{
  "aboutHtml": "<p>Voyage 3.5 Lite mengubah teks menjadi embedding untuk pencarian informasi semantik. Voyage AI menjelaskan edisi ini sebagai model yang dioptimalkan untuk latensi dan biaya, sehingga menjadi kandidat bagi pengalaman pencarian yang sering membuat embedding pertanyaan masuk atau mengelola kumpulan besar bagian teks yang dapat ditelusuri. Keluarannya adalah representasi numerik teks yang diberikan, yang dibandingkan aplikasi pencarian dengan vektor yang disimpan untuk materi sumbernya.</p><p>Mulailah dengan kumpulan yang batas-batasnya sesuai dengan tugas pengguna. Untuk pusat bantuan, satu bagian teks dapat menjelaskan prosedur beserta prasyaratnya. Untuk arsip diskusi, simpan cukup banyak rangkaian balasan untuk mengidentifikasi hal yang dijawab respons. Hasil harus mengarah ke bukti yang dapat dibaca, jadi simpan teks asli, tautan sumber yang stabil, serta metadata dokumen bersama setiap embedding.</p><p>Tulis kueri uji sebagaimana pengguna akan bertanya. “Di mana saya mengubah alamat pada faktur?” merupakan pemeriksaan pencarian yang lebih berguna daripada menyalin judul artikel terkait. Sertakan pertanyaan singkat, parafrasa, singkatan bidang, serta kasus yang menyebut beberapa konsep. Tinjau bagian teks yang dikembalikan dan identifikasi apakah hasil yang terlewat disebabkan konten sumber yang tidak tersedia, batas bagian teks yang kurang baik, atau pilihan dalam proses pencarian.</p><p>Pembuat mendokumentasikan jendela konteks 32000 token. Kapasitas ini memungkinkan masukan teks yang besar, sementara panjang bagian teks tetap merupakan pilihan desain pengalaman pencarian. Simpan jawaban ringkas bersama kondisi yang diperlukan; hindari memisahkan definisi dari istilah yang dijelaskannya. Ekstrak teks yang dapat dibaca dari sumber dan hapus navigasi yang berulang pada setiap halaman ketika mengaburkan informasi yang diinginkan pengguna.</p><p>Voyage 3.5 Lite mendukung dimensi 2048, 1024, 512, dan 256. Representasi floating-point, bilangan bulat delapan bit, serta biner memberi pilihan tambahan untuk indeks vektor. Uji representasi yang lebih kecil atau terkuantisasi berdasarkan pertanyaan dan korpus yang sama dengan baseline presisi penuh. Catat model, dimensi, serta tipe data yang dipilih bersama indeks agar vektor kueri menggunakan pengaturan yang sesuai.</p><p>Dalam alur pencarian informasi pembuat, identifikasi bagian teks yang diindeks sebagai dokumen dan pencarian masuk sebagai kueri. Pertahankan pemetaan setiap vektor yang dikembalikan ke teks masukannya ketika memproses beberapa bagian sekaligus. Operasi embedding yang berhasil menyediakan vektor; aplikasi tetap perlu menempatkannya dalam catatan yang benar dan menampilkan kutipan sumber ketika pengguna membuka hasil.</p><p>Gunakan edisi ini untuk kumpulan dukungan yang dapat ditelusuri, alat penemuan dokumen, atau tahap pengambilan informasi asisten. Untuk materi multibahasa, evaluasi kombinasi bahasa dalam kumpulan sendiri, alih-alih mengandalkan satu pengujian bahasa Inggris. Sediakan izin serta metadata lokal bagi aplikasi agar kecocokan yang relevan dapat difilter dan ditampilkan dalam konteks yang tepat.</p><p>Untuk kumpulan yang berkembang, perbarui vektor bagian teks yang berubah bersama versi sumbernya. Simpan kumpulan pertanyaan nyata yang mencakup kecocokan mudah, parafrasa sulit, serta dokumen mirip dengan jawaban berbeda. Ukur mutu pencarian informasi dan perilaku alur pencarian lengkap pada beban kerja yang diharapkan. Posisi edisi Lite menurut pembuat membantu memilih kandidat; dimensi akhir, strategi bagian teks, dan pengaturan indeks berasal dari hasil pada materi sendiri.</p>",
  "aboutText": "Voyage 3.5 Lite mengubah teks menjadi embedding untuk pencarian informasi semantik. Voyage AI menjelaskan edisi ini sebagai model yang dioptimalkan untuk latensi dan biaya, sehingga menjadi kandidat bagi pengalaman pencarian yang sering membuat embedding pertanyaan masuk atau mengelola kumpulan besar bagian teks yang dapat ditelusuri. Keluarannya adalah representasi numerik teks yang diberikan, yang dibandingkan aplikasi pencarian dengan vektor yang disimpan untuk materi sumbernya.\n\nMulailah dengan kumpulan yang batas-batasnya sesuai dengan tugas pengguna. Untuk pusat bantuan, satu bagian teks dapat menjelaskan prosedur beserta prasyaratnya. Untuk arsip diskusi, simpan cukup banyak rangkaian balasan untuk mengidentifikasi hal yang dijawab respons. Hasil harus mengarah ke bukti yang dapat dibaca, jadi simpan teks asli, tautan sumber yang stabil, serta metadata dokumen bersama setiap embedding.