{ "aboutHtml": "

voyage-4-large adalah model embedding teks unggulan Voyage AI dalam keluarga Voyage 4. Model ini merepresentasikan bagian teks sumber dan kueri sebagai vektor numerik untuk pencarian serbaguna dan multibahasa. Dua ciri pembedanya adalah rancangan model mixture-of-experts dan ruang embedding bersama yang digunakan oleh voyage-4-large, voyage-4, voyage-4-lite, dan voyage-4-nano.

Ruang bersama: pilihan korpus dan kueri yang terpisah

Pengembang menjelaskan pencarian asimetris: dokumen dapat dibuat embedding-nya dengan voyage-4-large, sementara model keluarga Voyage 4 yang berbeda menyiapkan vektor kueri. Misalnya, korpus yang direpresentasikan oleh Large dapat ditelusuri dengan kueri voyage-4. Dengan begitu, kedua sisi pencarian dapat memiliki pilihan model yang berbeda sambil tetap berada dalam ruang kompatibel yang didokumentasikan.

Karena itu, koleksi praktis dapat menggunakan Large untuk menyiapkan bagian dokumen yang stabil dan memilih model sisi kueri secara mandiri. Embedding dokumen dibuat ketika korpus dibuat atau diperbarui, sedangkan kueri diubah menjadi vektor saat pengguna mencari. Pengumuman keluarga menjelaskan penggantian model kueri dalam keluarga yang kompatibel tanpa membuat ulang vektor korpus dokumen semata-mata karena perubahan tersebut. Pertahankan dimensi yang sama pada vektor yang dibandingkan dan representasi yang dapat ditafsirkan bersama oleh sistem pencarian.

Rancangan embedding mixture-of-experts

Lapisan feed-forward dense memproses setiap token melalui seluruh kumpulan parameternya. Pendekatan MoE yang dijelaskan untuk voyage-4-large menggunakan router dan jaringan feed-forward pakar, dengan memilih pakar yang memproses setiap token. Ini memisahkan kapasitas model total dari parameter yang aktif untuk token tertentu. Voyage melaporkan rasio aktivasi 1/10 untuk rancangan MoE model ini, menggunakan perutean top-k.

Penjelasan teknis pengembang juga menjelaskan dua pilihan pengembangan. Kapasitas pakar memengaruhi apakah token berlebih melewati lapisan pakar melalui jalur residual; tim memilih faktor kapasitas terbesar yang memungkinkan untuk menghindari penurunan kualitas pencarian. Pada tahap pelatihan akhir, parameter router dibekukan sebelum penggabungan model agar interpolasi model sumber tidak mengubah perutean pemilihan pakar yang telah dipelajari. Ini merupakan karakteristik persiapan model, terpisah dari pengaturan panjang teks atau pemotongan yang digunakan saat menyiapkan masukan.

Dimensi dan representasi keluaran

Tabel model resmi menetapkan jendela konteks 32,000 token dan pilihan embedding berdimensi 256, 512, 1024, serta 2048, dengan 1024 sebagai bawaan. Keluarga ini menggunakan pembelajaran Matryoshka untuk ukuran representasi bertingkat dan mendukung pilihan kuantisasi: floating point 32 bit, bilangan bulat 8 bit bertanda atau tanpa tanda, dan keluaran biner yang dikemas.

Pada keluaran biner, panjang daftar byte yang dikembalikan adalah seperdelapan dari dimensi yang dipilih karena setiap byte memuat delapan bit embedding. Simpan pilihan dimensi dan jenis data bersama indeks, dan gunakan metode perbandingan yang mendukung representasi tersebut. Vektor yang lebih kecil atau terkompresi mengubah representasi yang digunakan untuk pencarian; nilai bagian relevan yang dikembalikan pada pertanyaan nyata sebelum memilihnya untuk koleksi.

Siapkan masukan dokumen dan kueri

Voyage menyarankan penggunaan peran document untuk bagian teks korpus dan peran query untuk kata-kata pencarian. Opsi perannya menambahkan instruksi pencarian yang bersesuaian sebelum membuat embedding. Pertahankan judul yang berguna, kondisi, dan lokasi sumber dari bagian teks tersebut, lalu simpan vektor yang dikembalikan bersama teks asli dan pengenal yang stabil.

