A voyage-4-large a Voyage AI zászlóshajó szövegbeágyazási modellje a Voyage 4 modellcsaládban. A forrásszövegeket és lekérdezéseket numerikus vektorokként reprezentálja általános célú és többnyelvű kereséshez. Két megkülönböztető jellemzője a szakértői keverékarchitektúra és a voyage-4-large, voyage-4, voyage-4-lite és voyage-4-nano által használt közös beágyazási tér.
A gyártó aszimmetrikus keresést ír le: a dokumentumok a voyage-4-large modellel ágyazhatók be, míg egy másik Voyage 4 családtag készíti elő a lekérdezési vektorokat. Például a Large által reprezentált korpusz voyage-4 lekérdezésekkel is kereshető. Így a keresés két oldala eltérő modellt választhat, miközben a dokumentált kompatibilis térben marad.
Egy gyakorlati gyűjtemény ezért a Large modellel készítheti elő az állandó dokumentumrészleteket, és ettől függetlenül választhatja ki a lekérdezési oldali modellt. A dokumentumokat a korpusz létrehozásakor vagy frissítésekor ágyazzák be, míg a lekérdezéseket akkor vektorizálják, amikor a felhasználók keresnek. A modellcsalád bejelentése a lekérdezési modell kompatibilis családon belüli cseréjét írja le anélkül, hogy pusztán emiatt újra kellene vektorizálni a dokumentumkorpuszt. Az összehasonlított vektorok dimenziója egyezzen, és olyan reprezentációkat használjanak, amelyeket a keresőrendszer együtt tud értelmezni.
Egy sűrű előrecsatolt réteg minden tokent a teljes paraméterkészletével dolgoz fel. A voyage-4-large esetében ismertetett MoE-megközelítés útválasztót és szakértői előrecsatolt hálózatokat használ, és kiválasztja az egyes tokeneket feldolgozó szakértőket. Ez elkülöníti a modell teljes kapacitását az adott tokenhez aktív paraméterektől. A Voyage a modell MoE-kialakításához 1/10-es aktiválási arányt közöl, top-k útválasztással.
A gyártó műszaki magyarázata két fejlesztési döntést is ismertet. A szakértői kapacitás befolyásolja, hogy a többlettokenek maradékkapcsolaton keresztül megkerülik-e a szakértői réteget; a csapat a legnagyobb megvalósítható kapacitástényezőt választotta a keresési minőség romlásának elkerülésére. A tanítás utolsó szakaszában az útválasztó paramétereit a modellek összevonása előtt rögzítik, hogy a forrásmodellek interpolációja ne változtassa meg a megtanult szakértőválasztási útválasztást. Ezek a modell előkészítésének jellemzői, amelyek különböznek a bemenet előkészítésekor alkalmazott szöveghossz- és csonkolási beállításoktól.
A hivatalos modelltáblázat 32 000 tokenes kontextusablakot és választható 256, 512, 1024 és 2048 dimenziós beágyazásokat határoz meg, alapértelmezés szerint 1024 dimenzióval. A modellcsalád Matryoshka-tanulást használ az egymásba ágyazott reprezentációméretekhez, és többféle kvantálási lehetőséget támogat: 32 bites lebegőpontos, előjeles vagy előjel nélküli 8 bites egész számú, valamint csomagolt bináris kimenetet.
Bináris kimenetnél a visszaadott bájtlista hossza a kiválasztott dimenzió egynyolcada, mert minden bájt nyolc beágyazási bitet tartalmaz. Az index mellett őrizze meg a dimenzió- és adattípus-választást, és a reprezentációt támogató összehasonlítási módszert használjon. A kisebb vagy tömörített vektor megváltoztatja a kereséshez használt reprezentációt; mielőtt egy gyűjteményhez ezt választja, tényleges kérdéseken értékelje a visszaadott releváns szövegrészleteket.
A Voyage a korpusz szövegrészleteihez a document, a keresőkérdések megfogalmazásához pedig a query szerep használatát javasolja. A szerepbeállítás a beágyazás előtt hozzáadja a megfelelő keresési utasítást. Őrizze meg a szövegrészlet hasznos címsorát, feltételeit és forrásbeli helyét, majd a visszaadott vektort az eredeti szöveggel és egy állandó azonosítóval együtt tárolja.