\n\nTulis kueri uji sebagaimana pengguna akan bertanya. “Di mana saya mengubah alamat pada faktur?” merupakan pemeriksaan pencarian yang lebih berguna daripada menyalin judul artikel terkait. Sertakan pertanyaan singkat, parafrasa, singkatan bidang, serta kasus yang menyebut beberapa konsep. Tinjau bagian teks yang dikembalikan dan identifikasi apakah hasil yang terlewat disebabkan konten sumber yang tidak tersedia, batas bagian teks yang kurang baik, atau pilihan dalam proses pencarian.\n\nPembuat mendokumentasikan jendela konteks 32000 token. Kapasitas ini memungkinkan masukan teks yang besar, sementara panjang bagian teks tetap merupakan pilihan desain pengalaman pencarian. Simpan jawaban ringkas bersama kondisi yang diperlukan; hindari memisahkan definisi dari istilah yang dijelaskannya. Ekstrak teks yang dapat dibaca dari sumber dan hapus navigasi yang berulang pada setiap halaman ketika mengaburkan informasi yang diinginkan pengguna.\n\nVoyage 3.5 Lite mendukung dimensi 2048, 1024, 512, dan 256. Representasi floating-point, bilangan bulat delapan bit, serta biner memberi pilihan tambahan untuk indeks vektor. Uji representasi yang lebih kecil atau terkuantisasi berdasarkan pertanyaan dan korpus yang sama dengan baseline presisi penuh. Catat model, dimensi, serta tipe data yang dipilih bersama indeks agar vektor kueri menggunakan pengaturan yang sesuai.\n\nDalam alur pencarian informasi pembuat, identifikasi bagian teks yang diindeks sebagai dokumen dan pencarian masuk sebagai kueri. Pertahankan pemetaan setiap vektor yang dikembalikan ke teks masukannya ketika memproses beberapa bagian sekaligus. Operasi embedding yang berhasil menyediakan vektor; aplikasi tetap perlu menempatkannya dalam catatan yang benar dan menampilkan kutipan sumber ketika pengguna membuka hasil.\n\nGunakan edisi ini untuk kumpulan dukungan yang dapat ditelusuri, alat penemuan dokumen, atau tahap pengambilan informasi asisten. Untuk materi multibahasa, evaluasi kombinasi bahasa dalam kumpulan sendiri, alih-alih mengandalkan satu pengujian bahasa Inggris. Sediakan izin serta metadata lokal bagi aplikasi agar kecocokan yang relevan dapat difilter dan ditampilkan dalam konteks yang tepat.\n\nUntuk kumpulan yang berkembang, perbarui vektor bagian teks yang berubah bersama versi sumbernya. Simpan kumpulan pertanyaan nyata yang mencakup kecocokan mudah, parafrasa sulit, serta dokumen mirip dengan jawaban berbeda. Ukur mutu pencarian informasi dan perilaku alur pencarian lengkap pada beban kerja yang diharapkan. Posisi edisi Lite menurut pembuat membantu memilih kandidat; dimensi akhir, strategi bagian teks, dan pengaturan indeks berasal dari hasil pada materi sendiri.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "8a480ccfd05467181058a424fc39beb40cb97a1a69c2146bc71e350836379b46",
    "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06",
    "raw_model_unchanged": true,
    "schema": "ailoot-native-model-editorial-v1"
  },
  "locale": "id",
  "methods": [
    {
      "html": "<div class=\"sheet-head\"><span class=\"mav\" aria-hidden=\"true\">•</span><h2 id=\"sheet-title\">Voyage AI: Voyage 3.5 Lite</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Tutup\">×</button></div><div class=\"idline\"><span>Voyage AI /</span><code>voyage-3.5-lite</code><button type=\"button\" id=\"copy-id\">Salin ID</button></div><nav class=\"card-jump-nav\" aria-label=\"Bagian kartu model\"><button type=\"button\" data-card-jump=\"overview\">Mulai</button><button type=\"button\" data-card-jump=\"methods\">Masukan &amp; metode</button><button type=\"button\" data-card-jump=\"pricing\">Paket</button><button type=\"button\" data-card-jump=\"examples\">Contoh</button><button type=\"button\" data-card-jump=\"results\">Hasil</button><button type=\"button\" data-card-jump=\"aliases\">Alias</button></nav><div class=\"card-method-tabs\" role=\"tablist\" aria-label=\"Metode API\"><button type=\"button\" role=\"tab\" tabindex=\"0\" aria-controls=\"card-method-content\" aria-selected=\"true\" id=\"card-method-tab-0\" data-card-method=\"Ultra|embeddings|/v1/embeddings|voyage-3.5-lite\">Embedding</button></div><div id=\"card-method-content\" role=\"tabpanel\" aria-labelledby=\"card-method-tab-0\"><section class=\"card-section\" data-card-section=\"overview\"><h3 tabindex=\"-1\">Mulai</h3><p class=\"mdesc-full\">Voyage 3.5 Lite membuat embedding teks untuk pencarian semantik dengan fokus pada latensi dan efisiensi pengambilan informasi. Model ini mendukung jendela konteks 32000 token, empat ukuran vektor, serta keluaran terkuantisasi untuk pencarian basis pengetahuan, pencocokan dokumen, dan RAG.</p><dl class=\"card-io\" data-card-io><div><dt>Masukan yang diterima</dt><dd>Teks</dd></div><div><dt>Hasil</dt><dd>embedding</dd></div></dl><details class=\"card-about\"><summary>Tentang model</summary><p class=\"note-s\" data-model-method-boundary>Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.