Untuk koleksi pengetahuan teknis, pertanyaan tentang mode kegagalan perlu mengarah ke bagian yang menjelaskan mode tersebut dan kondisi yang relevan. Untuk koleksi dokumen lintas bahasa, pertahankan bahasa sumber dan evaluasi pertanyaan serta istilah yang akan digunakan pengguna untuk mencari. Rilis ini mencakup materi pencarian, termasuk dokumen teknis, percakapan, dokumen panjang, kode, hukum, keuangan, dan teks web. Embedding menemukan materi kandidat; reranker atau tahap jawaban berikutnya menggunakan teks asli.

Batas konteks, batch, dan pemotongan

Panduan pengembang saat ini mengizinkan hingga 1,000 string dan total 120,000 token masukan dalam satu permintaan voyage-4-large. Ini berbeda dari jatah batch yang dicantumkan untuk voyage-4, sementara keduanya memiliki jendela 32,000 token per teks. Pemotongan bawaan memendekkan masukan yang terlalu panjang agar muat; menonaktifkan pemotongan mengembalikan kesalahan untuk teks yang terlalu panjang.

Pilih batas bagian teks yang memuat jawaban secara sengaja agar sumber panjang tidak kehilangan keterangan pembatas yang relevan pada bagian akhir yang terpotong. Pertahankan hubungan sumber saat mengembalikan hasil pencarian, dan periksa teks kandidat yang sebenarnya, alih-alih menganggap kedekatan vektor sebagai verifikasi isinya. Kompatibilitas ruang bersama berlaku pada keluarga teks Voyage 4 yang didokumentasikan; pemrosesan potongan teks berkonteks, embedding gambar/video, dan edisi model yang lebih baru tetap memiliki alur kerja khusus model masing-masing.