Műszaki tudásgyűjteménynél egy meghibásodási módra vonatkozó kérdésnek az adott módot és annak releváns feltételeit leíró szövegrészlethez kell vezetnie. Több nyelvet lefedő dokumentumgyűjteménynél őrizze meg a forrásnyelvet, és értékelje azokat a kérdéseket és kifejezéseket, amelyekkel a felhasználók keresni fognak. A kiadás keresési anyagai között műszaki dokumentumok, beszélgetések, hosszú dokumentumok, kód, jogi, pénzügyi és webes szövegek szerepelnek. A beágyazás jelölt anyagokat talál meg; egy későbbi újrarangsoroló vagy válaszadási lépés az eredeti szöveget használja.
A gyártó jelenlegi útmutatója egy voyage-4-large kérésben legfeljebb 1000 karakterláncot és összesen 120 000 bemeneti tokent enged meg. Ez eltér a voyage-4 esetében megadott kötegelt kerettől, miközben mindkét modell szövegenként 32 000 tokenes ablakot használ. Az alapértelmezett csonkolás a túl hosszú bemenetet a kerethez rövidíti; a csonkolás kikapcsolása túl hosszú szövegnél hibát eredményez.
Tudatosan válassza meg a választ hordozó szövegrészletek határait, hogy egy hosszú forrás ne veszítsen el releváns megszorítást a levágott végén. A keresési eredmények visszaadásakor őrizze meg a forráskapcsolatot, és a tényleges jelölt szöveget vizsgálja meg, ahelyett, hogy a vektorok közelségét a tartalom igazolásának tekintené. A közös tér kompatibilitása a dokumentált Voyage 4 szövegmodellcsaládra vonatkozik; a kontextualizált darabfeldolgozás, a kép- és videóbeágyazások, valamint a későbbi modellkiadások saját, modellspecifikus munkafolyamatok maradnak.
", "aboutText": "A voyage-4-large a Voyage AI zászlóshajó szövegbeágyazási modellje a Voyage 4 modellcsaládban. A forrásszövegeket és lekérdezéseket numerikus vektorokként reprezentálja általános célú és többnyelvű kereséshez. Két megkülönböztető jellemzője a szakértői keverékarchitektúra és a voyage-4-large, voyage-4, voyage-4-lite és voyage-4-nano által használt közös beágyazási tér.\n\n### Közös tér: a korpusz és a lekérdezések modellje külön választható\n\nA gyártó aszimmetrikus keresést ír le: a dokumentumok a voyage-4-large modellel ágyazhatók be, míg egy másik Voyage 4 családtag készíti elő a lekérdezési vektorokat. Például a Large által reprezentált korpusz voyage-4 lekérdezésekkel is kereshető. Így a keresés két oldala eltérő modellt választhat, miközben a dokumentált kompatibilis térben marad.\n\nEgy gyakorlati gyűjtemény ezért a Large modellel készítheti elő az állandó dokumentumrészleteket, és ettől függetlenül választhatja ki a lekérdezési oldali modellt. A dokumentumokat a korpusz létrehozásakor vagy frissítésekor ágyazzák be, míg a lekérdezéseket akkor vektorizálják, amikor a felhasználók keresnek. A modellcsalád bejelentése a lekérdezési modell kompatibilis családon belüli cseréjét írja le anélkül, hogy pusztán emiatt újra kellene vektorizálni a dokumentumkorpuszt. Az összehasonlított vektorok dimenziója egyezzen, és olyan reprezentációkat használjanak, amelyeket a keresőrendszer együtt tud értelmezni.\n\n### Szakértői keverékarchitektúra a beágyazáshoz\n\nEgy sűrű előrecsatolt réteg minden tokent a teljes paraméterkészletével dolgoz fel. A voyage-4-large esetében ismertetett MoE-megközelítés útválasztót és szakértői előrecsatolt hálózatokat használ, és kiválasztja az egyes tokeneket feldolgozó szakértőket. Ez elkülöníti a modell teljes kapacitását az adott tokenhez aktív paraméterektől. A Voyage a modell MoE-kialakításához 1/10-es aktiválási arányt közöl, top-k útválasztással.\n\nA gyártó műszaki magyarázata két fejlesztési döntést is ismertet. A szakértői kapacitás befolyásolja, hogy a többlettokenek maradékkapcsolaton keresztül megkerülik-e a szakértői réteget; a csapat a legnagyobb megvalósítható kapacitástényezőt választotta a keresési minőség romlásának elkerülésére. A tanítás utolsó szakaszában az útválasztó paramétereit a modellek összevonása előtt rögzítik, hogy a forrásmodellek interpolációja ne változtassa meg a megtanult szakértőválasztási útválasztást. Ezek a modell előkészítésének jellemzői, amelyek különböznek a bemenet előkészítésekor alkalmazott szöveghossz- és csonkolási beállításoktól.