</p><div class=\"mabout\" id=\"m-about\"><p>Voyage 3.5 Lite mengubah teks menjadi embedding untuk pencarian informasi semantik. Voyage AI menjelaskan edisi ini sebagai model yang dioptimalkan untuk latensi dan biaya, sehingga menjadi kandidat bagi pengalaman pencarian yang sering membuat embedding pertanyaan masuk atau mengelola kumpulan besar bagian teks yang dapat ditelusuri. Keluarannya adalah representasi numerik teks yang diberikan, yang dibandingkan aplikasi pencarian dengan vektor yang disimpan untuk materi sumbernya.</p><p>Mulailah dengan kumpulan yang batas-batasnya sesuai dengan tugas pengguna. Untuk pusat bantuan, satu bagian teks dapat menjelaskan prosedur beserta prasyaratnya. Untuk arsip diskusi, simpan cukup banyak rangkaian balasan untuk mengidentifikasi hal yang dijawab respons. Hasil harus mengarah ke bukti yang dapat dibaca, jadi simpan teks asli, tautan sumber yang stabil, serta metadata dokumen bersama setiap embedding.</p><p>Tulis kueri uji sebagaimana pengguna akan bertanya. “Di mana saya mengubah alamat pada faktur?” merupakan pemeriksaan pencarian yang lebih berguna daripada menyalin judul artikel terkait. Sertakan pertanyaan singkat, parafrasa, singkatan bidang, serta kasus yang menyebut beberapa konsep. Tinjau bagian teks yang dikembalikan dan identifikasi apakah hasil yang terlewat disebabkan konten sumber yang tidak tersedia, batas bagian teks yang kurang baik, atau pilihan dalam proses pencarian.</p><p>Pembuat mendokumentasikan jendela konteks 32000 token. Kapasitas ini memungkinkan masukan teks yang besar, sementara panjang bagian teks tetap merupakan pilihan desain pengalaman pencarian. Simpan jawaban ringkas bersama kondisi yang diperlukan; hindari memisahkan definisi dari istilah yang dijelaskannya. Ekstrak teks yang dapat dibaca dari sumber dan hapus navigasi yang berulang pada setiap halaman ketika mengaburkan informasi yang diinginkan pengguna.</p><p>Voyage 3.5 Lite mendukung dimensi 2048, 1024, 512, dan 256. Representasi floating-point, bilangan bulat delapan bit, serta biner memberi pilihan tambahan untuk indeks vektor. Uji representasi yang lebih kecil atau terkuantisasi berdasarkan pertanyaan dan korpus yang sama dengan baseline presisi penuh. Catat model, dimensi, serta tipe data yang dipilih bersama indeks agar vektor kueri menggunakan pengaturan yang sesuai.</p><p>Dalam alur pencarian informasi pembuat, identifikasi bagian teks yang diindeks sebagai dokumen dan pencarian masuk sebagai kueri. Pertahankan pemetaan setiap vektor yang dikembalikan ke teks masukannya ketika memproses beberapa bagian sekaligus. Operasi embedding yang berhasil menyediakan vektor; aplikasi tetap perlu menempatkannya dalam catatan yang benar dan menampilkan kutipan sumber ketika pengguna membuka hasil.</p><p>Gunakan edisi ini untuk kumpulan dukungan yang dapat ditelusuri, alat penemuan dokumen, atau tahap pengambilan informasi asisten. Untuk materi multibahasa, evaluasi kombinasi bahasa dalam kumpulan sendiri, alih-alih mengandalkan satu pengujian bahasa Inggris. Sediakan izin serta metadata lokal bagi aplikasi agar kecocokan yang relevan dapat difilter dan ditampilkan dalam konteks yang tepat.</p><p>Untuk kumpulan yang berkembang, perbarui vektor bagian teks yang berubah bersama versi sumbernya. Simpan kumpulan pertanyaan nyata yang mencakup kecocokan mudah, parafrasa sulit, serta dokumen mirip dengan jawaban berbeda. Ukur mutu pencarian informasi dan perilaku alur pencarian lengkap pada beban kerja yang diharapkan. Posisi edisi Lite menurut pembuat membantu memilih kandidat; dimensi akhir, strategi bagian teks, dan pengaturan indeks berasal dari hasil pada materi sendiri.</p></div></details></section><section class=\"card-section\" data-card-section=\"methods\"><h3 tabindex=\"-1\">Tersedia di Ailoot · masukan &amp; metode</h3><details class=\"card-method\" open><summary><b>Ailoot Ultra · Embedding</b> <code>POST /v1/embeddings</code></summary><dl class=\"method-capabilities\"><div><dt>Masukan</dt><dd><code>text</code></dd></div><div><dt>Keluaran</dt><dd><code>embedding</code></dd></div></dl><div class=\"tw\" data-card-parameters data-typed-parameters><table><thead><tr><th>Kolom</th><th>Jenis</th><th>Persyaratan</th><th>Nilai &amp; batasan</th><th>Bawaan</th></tr></thead><tbody><tr><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>string</code></td><td data-cell-label=\"Persyaratan\"><span class=\"card-cell-label\">Persyaratan</span>Wajib</td><td data-cell-label=\"Nilai &amp; batasan\"><span class=\"card-cell-label\">Nilai &amp; batasan</span><div>voyage-3.5-lite</div><div>Kondisi: Gunakan pemilih model Ailoot yang persis.