", "aboutText": "voyage-4-large adalah model embedding teks unggulan Voyage AI dalam keluarga Voyage 4. Model ini merepresentasikan bagian teks sumber dan kueri sebagai vektor numerik untuk pencarian serbaguna dan multibahasa. Dua ciri pembedanya adalah rancangan model mixture-of-experts dan ruang embedding bersama yang digunakan oleh voyage-4-large, voyage-4, voyage-4-lite, dan voyage-4-nano.\n\n### Ruang bersama: pilihan korpus dan kueri yang terpisah\n\nPengembang menjelaskan pencarian asimetris: dokumen dapat dibuat embedding-nya dengan voyage-4-large, sementara model keluarga Voyage 4 yang berbeda menyiapkan vektor kueri. Misalnya, korpus yang direpresentasikan oleh Large dapat ditelusuri dengan kueri voyage-4. Dengan begitu, kedua sisi pencarian dapat memiliki pilihan model yang berbeda sambil tetap berada dalam ruang kompatibel yang didokumentasikan.\n\nKarena itu, koleksi praktis dapat menggunakan Large untuk menyiapkan bagian dokumen yang stabil dan memilih model sisi kueri secara mandiri. Embedding dokumen dibuat ketika korpus dibuat atau diperbarui, sedangkan kueri diubah menjadi vektor saat pengguna mencari. Pengumuman keluarga menjelaskan penggantian model kueri dalam keluarga yang kompatibel tanpa membuat ulang vektor korpus dokumen semata-mata karena perubahan tersebut. Pertahankan dimensi yang sama pada vektor yang dibandingkan dan representasi yang dapat ditafsirkan bersama oleh sistem pencarian.\n\n### Rancangan embedding mixture-of-experts\n\nLapisan feed-forward dense memproses setiap token melalui seluruh kumpulan parameternya. Pendekatan MoE yang dijelaskan untuk voyage-4-large menggunakan router dan jaringan feed-forward pakar, dengan memilih pakar yang memproses setiap token. Ini memisahkan kapasitas model total dari parameter yang aktif untuk token tertentu. Voyage melaporkan rasio aktivasi 1/10 untuk rancangan MoE model ini, menggunakan perutean top-k.\n\nPenjelasan teknis pengembang juga menjelaskan dua pilihan pengembangan. Kapasitas pakar memengaruhi apakah token berlebih melewati lapisan pakar melalui jalur residual; tim memilih faktor kapasitas terbesar yang memungkinkan untuk menghindari penurunan kualitas pencarian. Pada tahap pelatihan akhir, parameter router dibekukan sebelum penggabungan model agar interpolasi model sumber tidak mengubah perutean pemilihan pakar yang telah dipelajari. Ini merupakan karakteristik persiapan model, terpisah dari pengaturan panjang teks atau pemotongan yang digunakan saat menyiapkan masukan.\n\n### Dimensi dan representasi keluaran\n\nTabel model resmi menetapkan jendela konteks 32,000 token dan pilihan embedding berdimensi 256, 512, 1024, serta 2048, dengan 1024 sebagai bawaan. Keluarga ini menggunakan pembelajaran Matryoshka untuk ukuran representasi bertingkat dan mendukung pilihan kuantisasi: floating point 32 bit, bilangan bulat 8 bit bertanda atau tanpa tanda, dan keluaran biner yang dikemas.\n\nPada keluaran biner, panjang daftar byte yang dikembalikan adalah seperdelapan dari dimensi yang dipilih karena setiap byte memuat delapan bit embedding. Simpan pilihan dimensi dan jenis data bersama indeks, dan gunakan metode perbandingan yang mendukung representasi tersebut. Vektor yang lebih kecil atau terkompresi mengubah representasi yang digunakan untuk pencarian; nilai bagian relevan yang dikembalikan pada pertanyaan nyata sebelum memilihnya untuk koleksi.\n\n### Siapkan masukan dokumen dan kueri\n\nVoyage menyarankan penggunaan peran document untuk bagian teks korpus dan peran query untuk kata-kata pencarian. Opsi perannya menambahkan instruksi pencarian yang bersesuaian sebelum membuat embedding. Pertahankan judul yang berguna, kondisi, dan lokasi sumber dari bagian teks tersebut, lalu simpan vektor yang dikembalikan bersama teks asli dan pengenal yang stabil.\n\nUntuk koleksi pengetahuan teknis, pertanyaan tentang mode kegagalan perlu mengarah ke bagian yang menjelaskan mode tersebut dan kondisi yang relevan. Untuk koleksi dokumen lintas bahasa, pertahankan bahasa sumber dan evaluasi pertanyaan serta istilah yang akan digunakan pengguna untuk mencari. Rilis ini mencakup materi pencarian, termasuk dokumen teknis, percakapan, dokumen panjang, kode, hukum, keuangan, dan teks web. Embedding menemukan materi kandidat; reranker atau tahap jawaban berikutnya menggunakan teks asli.\n\n### Batas konteks, batch, dan pemotongan\n\nPanduan pengembang saat ini mengizinkan hingga 1,000 string dan total 120,000 token masukan dalam satu permintaan voyage-4-large. Ini berbeda dari jatah batch yang dicantumkan untuk voyage-4, sementara keduanya memiliki jendela 32,000 token per teks. Pemotongan bawaan memendekkan masukan yang terlalu panjang agar muat; menonaktifkan pemotongan mengembalikan kesalahan untuk teks yang terlalu panjang.\n\nPilih batas bagian teks yang memuat jawaban secara sengaja agar sumber panjang tidak kehilangan keterangan pembatas yang relevan pada bagian akhir yang terpotong. Pertahankan hubungan sumber saat mengembalikan hasil pencarian, dan periksa teks kandidat yang sebenarnya, alih-alih menganggap kedekatan vektor sebagai verifikasi isinya. Kompatibilitas ruang bersama berlaku pada keluarga teks Voyage 4 yang didokumentasikan; pemrosesan potongan teks berkonteks, embedding gambar/video, dan edisi model yang lebih baru tetap memiliki alur kerja khusus model masing-masing.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "46088445c5601f33b8bdd46e031e86b7a016275378bed3ef4daa75d3a8fa1936", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-4-large

VoyageAI by MongoDB /voyageai/voyage-4-large

Mulai

voyage-4-large adalah model embedding teks mixture-of-experts Voyage AI untuk temu kembali serbaguna dan multibahasa. Vektornya berbagi ruang keluarga Voyage 4, sehingga embedding korpus dari Large dapat dicari dengan embedding kueri kompatibel dari model lain dalam keluarga yang sama.

