{
  "aboutHtml": "<p>Voyage Finance 2 adalah model embedding teks yang dikhususkan untuk pencarian materi keuangan. Model ini mengubah bagian teks dan pertanyaan pencarian yang diberikan menjadi vektor yang membantu aplikasi menemukan teks sumber yang relevan. Evaluasi keuangan pembuatnya mencakup dokumen pelaporan resmi yang tersedia untuk publik, laporan keuangan, berita perusahaan, dan materi tanya jawab keuangan, sesuai dengan fokus edisi ini pada pencarian bukti yang relevan dengan bidang tersebut.</p><p>Siapkan korpus agar makna keuangan tetap terjaga selama ekstraksi. Sertakan angka bersama label, periode, satuan, dan penjelasan di sekitarnya. Nilai pendapatan tanpa nama perusahaan atau periode pelaporan sulit ditafsirkan dengan benar dalam hasil pencarian. Untuk tabel yang diubah menjadi teks, pertahankan judul baris dan kolom serta jelaskan nilai mana yang saling terkait. Simpan dokumen asli dan lokasi halaman atau bagiannya untuk ditinjau.</p><p>Model ini mendukung jendela konteks 32000 token dan mengembalikan embedding berdimensi 1024. Gunakan ruang masukan yang tersedia untuk bagian teks yang lengkap dan dapat dipahami, sambil memilih batas yang sesuai dengan hasil yang dituju. Satu bagian yang luas dapat membantu menemukan laporan; bagian teks yang terfokus dapat menunjukkan pernyataan spesifik yang menjawab pertanyaan. Simpan hubungan dengan dokumen dan lokasi bagian teks dalam metadata indeks.</p><p>Susun pertanyaan pencarian dengan pembedaan yang penting bagi tugas tersebut. “Apa yang menjelaskan perubahan margin operasi pada kuartal terbaru yang dilaporkan?” memerlukan bagian teks yang berbeda dari pertanyaan yang hanya menanyakan nilai margin. Sertakan perusahaan, periode pelaporan, atau segmen usaha jika diketahui. Uji pertanyaan serupa pada dokumen dengan tanggal berdekatan dan terminologi yang sebanding untuk melihat apakah bukti yang tepat dikembalikan.</p><p>Gunakan model yang sama untuk membuat embedding korpus dan kueri pencarian. Jaga agar setiap vektor keluaran terpetakan ke bagian teks masukannya, lalu gunakan hasil pencarian untuk menampilkan teks asli dan referensi sumber. Asisten keuangan dapat meneruskan bukti yang dipilih ke tahap pembuatan jawaban sambil mempertahankan kutipan yang diperlukan untuk memeriksa setiap jumlah atau penjelasan yang dinyatakan.</p><p>Pisahkan laporan, berita, dan materi penjelasan melalui metadata jika aplikasi memerlukan pembedaan tersebut. Simpan tanggal publikasi dan periode pelaporan secara terpisah; keduanya menjelaskan aspek yang berbeda dari catatan keuangan. Saat dokumen direvisi, pertahankan hubungan antarversi dan perbarui bagian teks yang terdampak agar hasil pencarian mengarah ke sumber yang dimaksud.</p><p>Evaluasi sistem menggunakan pertanyaan yang jawabannya bergantung pada terminologi keuangan dan konteks dokumen. Contoh yang berguna mencakup bagian teks yang menjelaskan suatu perubahan, tabel yang memuat nilai yang diperlukan, dan beberapa laporan yang menggunakan ukuran yang sama untuk periode berbeda. Periksa apakah teks yang dikembalikan memuat cukup informasi untuk mengidentifikasi entitas dan periode yang relevan tanpa menebak dari kueri.</p><p>Model ini menyediakan vektor pencarian untuk basis pengetahuan keuangan, arsip penelitian, atau alur kerja pemilihan bukti. Tetap lakukan verifikasi angka dan pembacaan dokumen dasar dalam proses peninjauan aplikasi. Bagian teks yang relevan menjadi titik awal untuk memeriksa nilai, hubungan, atau klaim; isi sumbernya tetap menjadi dasar penjelasan akhir. Pertahankan kumpulan pertanyaan nyata dengan bagian teks yang diharapkan agar perbaikan ekstraksi dan pengindeksan dapat dinilai menggunakan tugas keuangan yang sama.</p>",
  "aboutText": "Voyage Finance 2 adalah model embedding teks yang dikhususkan untuk pencarian materi keuangan. Model ini mengubah bagian teks dan pertanyaan pencarian yang diberikan menjadi vektor yang membantu aplikasi menemukan teks sumber yang relevan. Evaluasi keuangan pembuatnya mencakup dokumen pelaporan resmi yang tersedia untuk publik, laporan keuangan, berita perusahaan, dan materi tanya jawab keuangan, sesuai dengan fokus edisi ini pada pencarian bukti yang relevan dengan bidang tersebut.