</div></td><td data-cell-label=\"Bawaan\" data-default=\"unspecified\"><span class=\"card-cell-label\">Bawaan</span>—</td></tr><tr><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">input</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>string or array&lt;string&gt;</code></td><td data-cell-label=\"Persyaratan\"><span class=\"card-cell-label\">Persyaratan</span>Wajib</td><td data-cell-label=\"Nilai &amp; batasan\"><span class=\"card-cell-label\">Nilai &amp; batasan</span><div>Kondisi: Teks atau daftar teks; simpan satu vektor untuk setiap item data yang dikembalikan beserta indeksnya.</div></td><td data-cell-label=\"Bawaan\" data-default=\"unspecified\"><span class=\"card-cell-label\">Bawaan</span>—</td></tr></tbody></table></div><details class=\"note-s\" data-method-contract><summary>Parameter metode dan siklus hidup</summary><div class=\"tw\" data-card-table=\"contract\"><table><thead><tr><th>Parameter</th><th>Kontrak</th></tr></thead><tbody><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>content_type</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>application/json</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>required</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>model, input</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>optional</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span></td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>material_types</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>text</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>conditions</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>Kirim teks dengan model yang dipilih; simpan setiap vektor yang dikembalikan beserta indeksnya.</td></tr></tbody></table></div><p>Siklus hidup: <code>synchronous</code></p></details></details></section><section class=\"card-section\" data-card-section=\"pricing\"><h3 tabindex=\"-1\">Paket</h3><div data-native-semantic-method=\"v1\" data-tariff-reference-only><p class=\"note-s\" data-rate-support-note>Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.</p><dl data-price-conditions><dt>Mode Fast</dt><dd>Tidak ditentukan <span class=\"note-s\">Saat mode fast dipilih</span></dd><dt>Mode Flex</dt><dd>Tidak ditentukan <span class=\"note-s\">Saat mode flex dipilih</span></dd><dt>Upaya penalaran maksimum</dt><dd>Tidak ditentukan <span class=\"note-s\">Saat upaya penalaran maksimum menggunakan penyesuaian default</span></dd></dl></div><div data-declared-tariff-pricing><h4>Tarif Ailoot</h4><h4>Harga menurut konfigurasi</h4><div class=\"tw\" data-pricing-profiles><table><thead><tr><th>Konfigurasi</th><th>Jadwal tarif</th><th>Biaya</th></tr></thead><tbody><tr><th data-cell-label=\"Konfigurasi\" scope=\"row\"><span class=\"card-cell-label\">Konfigurasi</span>Tarif dasar token</th><td data-cell-label=\"Jadwal tarif\"><span class=\"card-cell-label\">Jadwal tarif</span>Tarif dasar</td><td data-cell-label=\"Biaya\"><span class=\"card-cell-label\">Biaya</span><div><span>Masukan · Token masukan</span> <b>$0.0001</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Keluaran · Token keluaran</span> <b>$0</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Masukan · Pembacaan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Masukan · Penulisan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Masukan · Penulisan cache, 1 jam</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. <a href=\"/docs/id/billing/reserve/\">Cara kerja cadangan dan penyelesaian tagihan →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Contoh permintaan</h3><h4>Ailoot Ultra · Embedding</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Pilihan kode\"><button class=\"cg-tab\" id=\"model-code-2788-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-2788-panel-0\" aria-selected=\"true\" tabindex=\"0\">curl · simpan semua vektor dan data penggunaan</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Salin kode\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-2788-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-2788-tab-0\"><pre data-lang=\"bash\"><code>set -eu\n: &quot;${AILOOT_API_KEY:?Set your Ailoot API key}&quot;\ncat &gt; request.json &lt;&lt;&#39;JSON&#39;\n{\n  &quot;model&quot;: &quot;voyage-3.5-lite&quot;,\n  &quot;input&quot;: &quot;The quick brown fox jumps over the lazy dog&quot;\n}\nJSON\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H &quot;Authorization: Bearer $AILOOT_API_KEY&quot; -H &#39;Content-Type: application/json&#39; \\\n  --data-binary @request.json -D response-headers.txt -o embeddings.json\n# Keep every data item and its index, the full usage object and response headers.\n</code></pre></div></div></div></section><section class=\"card-section\" data-card-section=\"results\"><h3 tabindex=\"-1\">Terima dan simpan hasil</h3></section><section class=\"card-section\" data-card-section=\"aliases\"><h3 tabindex=\"-1\">Alias</h3><h4>Alias model</h4><p class=\"note-s\"><span data-model-alias-route=\"Ultra\"><b>Ailoot Ultra</b> <a href=\"#m=voyage-3.5-lite&amp;route=Ultra&amp;caller=voyage-3.5-lite&amp;fmt=embeddings\"><code>voyage-3.5-lite</code></a></span></p><h4>Alias jalur metode</h4><p class=\"note-s\">Gunakan jalur metode yang ditampilkan di atas.</p><h4>ID pemanggil terkait</h4><p class=\"note-s\"><a href=\"#m=voyage-3.5-lite&amp;route=Ultra&amp;caller=voyage-3.5-lite&amp;fmt=embeddings\"><code>voyage-3.5-lite</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "voyage-3.5-lite",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "voyage-3.5-lite",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|voyage-3.5-lite",