Masukan yang diterima
Teks · token_ids
Hasil
embedding
Tentang model

Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.

voyage-4-large adalah model embedding teks unggulan Voyage AI dalam keluarga Voyage 4. Model ini merepresentasikan bagian teks sumber dan kueri sebagai vektor numerik untuk pencarian serbaguna dan multibahasa. Dua ciri pembedanya adalah rancangan model mixture-of-experts dan ruang embedding bersama yang digunakan oleh voyage-4-large, voyage-4, voyage-4-lite, dan voyage-4-nano.

Ruang bersama: pilihan korpus dan kueri yang terpisah

Pengembang menjelaskan pencarian asimetris: dokumen dapat dibuat embedding-nya dengan voyage-4-large, sementara model keluarga Voyage 4 yang berbeda menyiapkan vektor kueri. Misalnya, korpus yang direpresentasikan oleh Large dapat ditelusuri dengan kueri voyage-4. Dengan begitu, kedua sisi pencarian dapat memiliki pilihan model yang berbeda sambil tetap berada dalam ruang kompatibel yang didokumentasikan.

Karena itu, koleksi praktis dapat menggunakan Large untuk menyiapkan bagian dokumen yang stabil dan memilih model sisi kueri secara mandiri. Embedding dokumen dibuat ketika korpus dibuat atau diperbarui, sedangkan kueri diubah menjadi vektor saat pengguna mencari. Pengumuman keluarga menjelaskan penggantian model kueri dalam keluarga yang kompatibel tanpa membuat ulang vektor korpus dokumen semata-mata karena perubahan tersebut. Pertahankan dimensi yang sama pada vektor yang dibandingkan dan representasi yang dapat ditafsirkan bersama oleh sistem pencarian.

Rancangan embedding mixture-of-experts

Lapisan feed-forward dense memproses setiap token melalui seluruh kumpulan parameternya. Pendekatan MoE yang dijelaskan untuk voyage-4-large menggunakan router dan jaringan feed-forward pakar, dengan memilih pakar yang memproses setiap token. Ini memisahkan kapasitas model total dari parameter yang aktif untuk token tertentu. Voyage melaporkan rasio aktivasi 1/10 untuk rancangan MoE model ini, menggunakan perutean top-k.

Penjelasan teknis pengembang juga menjelaskan dua pilihan pengembangan. Kapasitas pakar memengaruhi apakah token berlebih melewati lapisan pakar melalui jalur residual; tim memilih faktor kapasitas terbesar yang memungkinkan untuk menghindari penurunan kualitas pencarian. Pada tahap pelatihan akhir, parameter router dibekukan sebelum penggabungan model agar interpolasi model sumber tidak mengubah perutean pemilihan pakar yang telah dipelajari. Ini merupakan karakteristik persiapan model, terpisah dari pengaturan panjang teks atau pemotongan yang digunakan saat menyiapkan masukan.

Dimensi dan representasi keluaran

Tabel model resmi menetapkan jendela konteks 32,000 token dan pilihan embedding berdimensi 256, 512, 1024, serta 2048, dengan 1024 sebagai bawaan. Keluarga ini menggunakan pembelajaran Matryoshka untuk ukuran representasi bertingkat dan mendukung pilihan kuantisasi: floating point 32 bit, bilangan bulat 8 bit bertanda atau tanpa tanda, dan keluaran biner yang dikemas.

Pada keluaran biner, panjang daftar byte yang dikembalikan adalah seperdelapan dari dimensi yang dipilih karena setiap byte memuat delapan bit embedding. Simpan pilihan dimensi dan jenis data bersama indeks, dan gunakan metode perbandingan yang mendukung representasi tersebut. Vektor yang lebih kecil atau terkompresi mengubah representasi yang digunakan untuk pencarian; nilai bagian relevan yang dikembalikan pada pertanyaan nyata sebelum memilihnya untuk koleksi.