\n\nSiapkan korpus agar makna keuangan tetap terjaga selama ekstraksi. Sertakan angka bersama label, periode, satuan, dan penjelasan di sekitarnya. Nilai pendapatan tanpa nama perusahaan atau periode pelaporan sulit ditafsirkan dengan benar dalam hasil pencarian. Untuk tabel yang diubah menjadi teks, pertahankan judul baris dan kolom serta jelaskan nilai mana yang saling terkait. Simpan dokumen asli dan lokasi halaman atau bagiannya untuk ditinjau.\n\nModel ini mendukung jendela konteks 32000 token dan mengembalikan embedding berdimensi 1024. Gunakan ruang masukan yang tersedia untuk bagian teks yang lengkap dan dapat dipahami, sambil memilih batas yang sesuai dengan hasil yang dituju. Satu bagian yang luas dapat membantu menemukan laporan; bagian teks yang terfokus dapat menunjukkan pernyataan spesifik yang menjawab pertanyaan. Simpan hubungan dengan dokumen dan lokasi bagian teks dalam metadata indeks.\n\nSusun pertanyaan pencarian dengan pembedaan yang penting bagi tugas tersebut. “Apa yang menjelaskan perubahan margin operasi pada kuartal terbaru yang dilaporkan?” memerlukan bagian teks yang berbeda dari pertanyaan yang hanya menanyakan nilai margin. Sertakan perusahaan, periode pelaporan, atau segmen usaha jika diketahui. Uji pertanyaan serupa pada dokumen dengan tanggal berdekatan dan terminologi yang sebanding untuk melihat apakah bukti yang tepat dikembalikan.\n\nGunakan model yang sama untuk membuat embedding korpus dan kueri pencarian. Jaga agar setiap vektor keluaran terpetakan ke bagian teks masukannya, lalu gunakan hasil pencarian untuk menampilkan teks asli dan referensi sumber. Asisten keuangan dapat meneruskan bukti yang dipilih ke tahap pembuatan jawaban sambil mempertahankan kutipan yang diperlukan untuk memeriksa setiap jumlah atau penjelasan yang dinyatakan.\n\nPisahkan laporan, berita, dan materi penjelasan melalui metadata jika aplikasi memerlukan pembedaan tersebut. Simpan tanggal publikasi dan periode pelaporan secara terpisah; keduanya menjelaskan aspek yang berbeda dari catatan keuangan. Saat dokumen direvisi, pertahankan hubungan antarversi dan perbarui bagian teks yang terdampak agar hasil pencarian mengarah ke sumber yang dimaksud.\n\nEvaluasi sistem menggunakan pertanyaan yang jawabannya bergantung pada terminologi keuangan dan konteks dokumen. Contoh yang berguna mencakup bagian teks yang menjelaskan suatu perubahan, tabel yang memuat nilai yang diperlukan, dan beberapa laporan yang menggunakan ukuran yang sama untuk periode berbeda. Periksa apakah teks yang dikembalikan memuat cukup informasi untuk mengidentifikasi entitas dan periode yang relevan tanpa menebak dari kueri.\n\nModel ini menyediakan vektor pencarian untuk basis pengetahuan keuangan, arsip penelitian, atau alur kerja pemilihan bukti. Tetap lakukan verifikasi angka dan pembacaan dokumen dasar dalam proses peninjauan aplikasi. Bagian teks yang relevan menjadi titik awal untuk memeriksa nilai, hubungan, atau klaim; isi sumbernya tetap menjadi dasar penjelasan akhir. Pertahankan kumpulan pertanyaan nyata dengan bagian teks yang diharapkan agar perbaikan ekstraksi dan pengindeksan dapat dinilai menggunakan tugas keuangan yang sama.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "7e8b380224702a8421fabfee7fea6e9db7ca7477dfd64be8f899f40f42cdad6a",
    "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 Finance 2</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Tutup\">×</button></div><div class=\"idline\"><span>Voyage AI /</span><code>voyage-finance-2</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-finance-2\">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 Finance 2 membuat embedding teks keuangan untuk pencarian dokumen dan RAG. Jendela 32000 token dan vektor berdimensi 1024 mendukung pencarian dalam dokumen pelaporan resmi, laporan keuangan, dan berita keuangan, sambil menjaga agar hasil tetap terhubung dengan bukti aslinya.</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 Finance 2 adalah model embedding teks yang dikhususkan untuk pencarian materi keuangan. Model ini mengubah bagian teks dan pertanyaan pencarian yang diberikan menjadi vektor yang membantu aplikasi menemukan teks sumber yang relevan. Evaluasi keuangan pembuatnya mencakup dokumen pelaporan resmi yang tersedia untuk publik, laporan keuangan, berita perusahaan, dan materi tanya jawab keuangan, sesuai dengan fokus edisi ini pada pencarian bukti yang relevan dengan bidang tersebut.