      "ordinal": 0,
      "rawMethod": {
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Save the complete JSON response, every vector with its index, all usage fields and request headers.",
            "lifecycle": {
              "content": [],
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "mode": "synchronous",
              "status": [],
              "unknown": "Simpan respons asli dan X-Client-Request-ID untuk rekonsiliasi. Respons yang ambigu bukan izin untuk mengirim ulang permintaan pembuatan yang sama.",
              "unknown_no_replay": true
            },
            "outputs": {
              "all_results": "Simpan respons JSON lengkap, setiap vektor beserta indeksnya, semua field penggunaan, dan header permintaan.",
              "every_actual_output": true,
              "family": "embedding",
              "fields": [
                {
                  "name": "object",
                  "type": "string"
                },
                {
                  "name": "model",
                  "type": "string"
                },
                {
                  "name": "data[].index",
                  "type": "integer"
                },
                {
                  "name": "data[].embedding",
                  "type": "array<number>"
                },
                {
                  "name": "usage",
                  "type": "object"
                },
                {
                  "name": "usage.prompt_tokens",
                  "type": "integer"
                },
                {
                  "name": "usage.total_tokens",
                  "type": "integer"
                }
              ]
            },
            "parameters": [
              {
                "conditions": "Gunakan pemilih model Ailoot yang persis.",
                "default_known": false,
                "enum": [
                  "voyage-3.5-lite"
                ],
                "enum_known": true,
                "maximum_length": null,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "conditions": "Teks atau daftar teks; simpan satu vektor untuk setiap item data yang dikembalikan beserta indeksnya.",
                "default_known": false,
                "enum_known": false,
                "maximum_length": null,
                "name": "input",
                "oneOf": [
                  {
                    "minLength": 1,
                    "type": "string"
                  },
                  {
                    "items": {
                      "minLength": 1,
                      "type": "string"
                    },
                    "minItems": 1,
                    "type": "array"
                  }
                ],
                "required": true,
                "type": "string or array<string>"
              }
            ],
            "request_schema": {
              "additionalProperties": true,
              "properties": {
                "input": {
                  "oneOf": [
                    {
                      "minLength": 1,
                      "type": "string"
                    },
                    {
                      "items": {
                        "minLength": 1,
                        "type": "string"
                      },
                      "minItems": 1,
                      "type": "array"
                    }
                  ]
                },
                "model": {
                  "enum": [
                    "voyage-3.5-lite"
                  ],
                  "type": "string"
                }
              },
              "required": [
                "model",
                "input"
              ],
              "type": "object"
            },
            "schema_template": {
              "actual_file_preparation_required": false,
              "body": {
                "input": "The quick brown fox jumps over the lazy dog",
                "model": "voyage-3.5-lite"
              },
              "content_type": "application/json"
            }
          },
          "input": {
            "conditions": [
              "Kirim teks dengan model yang dipilih; simpan setiap vektor yang dikembalikan beserta indeksnya."