\n\n### Dimenziók és kimeneti reprezentáció\n\nA hivatalos modelltáblázat 32 000 tokenes kontextusablakot és választható 256, 512, 1024 és 2048 dimenziós beágyazásokat határoz meg, alapértelmezés szerint 1024 dimenzióval. A modellcsalád Matryoshka-tanulást használ az egymásba ágyazott reprezentációméretekhez, és többféle kvantálási lehetőséget támogat: 32 bites lebegőpontos, előjeles vagy előjel nélküli 8 bites egész számú, valamint csomagolt bináris kimenetet.\n\nBináris kimenetnél a visszaadott bájtlista hossza a kiválasztott dimenzió egynyolcada, mert minden bájt nyolc beágyazási bitet tartalmaz. Az index mellett őrizze meg a dimenzió- és adattípus-választást, és a reprezentációt támogató összehasonlítási módszert használjon. A kisebb vagy tömörített vektor megváltoztatja a kereséshez használt reprezentációt; mielőtt egy gyűjteményhez ezt választja, tényleges kérdéseken értékelje a visszaadott releváns szövegrészleteket.\n\n### Készítse elő a dokumentum- és lekérdezési bemeneteket\n\nA Voyage a korpusz szövegrészleteihez a document, a keresőkérdések megfogalmazásához pedig a query szerep használatát javasolja. A szerepbeállítás a beágyazás előtt hozzáadja a megfelelő keresési utasítást. Őrizze meg a szövegrészlet hasznos címsorát, feltételeit és forrásbeli helyét, majd a visszaadott vektort az eredeti szöveggel és egy állandó azonosítóval együtt tárolja.\n\nMűszaki tudásgyűjteménynél egy meghibásodási módra vonatkozó kérdésnek az adott módot és annak releváns feltételeit leíró szövegrészlethez kell vezetnie. Több nyelvet lefedő dokumentumgyűjteménynél őrizze meg a forrásnyelvet, és értékelje azokat a kérdéseket és kifejezéseket, amelyekkel a felhasználók keresni fognak. A kiadás keresési anyagai között műszaki dokumentumok, beszélgetések, hosszú dokumentumok, kód, jogi, pénzügyi és webes szövegek szerepelnek. A beágyazás jelölt anyagokat talál meg; egy későbbi újrarangsoroló vagy válaszadási lépés az eredeti szöveget használja.\n\n### A kontextus, a kötegelés és a csonkolás korlátai\n\nA gyártó jelenlegi útmutatója egy voyage-4-large kérésben legfeljebb 1000 karakterláncot és összesen 120 000 bemeneti tokent enged meg. Ez eltér a voyage-4 esetében megadott kötegelt kerettől, miközben mindkét modell szövegenként 32 000 tokenes ablakot használ. Az alapértelmezett csonkolás a túl hosszú bemenetet a kerethez rövidíti; a csonkolás kikapcsolása túl hosszú szövegnél hibát eredményez.\n\nTudatosan válassza meg a választ hordozó szövegrészletek határait, hogy egy hosszú forrás ne veszítsen el releváns megszorítást a levágott végén. A keresési eredmények visszaadásakor őrizze meg a forráskapcsolatot, és a tényleges jelölt szöveget vizsgálja meg, ahelyett, hogy a vektorok közelségét a tartalom igazolásának tekintené. A közös tér kompatibilitása a dokumentált Voyage 4 szövegmodellcsaládra vonatkozik; a kontextualizált darabfeldolgozás, a kép- és videóbeágyazások, valamint a későbbi modellkiadások saját, modellspecifikus munkafolyamatok maradnak.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f5ef7c1bb245e8526b4ccb2cb7a4f36188ae0c5409d1dd2ff892c94136d9bc31", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "hu", "methods": [ { "html": "voyageai/voyage-4-largeA voyage-4-large a Voyage AI szakértői keverékarchitektúrájú szövegbeágyazási modellje általános célú és többnyelvű kereséshez. Vektorai a Voyage 4 modellcsalád közös terét használják, így a Large modellel beágyazott korpusz más családtagok kompatibilis lekérdezési beágyazásaival is kereshető.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A voyage-4-large a Voyage AI zászlóshajó szövegbeágyazási modellje a Voyage 4 modellcsaládban. A forrásszövegeket és lekérdezéseket numerikus vektorokként reprezentálja általános célú és többnyelvű kereséshez. Két megkülönböztető jellemzője a szakértői keverékarchitektúra és a voyage-4-large, voyage-4, voyage-4-lite és voyage-4-nano által használt közös beágyazási tér.