</p><p>Siapkan korpus agar makna keuangan tetap terjaga selama ekstraksi. Sertakan angka bersama label, periode, satuan, dan penjelasan di sekitarnya. Nilai pendapatan tanpa nama perusahaan atau periode pelaporan sulit ditafsirkan dengan benar dalam hasil pencarian. Untuk tabel yang diubah menjadi teks, pertahankan judul baris dan kolom serta jelaskan nilai mana yang saling terkait. Simpan dokumen asli dan lokasi halaman atau bagiannya untuk ditinjau.</p><p>Model ini mendukung jendela konteks 32000 token dan mengembalikan embedding berdimensi 1024. Gunakan ruang masukan yang tersedia untuk bagian teks yang lengkap dan dapat dipahami, sambil memilih batas yang sesuai dengan hasil yang dituju. Satu bagian yang luas dapat membantu menemukan laporan; bagian teks yang terfokus dapat menunjukkan pernyataan spesifik yang menjawab pertanyaan. Simpan hubungan dengan dokumen dan lokasi bagian teks dalam metadata indeks.</p><p>Susun pertanyaan pencarian dengan pembedaan yang penting bagi tugas tersebut. “Apa yang menjelaskan perubahan margin operasi pada kuartal terbaru yang dilaporkan?” memerlukan bagian teks yang berbeda dari pertanyaan yang hanya menanyakan nilai margin. Sertakan perusahaan, periode pelaporan, atau segmen usaha jika diketahui. Uji pertanyaan serupa pada dokumen dengan tanggal berdekatan dan terminologi yang sebanding untuk melihat apakah bukti yang tepat dikembalikan.</p><p>Gunakan model yang sama untuk membuat embedding korpus dan kueri pencarian. Jaga agar setiap vektor keluaran terpetakan ke bagian teks masukannya, lalu gunakan hasil pencarian untuk menampilkan teks asli dan referensi sumber. Asisten keuangan dapat meneruskan bukti yang dipilih ke tahap pembuatan jawaban sambil mempertahankan kutipan yang diperlukan untuk memeriksa setiap jumlah atau penjelasan yang dinyatakan.</p><p>Pisahkan laporan, berita, dan materi penjelasan melalui metadata jika aplikasi memerlukan pembedaan tersebut. Simpan tanggal publikasi dan periode pelaporan secara terpisah; keduanya menjelaskan aspek yang berbeda dari catatan keuangan. Saat dokumen direvisi, pertahankan hubungan antarversi dan perbarui bagian teks yang terdampak agar hasil pencarian mengarah ke sumber yang dimaksud.</p><p>Evaluasi sistem menggunakan pertanyaan yang jawabannya bergantung pada terminologi keuangan dan konteks dokumen. Contoh yang berguna mencakup bagian teks yang menjelaskan suatu perubahan, tabel yang memuat nilai yang diperlukan, dan beberapa laporan yang menggunakan ukuran yang sama untuk periode berbeda. Periksa apakah teks yang dikembalikan memuat cukup informasi untuk mengidentifikasi entitas dan periode yang relevan tanpa menebak dari kueri.</p><p>Model ini menyediakan vektor pencarian untuk basis pengetahuan keuangan, arsip penelitian, atau alur kerja pemilihan bukti. Tetap lakukan verifikasi angka dan pembacaan dokumen dasar dalam proses peninjauan aplikasi. Bagian teks yang relevan menjadi titik awal untuk memeriksa nilai, hubungan, atau klaim; isi sumbernya tetap menjadi dasar penjelasan akhir. Pertahankan kumpulan pertanyaan nyata dengan bagian teks yang diharapkan agar perbaikan ekstraksi dan pengindeksan dapat dinilai menggunakan tugas keuangan yang sama.</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-finance-2</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>$0.0004</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Keluaran · Token keluaran</span> <b>$0</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Masukan · Pembacaan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Masukan · Penulisan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Masukan · Penulisan cache, 1 jam</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. <a href=\"/docs/id/billing/reserve/\">Cara kerja cadangan dan penyelesaian tagihan →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Contoh permintaan</h3><h4>Ailoot Ultra · Embedding</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Pilihan kode\"><button class=\"cg-tab\" id=\"model-code-2792-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-2792-panel-0\" aria-selected=\"true\" tabindex=\"0\">curl · simpan semua vektor dan data penggunaan</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Salin kode\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-2792-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-2792-tab-0\"><pre data-lang=\"bash\"><code>set -eu\n: &quot;${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-finance-2&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-finance-2&amp;route=Ultra&amp;caller=voyage-finance-2&amp;fmt=embeddings\"><code>voyage-finance-2</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-finance-2&amp;route=Ultra&amp;caller=voyage-finance-2&amp;fmt=embeddings\"><code>voyage-finance-2</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "voyage-finance-2",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "voyage-finance-2",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|voyage-finance-2",