            ],
            "content_type": "application/json",
            "material_types": [
              "text"
            ],
            "optional": [],
            "required": [
              "model",
              "input"
            ]
          },
          "lifecycle": {
            "content": [],
            "create": {
              "http": "POST",
              "path": "/v1/embeddings"
            },
            "mode": "synchronous",
            "status": [],
            "unknown": "Keep the original response and X-Client-Request-ID for reconciliation. An ambiguous response is not permission to submit the same creation again.",
            "unknown_no_replay": true
          },
          "method": {
            "http": "POST",
            "path": "/v1/embeddings"
          },
          "output": {
            "all_results": "Save the complete JSON response, every vector with its index, all usage fields and request headers.",
            "every_actual_output": true,
            "family": "embedding",
            "fields": [
              {
                "name": "object",
                "type": "string"
              },
              {
                "name": "model",
                "type": "string"
              },
              {
                "name": "data[].index",
                "type": "integer"
              },
              {
                "name": "data[].embedding",
                "type": "array<number>"
              },
              {
                "name": "usage",
                "type": "object"
              },
              {
                "name": "usage.prompt_tokens",
                "type": "integer"
              },
              {
                "name": "usage.total_tokens",
                "type": "integer"
              }
            ]
          }
        },
        "ctx": null,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Tarif dasar token",
            "units": [
              {
                "amount": "0.0001000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000001",
                "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}\"\ncat > request.json <<'JSON'\n{\n  \"model\": \"voyage-3.5-lite\",\n  \"input\": \"The quick brown fox jumps over the lazy dog\"\n}\nJSON\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 embeddings.json\n# Keep every data item and its index, the full usage object and response headers.\n",
            "label": "curl · save all vectors and usage",
            "language": "bash"
          }
        ],
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "embeddings",
        "http": "POST",
        "in": 0.1,
        "input": [
          "text"
        ],
        "label": "Embedding",
        "max_out": null,
        "max_reasoning_effort_multiplier": null,
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Fast mode",
            "value": "Not specified",
            "when": "When fast mode is selected"
          },
          {
            "label": "Flex mode",
            "value": "Not specified",
            "when": "When flex mode is selected"
          },
          {
            "label": "Maximum reasoning effort",
            "value": "Not specified",
            "when": "When maximum reasoning effort uses the default adjustment"
          }
        ],
        "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": "0.0001000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000001",
                "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": "voyage-3.5-lite",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.0001000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000001",
            "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": "voyage-3.5-lite",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "2984d5e3e5831ce1f7dcbf2fde0165ab3c0fcf45274e60e5e1b9d906f66c66f3",
    "input_html_sha256": "a0536f0fb2ef05b6c8a4015bc966109bada3e7b11f210ef19e256bec01c2d087",
    "private_audit_sha256": "78fbd8e950e6e0f608c7fdac4252a9dd33504a3115d75d897b8ff0bbc80032cd",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/id/voyage-3-5-lite/",
    "description": "Voyage 3.5 Lite membuat embedding teks untuk pencarian semantik dengan fokus pada latensi dan efisiensi pengambilan informasi. Model ini mendukung jendela konteks 32000 token, empat ukuran vektor, serta keluaran terkuantisasi untuk pencarian basis pengetahuan, pencocokan dokumen, dan RAG.",
    "locale": "id",
    "md_url": "https://ailoot.ai/models/id/voyage-3-5-lite/index.md",
    "title": "Voyage AI: Voyage 3.5 Lite — Ailoot",
    "url": "https://ailoot.ai/models/id/voyage-3-5-lite/"
  },
  "rawModel": {
    "about": "Voyage 3.5 Lite mengubah teks menjadi embedding untuk pencarian informasi semantik. Voyage AI menjelaskan edisi ini sebagai model yang dioptimalkan untuk latensi dan biaya, sehingga menjadi kandidat bagi pengalaman pencarian yang sering membuat embedding pertanyaan masuk atau mengelola kumpulan besar bagian teks yang dapat ditelusuri. Keluarannya adalah representasi numerik teks yang diberikan, yang dibandingkan aplikasi pencarian dengan vektor yang disimpan untuk materi sumbernya.\n\nMulailah dengan kumpulan yang batas-batasnya sesuai dengan tugas pengguna. Untuk pusat bantuan, satu bagian teks dapat menjelaskan prosedur beserta prasyaratnya. Untuk arsip diskusi, simpan cukup banyak rangkaian balasan untuk mengidentifikasi hal yang dijawab respons. Hasil harus mengarah ke bukti yang dapat dibaca, jadi simpan teks asli, tautan sumber yang stabil, serta metadata dokumen bersama setiap embedding.\n\nTulis kueri uji sebagaimana pengguna akan bertanya. “Di mana saya mengubah alamat pada faktur?” merupakan pemeriksaan pencarian yang lebih berguna daripada menyalin judul artikel terkait. Sertakan pertanyaan singkat, parafrasa, singkatan bidang, serta kasus yang menyebut beberapa konsep. Tinjau bagian teks yang dikembalikan dan identifikasi apakah hasil yang terlewat disebabkan konten sumber yang tidak tersedia, batas bagian teks yang kurang baik, atau pilihan dalam proses pencarian.\n\nPembuat mendokumentasikan jendela konteks 32000 token. Kapasitas ini memungkinkan masukan teks yang besar, sementara panjang bagian teks tetap merupakan pilihan desain pengalaman pencarian. Simpan jawaban ringkas bersama kondisi yang diperlukan; hindari memisahkan definisi dari istilah yang dijelaskannya. Ekstrak teks yang dapat dibaca dari sumber dan hapus navigasi yang berulang pada setiap halaman ketika mengaburkan informasi yang diinginkan pengguna.