A gyártó aszimmetrikus keresést ír le: a dokumentumok a voyage-4-large modellel ágyazhatók be, míg egy másik Voyage 4 családtag készíti elő a lekérdezési vektorokat. Például a Large által reprezentált korpusz voyage-4 lekérdezésekkel is kereshető. Így a keresés két oldala eltérő modellt választhat, miközben a dokumentált kompatibilis térben marad.
Egy gyakorlati gyűjtemény ezért a Large modellel készítheti elő az állandó dokumentumrészleteket, és ettől függetlenül választhatja ki a lekérdezési oldali modellt. A dokumentumokat a korpusz létrehozásakor vagy frissítésekor ágyazzák be, míg a lekérdezéseket akkor vektorizálják, amikor a felhasználók keresnek. A modellcsalád bejelentése a lekérdezési modell kompatibilis családon belüli cseréjét írja le anélkül, hogy pusztán emiatt újra kellene vektorizálni a dokumentumkorpuszt. Az összehasonlított vektorok dimenziója egyezzen, és olyan reprezentációkat használjanak, amelyeket a keresőrendszer együtt tud értelmezni.
Egy sűrű előrecsatolt réteg minden tokent a teljes paraméterkészletével dolgoz fel. A voyage-4-large esetében ismertetett MoE-megközelítés útválasztót és szakértői előrecsatolt hálózatokat használ, és kiválasztja az egyes tokeneket feldolgozó szakértőket. Ez elkülöníti a modell teljes kapacitását az adott tokenhez aktív paraméterektől. A Voyage a modell MoE-kialakításához 1/10-es aktiválási arányt közöl, top-k útválasztással.
A gyártó műszaki magyarázata két fejlesztési döntést is ismertet. A szakértői kapacitás befolyásolja, hogy a többlettokenek maradékkapcsolaton keresztül megkerülik-e a szakértői réteget; a csapat a legnagyobb megvalósítható kapacitástényezőt választotta a keresési minőség romlásának elkerülésére. A tanítás utolsó szakaszában az útválasztó paramétereit a modellek összevonása előtt rögzítik, hogy a forrásmodellek interpolációja ne változtassa meg a megtanult szakértőválasztási útválasztást. Ezek a modell előkészítésének jellemzői, amelyek különböznek a bemenet előkészítésekor alkalmazott szöveghossz- és csonkolási beállításoktól.
A hivatalos modelltáblázat 32 000 tokenes kontextusablakot és választható 256, 512, 1024 és 2048 dimenziós beágyazásokat határoz meg, alapértelmezés szerint 1024 dimenzióval. A modellcsalád Matryoshka-tanulást használ az egymásba ágyazott reprezentációméretekhez, és többféle kvantálási lehetőséget támogat: 32 bites lebegőpontos, előjeles vagy előjel nélküli 8 bites egész számú, valamint csomagolt bináris kimenetet.
Bináris kimenetnél a visszaadott bájtlista hossza a kiválasztott dimenzió egynyolcada, mert minden bájt nyolc beágyazási bitet tartalmaz. Az index mellett őrizze meg a dimenzió- és adattípus-választást, és a reprezentációt támogató összehasonlítási módszert használjon. A kisebb vagy tömörített vektor megváltoztatja a kereséshez használt reprezentációt; mielőtt egy gyűjteményhez ezt választja, tényleges kérdéseken értékelje a visszaadott releváns szövegrészleteket.