      "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-finance-2"
                ],
                "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-finance-2"
                  ],
                  "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-finance-2"
              },
              "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": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "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-finance-2\",\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": 0.4,
        "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": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "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-finance-2",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.0004000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000004",
            "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-finance-2",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "877cd2d2e372bc87cc6fa37f3c7a4a5c40adc068fc40edad9448e2b72896f114",
    "input_html_sha256": "8b564677a87239ca625d49b087fde9bdbaea2e984815f967e7b27d35f146a20c",
    "private_audit_sha256": "36621e758392e81fc1cb6e49cd05d235988f1983949e1e5e844ca8550bb489aa",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/id/voyage-finance-2/",
    "description": "Voyage Finance 2 membuat embedding teks keuangan untuk pencarian dokumen dan RAG. Jendela 32000 token dan vektor berdimensi 1024 mendukung pencarian dalam dokumen pelaporan resmi, laporan keuangan, dan berita keuangan, sambil menjaga agar hasil tetap terhubung dengan bukti aslinya.",
    "locale": "id",
    "md_url": "https://ailoot.ai/models/id/voyage-finance-2/index.md",
    "title": "Voyage AI: Voyage Finance 2 — Ailoot",
    "url": "https://ailoot.ai/models/id/voyage-finance-2/"
  },
  "rawModel": {
    "about": "Voyage Finance 2 adalah model embedding teks yang dikhususkan untuk pencarian materi keuangan. Model ini mengubah bagian teks dan pertanyaan pencarian yang diberikan menjadi vektor yang membantu aplikasi menemukan teks sumber yang relevan. Evaluasi keuangan pembuatnya mencakup dokumen pelaporan resmi yang tersedia untuk publik, laporan keuangan, berita perusahaan, dan materi tanya jawab keuangan, sesuai dengan fokus edisi ini pada pencarian bukti yang relevan dengan bidang tersebut.\n\nSiapkan korpus agar makna keuangan tetap terjaga selama ekstraksi. Sertakan angka bersama label, periode, satuan, dan penjelasan di sekitarnya. Nilai pendapatan tanpa nama perusahaan atau periode pelaporan sulit ditafsirkan dengan benar dalam hasil pencarian. Untuk tabel yang diubah menjadi teks, pertahankan judul baris dan kolom serta jelaskan nilai mana yang saling terkait. Simpan dokumen asli dan lokasi halaman atau bagiannya untuk ditinjau.\n\nModel ini mendukung jendela konteks 32000 token dan mengembalikan embedding berdimensi 1024. Gunakan ruang masukan yang tersedia untuk bagian teks yang lengkap dan dapat dipahami, sambil memilih batas yang sesuai dengan hasil yang dituju. Satu bagian yang luas dapat membantu menemukan laporan; bagian teks yang terfokus dapat menunjukkan pernyataan spesifik yang menjawab pertanyaan. Simpan hubungan dengan dokumen dan lokasi bagian teks dalam metadata indeks.\n\nSusun pertanyaan pencarian dengan pembedaan yang penting bagi tugas tersebut. “Apa yang menjelaskan perubahan margin operasi pada kuartal terbaru yang dilaporkan?” memerlukan bagian teks yang berbeda dari pertanyaan yang hanya menanyakan nilai margin. Sertakan perusahaan, periode pelaporan, atau segmen usaha jika diketahui. Uji pertanyaan serupa pada dokumen dengan tanggal berdekatan dan terminologi yang sebanding untuk melihat apakah bukti yang tepat dikembalikan.\n\nGunakan model yang sama untuk membuat embedding korpus dan kueri pencarian. Jaga agar setiap vektor keluaran terpetakan ke bagian teks masukannya, lalu gunakan hasil pencarian untuk menampilkan teks asli dan referensi sumber. Asisten keuangan dapat meneruskan bukti yang dipilih ke tahap pembuatan jawaban sambil mempertahankan kutipan yang diperlukan untuk memeriksa setiap jumlah atau penjelasan yang dinyatakan.