\n\nVoyage 3.5 Lite mendukung dimensi 2048, 1024, 512, dan 256. Representasi floating-point, bilangan bulat delapan bit, serta biner memberi pilihan tambahan untuk indeks vektor. Uji representasi yang lebih kecil atau terkuantisasi berdasarkan pertanyaan dan korpus yang sama dengan baseline presisi penuh. Catat model, dimensi, serta tipe data yang dipilih bersama indeks agar vektor kueri menggunakan pengaturan yang sesuai.\n\nDalam alur pencarian informasi pembuat, identifikasi bagian teks yang diindeks sebagai dokumen dan pencarian masuk sebagai kueri. Pertahankan pemetaan setiap vektor yang dikembalikan ke teks masukannya ketika memproses beberapa bagian sekaligus. Operasi embedding yang berhasil menyediakan vektor; aplikasi tetap perlu menempatkannya dalam catatan yang benar dan menampilkan kutipan sumber ketika pengguna membuka hasil.\n\nGunakan edisi ini untuk kumpulan dukungan yang dapat ditelusuri, alat penemuan dokumen, atau tahap pengambilan informasi asisten. Untuk materi multibahasa, evaluasi kombinasi bahasa dalam kumpulan sendiri, alih-alih mengandalkan satu pengujian bahasa Inggris. Sediakan izin serta metadata lokal bagi aplikasi agar kecocokan yang relevan dapat difilter dan ditampilkan dalam konteks yang tepat.\n\nUntuk kumpulan yang berkembang, perbarui vektor bagian teks yang berubah bersama versi sumbernya. Simpan kumpulan pertanyaan nyata yang mencakup kecocokan mudah, parafrasa sulit, serta dokumen mirip dengan jawaban berbeda. Ukur mutu pencarian informasi dan perilaku alur pencarian lengkap pada beban kerja yang diharapkan. Posisi edisi Lite menurut pembuat membantu memilih kandidat; dimensi akhir, strategi bagian teks, dan pengaturan indeks berasal dari hasil pada materi sendiri.",
    "about_sha256": "6da9d6fd6cfde8d6f5bf8b7aa370b1ddd356c1c7303a01cbc8c52ded9e166385",
    "alias_of": null,
    "aliases": [],
    "author": "Voyage AI",
    "capabilities": {
      "context_length": 32000,
      "manufacturer_input": [
        "text"
      ],
      "manufacturer_output": [
        "embeddings"
      ]
    },
    "card_routes": [
      {
        "label": "Ultra",
        "rates": [
          {
            "amount": "0.0001000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000001",
            "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": "Informasi lengkap harga konfigurasi tersedia di bagian detail."
      }
    ],
    "ctx": null,
    "display_name": "Voyage AI: Voyage 3.5 Lite",
    "formats": [
      "embeddings"
    ],
    "id": "voyage-3.5-lite",
    "input": [
      "text"
    ],
    "kind": "embedding",
    "locale": "en",
    "max_out": null,
    "methods": [
      {
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Save the complete JSON response, every vector with its index, all usage fields and request headers.",
            "lifecycle": {
              "content": [],
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "mode": "synchronous",
              "status": [],
              "unknown": "Simpan respons asli dan X-Client-Request-ID untuk rekonsiliasi. Respons yang ambigu bukan izin untuk mengirim ulang permintaan pembuatan yang sama.",
              "unknown_no_replay": true
            },
            "outputs": {
              "all_results": "Simpan respons JSON lengkap, setiap vektor beserta indeksnya, semua field penggunaan, dan header permintaan.",
              "every_actual_output": true,
              "family": "embedding",
              "fields": [
                {
                  "name": "object",
                  "type": "string"
                },
                {
                  "name": "model",
                  "type": "string"
                },
                {
                  "name": "data[].index",
                  "type": "integer"
                },
                {
                  "name": "data[].embedding",
                  "type": "array<number>"
                },
                {
                  "name": "usage",
                  "type": "object"
                },
                {
                  "name": "usage.prompt_tokens",
                  "type": "integer"
                },
                {
                  "name": "usage.total_tokens",
                  "type": "integer"
                }
              ]
            },
            "parameters": [
              {
                "conditions": "Gunakan pemilih model Ailoot yang persis.",
                "default_known": false,
                "enum": [
                  "voyage-3.5-lite"
                ],
                "enum_known": true,
                "maximum_length": null,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "conditions": "Teks atau daftar teks; simpan satu vektor untuk setiap item data yang dikembalikan beserta indeksnya.",
                "default_known": false,
                "enum_known": false,
                "maximum_length": null,
                "name": "input",
                "oneOf": [
                  {
                    "minLength": 1,
                    "type": "string"
                  },
                  {
                    "items": {
                      "minLength": 1,
                      "type": "string"
                    },
                    "minItems": 1,
                    "type": "array"
                  }
                ],
                "required": true,
                "type": "string or array<string>"
              }
            ],
            "request_schema": {
              "additionalProperties": true,
              "properties": {
                "input": {
                  "oneOf": [
                    {
                      "minLength": 1,
                      "type": "string"
                    },
                    {
                      "items": {
                        "minLength": 1,
                        "type": "string"
                      },
                      "minItems": 1,
                      "type": "array"
                    }
                  ]
                },
                "model": {
                  "enum": [
                    "voyage-3.5-lite"
                  ],
                  "type": "string"
                }
              },
              "required": [
                "model",
                "input"
              ],
              "type": "object"
            },
            "schema_template": {
              "actual_file_preparation_required": false,
              "body": {
                "input": "The quick brown fox jumps over the lazy dog",
                "model": "voyage-3.5-lite"
              },
              "content_type": "application/json"
            }
          },
          "input": {
            "conditions": [
              "Kirim teks dengan model yang dipilih; simpan setiap vektor yang dikembalikan beserta indeksnya."