A Voyage a korpusz szövegrészleteihez a document, a keresőkérdések megfogalmazásához pedig a query szerep használatát javasolja. A szerepbeállítás a beágyazás előtt hozzáadja a megfelelő keresési utasítást. Őrizze meg a szövegrészlet hasznos címsorát, feltételeit és forrásbeli helyét, majd a visszaadott vektort az eredeti szöveggel és egy állandó azonosítóval együtt tárolja.
Műszaki tudásgyűjteménynél egy meghibásodási módra vonatkozó kérdésnek az adott módot és annak releváns feltételeit leíró szövegrészlethez kell vezetnie. Több nyelvet lefedő dokumentumgyűjteménynél őrizze meg a forrásnyelvet, és értékelje azokat a kérdéseket és kifejezéseket, amelyekkel a felhasználók keresni fognak. A kiadás keresési anyagai között műszaki dokumentumok, beszélgetések, hosszú dokumentumok, kód, jogi, pénzügyi és webes szövegek szerepelnek. A beágyazás jelölt anyagokat talál meg; egy későbbi újrarangsoroló vagy válaszadási lépés az eredeti szöveget használja.
A gyártó jelenlegi útmutatója egy voyage-4-large kérésben legfeljebb 1000 karakterláncot és összesen 120 000 bemeneti tokent enged meg. Ez eltér a voyage-4 esetében megadott kötegelt kerettől, miközben mindkét modell szövegenként 32 000 tokenes ablakot használ. Az alapértelmezett csonkolás a túl hosszú bemenetet a kerethez rövidíti; a csonkolás kikapcsolása túl hosszú szövegnél hibát eredményez.
Tudatosan válassza meg a választ hordozó szövegrészletek határait, hogy egy hosszú forrás ne veszítsen el releváns megszorítást a levágott végén. A keresési eredmények visszaadásakor őrizze meg a forráskapcsolatot, és a tényleges jelölt szöveget vizsgálja meg, ahelyett, hogy a vektorok közelségét a tartalom igazolásának tekintené. A közös tér kompatibilitása a dokumentált Voyage 4 szövegmodellcsaládra vonatkozik; a kontextualizált darabfeldolgozás, a kép- és videóbeágyazások, valamint a későbbi modellkiadások saját, modellspecifikus munkafolyamatok maradnak.
POST /v1/embeddingstext, token_idsembedding| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok voyageai/voyage-4-large | Alapértelmezett— |
Mezőinput | Típusstring|string[]|integer[]|integer[][] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 Feltételek: Nem üres, homogén köteg. A tokenazonosítók nemnegatív egész számok. Bemeneti keret: Maximum: 32 000 · Szövegegység: UTF8-bájtok · Tokenegység: tokentömb elemei | Alapértelmezett— |
Mezőencoding_format | Típusstring | KövetelményOpcionális | Értékek és korlátok float | Alapértelmezettfloat |
Meződimensions | Típusinteger | KövetelményNem támogatott | Értékek és korlátok Minimum: 1 | Alapértelmezett— |
Mezőuser | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezősession_id | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezőtrace | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasítva | Alapértelmezett— |
text_to_embedding
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, input |
Paraméterinput_shapes | Szerződésstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paraméterencoding_format | Szerződésfloat |
Paraméterdimensions_override | Szerződésfalse |
Paramétermax_input_budget_units | Szerződés32000 |
Paramétermultimodal_objects | Szerződésfalse |
Paramétermaterial_types | Szerződéstext, token_ids |
Életciklus: synchronous_json
Őrizze meg minden vektor indexét és dimenzióját.
A multimodális modell neve ezen a pontos útvonalon nem teszi lehetővé képobjektumok használatát.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.00024 / 1K token Kimenet · Kimeneti tokenek $0 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "voyageai/voyage-4-large", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='voyageai/voyage-4-large',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizzen meg minden vektort az indexével együtt. A vektorok számának meg kell egyeznie a bemenetek számával; a dimenzióknak egységesnek kell lenniük.
Nem kerül bevezetésre külön beágyazási feladatvégpont.
| Mező | Típus |
|---|---|
Mezőobject | Típusstring |
Mezőmodel | Típusstring |
Meződata[].index | Típusinteger |
Meződata[].embedding | Típusfinite float[] |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra voyageai/voyage-4-large
Használja a fent látható metódusútvonalakat.