\n\nPisahkan laporan, berita, dan materi penjelasan melalui metadata jika aplikasi memerlukan pembedaan tersebut. Simpan tanggal publikasi dan periode pelaporan secara terpisah; keduanya menjelaskan aspek yang berbeda dari catatan keuangan. Saat dokumen direvisi, pertahankan hubungan antarversi dan perbarui bagian teks yang terdampak agar hasil pencarian mengarah ke sumber yang dimaksud.\n\nEvaluasi sistem menggunakan pertanyaan yang jawabannya bergantung pada terminologi keuangan dan konteks dokumen. Contoh yang berguna mencakup bagian teks yang menjelaskan suatu perubahan, tabel yang memuat nilai yang diperlukan, dan beberapa laporan yang menggunakan ukuran yang sama untuk periode berbeda. Periksa apakah teks yang dikembalikan memuat cukup informasi untuk mengidentifikasi entitas dan periode yang relevan tanpa menebak dari kueri.\n\nModel ini menyediakan vektor pencarian untuk basis pengetahuan keuangan, arsip penelitian, atau alur kerja pemilihan bukti. Tetap lakukan verifikasi angka dan pembacaan dokumen dasar dalam proses peninjauan aplikasi. Bagian teks yang relevan menjadi titik awal untuk memeriksa nilai, hubungan, atau klaim; isi sumbernya tetap menjadi dasar penjelasan akhir. Pertahankan kumpulan pertanyaan nyata dengan bagian teks yang diharapkan agar perbaikan ekstraksi dan pengindeksan dapat dinilai menggunakan tugas keuangan yang sama.",
    "about_sha256": "db4a1cc717225917205707160c888d82c14d3b79b36609ce5c035f373f993fbd",
    "alias_of": null,
    "aliases": [],
    "author": "Voyage AI",
    "capabilities": {
      "context_length": 32000,
      "manufacturer_input": [
        "text"
      ],
      "manufacturer_output": [
        "embeddings"
      ]
    },
    "card_routes": [
      {
        "label": "Ultra",
        "rates": [
          {
            "amount": "0.0004000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000004",
            "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 Finance 2",
    "formats": [
      "embeddings"
    ],
    "id": "voyage-finance-2",
    "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-finance-2"
                ],
                "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-finance-2"
                  ],
                  "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-finance-2"
              },
              "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": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "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-finance-2\",\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": 0.4,
        "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": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "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-finance-2",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.0004000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000004",
            "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-finance-2",
        "request_model_id": "voyage-finance-2",
        "route_label": "Ultra"
      }
    ],
    "name": "Voyage AI: Voyage Finance 2",
    "price": {
      "in": 0.4,
      "in_label": null,
      "out": 0,
      "out_label": null,
      "scope_label": "Token rates",
      "sort_in": 0.4,
      "sort_out": 0,
      "varies": false
    },
    "short": "Voyage Finance 2 membuat embedding teks keuangan untuk pencarian dokumen dan RAG. Jendela 32000 token dan vektor berdimensi 1024 mendukung pencarian dalam dokumen pelaporan resmi, laporan keuangan, dan berita keuangan, sambil menjaga agar hasil tetap terhubung dengan bukti aslinya.",
    "short_sha256": "3c81b808a4fda5f645a3be957e4fb11c82e590d12b842053bed5d8051f98ec8a"
  },
  "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 Finance 2 membuat embedding teks keuangan untuk pencarian dokumen dan RAG. Jendela 32000 token dan vektor berdimensi 1024 mendukung pencarian dalam dokumen pelaporan resmi, laporan keuangan, dan berita keuangan, sambil menjaga agar hasil tetap terhubung dengan bukti aslinya.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "da81880d1e9e69ab69220ebda76313bad9bf2108c44649a21837284e7f811287",
    "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d"
  },
  "sourceRevision": "0dc05242f2a8e154bf74e48b345c969957c79ac867f59d381003e8199f63a8d9"
}