            ],
            "content_type": "application/json",
            "material_types": [
              "text"
            ],
            "optional": [],
            "required": [
              "model",
              "input"
            ]
          },
          "lifecycle": {
            "content": [],
            "create": {
              "http": "POST",
              "path": "/v1/embeddings"
            },
            "mode": "synchronous",
            "status": [],
            "unknown": "Keep the original response and X-Client-Request-ID for reconciliation. An ambiguous response is not permission to submit the same creation again.",
            "unknown_no_replay": true
          },
          "method": {
            "http": "POST",
            "path": "/v1/embeddings"
          },
          "output": {
            "all_results": "Save the complete JSON response, every vector with its index, all usage fields and request headers.",
            "every_actual_output": true,
            "family": "embedding",
            "fields": [
              {
                "name": "object",
                "type": "string"
              },
              {
                "name": "model",
                "type": "string"
              },
              {
                "name": "data[].index",
                "type": "integer"
              },
              {
                "name": "data[].embedding",
                "type": "array<number>"
              },
              {
                "name": "usage",
                "type": "object"
              },
              {
                "name": "usage.prompt_tokens",
                "type": "integer"
              },
              {
                "name": "usage.total_tokens",
                "type": "integer"
              }
            ]
          }
        },
        "ctx": null,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Tarif dasar token",
            "units": [
              {
                "amount": "0.0001000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000001",
                "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}\"\ncat > request.json <<'JSON'\n{\n  \"model\": \"voyage-3.5-lite\",\n  \"input\": \"The quick brown fox jumps over the lazy dog\"\n}\nJSON\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 embeddings.json\n# Keep every data item and its index, the full usage object and response headers.\n",
            "label": "curl · save all vectors and usage",
            "language": "bash"
          }
        ],
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "embeddings",
        "http": "POST",
        "in": 0.1,
        "input": [
          "text"
        ],
        "label": "Embedding",
        "max_out": null,
        "max_reasoning_effort_multiplier": null,
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Fast mode",
            "value": "Not specified",
            "when": "When fast mode is selected"
          },
          {
            "label": "Flex mode",
            "value": "Not specified",
            "when": "When flex mode is selected"
          },
          {
            "label": "Maximum reasoning effort",
            "value": "Not specified",
            "when": "When maximum reasoning effort uses the default adjustment"
          }
        ],
        "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": "0.0001000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000001",
                "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": "voyage-3.5-lite",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.0001000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000001",
            "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": "voyage-3.5-lite",
        "request_model_id": "voyage-3.5-lite",
        "route_label": "Ultra"
      }
    ],
    "name": "Voyage AI: Voyage 3.5 Lite",
    "price": {
      "in": 0.1,
      "in_label": null,
      "out": 0,
      "out_label": null,
      "scope_label": "Token rates",
      "sort_in": 0.1,
      "sort_out": 0,
      "varies": false
    },
    "short": "Voyage 3.5 Lite membuat embedding teks untuk pencarian semantik dengan fokus pada latensi dan efisiensi pengambilan informasi. Model ini mendukung jendela konteks 32000 token, empat ukuran vektor, serta keluaran terkuantisasi untuk pencarian basis pengetahuan, pencocokan dokumen, dan RAG.",
    "short_sha256": "61db24acd587cfab4f14b7f3c526314d69996c4d48e50298883531c74deb64a7"
  },
  "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 3.5 Lite membuat embedding teks untuk pencarian semantik dengan fokus pada latensi dan efisiensi pengambilan informasi. Model ini mendukung jendela konteks 32000 token, empat ukuran vektor, serta keluaran terkuantisasi untuk pencarian basis pengetahuan, pencocokan dokumen, dan RAG.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "98c6dfb29012b295dfbcc2f1cd5d967059af7ec98c047787dcfc1f3035c73136",
    "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d"
  },
  "sourceRevision": "a08b8132713f4d6eb4d203efbe52195fa5280cd82f4cbd4c896c816715cfd1ac"
}