\n\n### Contexte et choix de représentation\n\nLa longueur de contexte publiée du modèle exact est de 32 000 tokens. Son plongement par défaut possède 1024 dimensions, avec 256, 512 et 2048 dimensions également prises en charge grâce à l’apprentissage Matryoshka. L’annonce documente des représentations à virgule flottante de 32 bits, en entiers signés et non signés de 8 bits, et binaires.\n\nChoisissez une dimension et une représentation pour la collection et conservez-les avec ses métadonnées. Les vecteurs à virgule flottante et les représentations quantifiées nécessitent une gestion correspondante du stockage et de la comparaison. Une représentation binaire encode les informations vectorielles différemment d’une liste de coordonnées ordinaires à virgule flottante ; préservez cette distinction lors de la préparation des résultats de recherche.\n\nPour un long fichier, choisissez des sections cohérentes dont les emplacements sources peuvent être retrouvés. Une fonction peut nécessiter une définition de type ou un commentaire adjacent pour expliquer une condition, tandis qu’un fichier entier surdimensionné peut inclure du matériau sans rapport. Gardez la section alignée sur la tâche à rechercher, plutôt que de traiter le contexte maximal comme une taille de segment à privilégier.\n\n### Utiliser les sources retrouvées comme éléments à examiner\n\nUn processus concret d’agent de programmation retrouve des sources candidates, lit ces fichiers, suit les références pertinentes et resserre la recherche à mesure que l’examen progresse. Le texte retrouvé devient du contexte pour l’étape de raisonnement ou de modification. Gardez son association à la révision indexée du dépôt, afin qu’un candidat soit examiné au regard de la bonne source.\n\nLa contribution propre à l’édition voyage-code-4 est sa spécialisation dans l’étape de recherche du problème vers le code utilisée par les agents de programmation, avec des dimensions et des représentations flexibles. Sa sortie est un vecteur de recherche, tandis que le diagnostic, la modification et la validation restent des tâches distinctes ancrées dans le dépôt réel.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b517cfd28096685166f0a016c002421cf16c85578c3b52f146ff1e532e8cd4fc", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "voyageai/voyage-code-4Voyage AI voyage-code-4 est un modèle de plongement de code pour retrouver des sources pertinentes à partir de questions, de descriptions de problèmes et d’objectifs d’agents de programmation. Il prend en charge des entrées de 32 000 tokens et des dimensions de 256, 512, 1024 ou 2048, avec des représentations à virgule flottante et quantifiées.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
voyage-code-4 est le modèle de plongement spécialisé dans le code de Voyage AI pour la recherche dans les dépôts et la recherche d’information des agents de programmation. Il est conçu pour aider à trouver des sources pertinentes lorsque le point de départ est une question, un symptôme ou une description de tâche, plutôt qu’un identifiant connu. Il représente le code et les informations textuelles sous forme de vecteurs numériques pour la recherche ; il ne modifie pas le dépôt et ne génère pas de correctif.
Le fabricant décrit un corpus d’entraînement constitué à partir de pull requests terminées, qui relie des requêtes en langue naturelle au code. Cela constitue une distinction significative par rapport à des exemples d’entraînement construits principalement autour de fichiers sources et de leurs docstrings : la tâche de recherche peut partir du comportement à examiner.
Préparez une requête telle que « Trouvez où un résultat vide entraîne le signalement d’une opération réussie comme un échec. » Indexez des sections sources lisibles avec leurs chemins de fichiers et leurs commentaires pertinents. Gardez les conditions entourant la fonction lorsqu’elles expliquent son comportement. Un candidat renvoyé doit ramener le lecteur ou l’agent à la section source qu’il représente.
La recherche sémantique peut compléter la recherche exacte d’identifiants et la recherche en texte intégral. Si le nom d’une fonction est déjà connu, une recherche exacte reste utile. Si seul un symptôme est connu, la recherche vectorielle peut fournir des candidats à examiner et à affiner avec une autre requête.
Les recommandations de recherche de Voyage distinguent la requête du document du corpus au moyen des types d’entrée query/document. Pour la recherche de code, utilisez la description du problème ou de la tâche comme requête et la source ou la documentation indexée comme document. La recette publiée ajoute des instructions de recherche propres à chaque rôle lors de l’encodage.
Gardez la mise en forme d’origine du code, les noms et la documentation pertinente disponibles en dehors du vecteur. Pour une section source, conservez son chemin de fichier et son emplacement ; pour un guide de programmation, conservez son titre. Après la recherche, examinez le code réel et ses appelants avant de choisir une modification. La pertinence d’un candidat n’établit pas qu’il est la seule cause d’un problème signalé.
La longueur de contexte publiée du modèle exact est de 32 000 tokens. Son plongement par défaut possède 1024 dimensions, avec 256, 512 et 2048 dimensions également prises en charge grâce à l’apprentissage Matryoshka. L’annonce documente des représentations à virgule flottante de 32 bits, en entiers signés et non signés de 8 bits, et binaires.
Choisissez une dimension et une représentation pour la collection et conservez-les avec ses métadonnées. Les vecteurs à virgule flottante et les représentations quantifiées nécessitent une gestion correspondante du stockage et de la comparaison. Une représentation binaire encode les informations vectorielles différemment d’une liste de coordonnées ordinaires à virgule flottante ; préservez cette distinction lors de la préparation des résultats de recherche.
Pour un long fichier, choisissez des sections cohérentes dont les emplacements sources peuvent être retrouvés. Une fonction peut nécessiter une définition de type ou un commentaire adjacent pour expliquer une condition, tandis qu’un fichier entier surdimensionné peut inclure du matériau sans rapport. Gardez la section alignée sur la tâche à rechercher, plutôt que de traiter le contexte maximal comme une taille de segment à privilégier.
Un processus concret d’agent de programmation retrouve des sources candidates, lit ces fichiers, suit les références pertinentes et resserre la recherche à mesure que l’examen progresse. Le texte retrouvé devient du contexte pour l’étape de raisonnement ou de modification. Gardez son association à la révision indexée du dépôt, afin qu’un candidat soit examiné au regard de la bonne source.
La contribution propre à l’édition voyage-code-4 est sa spécialisation dans l’étape de recherche du problème vers le code utilisée par les agents de programmation, avec des dimensions et des représentations flexibles. Sa sortie est un vecteur de recherche, tandis que le diagnostic, la modification et la validation restent des tâches distinctes ancrées dans le dépôt réel.
POST /v1/embeddingstext, token_idsembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites voyageai/voyage-code-4 | Par défaut— |
Champinput | Typestring|string[]|integer[]|integer[][] | ExigenceObligatoire | Valeurs 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_format | Typestring | ExigenceFacultatif | Valeurs et limites float | Par défautfloat |
Champdimensions | Typeinteger | ExigenceNon pris en charge | Valeurs et limites Minimum: 1 | Par défaut— |
Champuser | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champsession_id | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champtrace | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé | Par défaut— |
text_to_embedding
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input |
Paramètreinput_shapes | Contratstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paramètreencoding_format | Contratfloat |
Paramètredimensions_override | Contratfalse |
Paramètremax_input_budget_units | Contrat32000 |
Paramètremultimodal_objects | Contratfalse |
Paramètrematerial_types | Contrattext, 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.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00024 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "voyageai/voyage-code-4", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='voyageai/voyage-code-4',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
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.
Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.
| Champ | Type |
|---|---|
Champobject | Typestring |
Champmodel | Typestring |
Champdata[].index | Typeinteger |
Champdata[].embedding | Typefinite float[] |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra voyageai/voyage-code-4
Utilisez les chemins de méthode indiqués ci-dessus.