Siapkan masukan dokumen dan kueri

Voyage menyarankan penggunaan peran document untuk bagian teks korpus dan peran query untuk kata-kata pencarian. Opsi perannya menambahkan instruksi pencarian yang bersesuaian sebelum membuat embedding. Pertahankan judul yang berguna, kondisi, dan lokasi sumber dari bagian teks tersebut, lalu simpan vektor yang dikembalikan bersama teks asli dan pengenal yang stabil.

Untuk koleksi pengetahuan teknis, pertanyaan tentang mode kegagalan perlu mengarah ke bagian yang menjelaskan mode tersebut dan kondisi yang relevan. Untuk koleksi dokumen lintas bahasa, pertahankan bahasa sumber dan evaluasi pertanyaan serta istilah yang akan digunakan pengguna untuk mencari. Rilis ini mencakup materi pencarian, termasuk dokumen teknis, percakapan, dokumen panjang, kode, hukum, keuangan, dan teks web. Embedding menemukan materi kandidat; reranker atau tahap jawaban berikutnya menggunakan teks asli.

Batas konteks, batch, dan pemotongan

Panduan pengembang saat ini mengizinkan hingga 1,000 string dan total 120,000 token masukan dalam satu permintaan voyage-4-large. Ini berbeda dari jatah batch yang dicantumkan untuk voyage-4, sementara keduanya memiliki jendela 32,000 token per teks. Pemotongan bawaan memendekkan masukan yang terlalu panjang agar muat; menonaktifkan pemotongan mengembalikan kesalahan untuk teks yang terlalu panjang.

Pilih batas bagian teks yang memuat jawaban secara sengaja agar sumber panjang tidak kehilangan keterangan pembatas yang relevan pada bagian akhir yang terpotong. Pertahankan hubungan sumber saat mengembalikan hasil pencarian, dan periksa teks kandidat yang sebenarnya, alih-alih menganggap kedekatan vektor sebagai verifikasi isinya. Kompatibilitas ruang bersama berlaku pada keluarga teks Voyage 4 yang didokumentasikan; pemrosesan potongan teks berkonteks, embedding gambar/video, dan edisi model yang lebih baru tetap memiliki alur kerja khusus model masing-masing.

Tersedia di Ailoot · masukan & metode

Ailoot Ultra · Embedding POST /v1/embeddings
Masukan
text, token_ids
Keluaran
embedding
Konteks
32.000 tokens
Format keluaran
json
KolomJenisPersyaratanNilai & batasanBawaan
KolommodelJenisstringPersyaratanWajibNilai & batasan
voyageai/voyage-4-large
Bawaan—
KolominputJenisstring|string[]|integer[]|integer[][]PersyaratanWajibNilai & batasan
Item minimum: 1
Kondisi: Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.
Anggaran masukan: Maksimum: 32.000 · Satuan teks: byte UTF8 · Satuan token: elemen array token
Bawaan—
Kolomencoding_formatJenisstringPersyaratanOpsionalNilai & batasan
float
Bawaanfloat
KolomdimensionsJenisintegerPersyaratanTidak didukungNilai & batasan
Minimum: 1
Bawaan—
KolomuserJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
Kolomsession_idJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomtraceJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomproviderJenisobjectPersyaratanOpsionalNilai & batasan
Kondisi: provider.options ditolak
Bawaan—
Kombinasi bahan masukan

text_to_embedding

Parameter metode dan siklus hidup
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak32000
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, token_ids

Siklus hidup: synchronous_json

Pertahankan index dan dimensi setiap vektor.

Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini.

Paket

Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.

Mode Fast
Tarif standar Saat mode fast dipilih
Mode Flex
Tarif standar Saat mode flex dipilih
Upaya penalaran maksimum
Tarif standar Saat upaya penalaran maksimum menggunakan penyesuaian default

Tarif Ailoot

Harga menurut konfigurasi

KonfigurasiJadwal tarifBiaya
KonfigurasiTarif dasar tokenJadwal tarifTarif dasarBiaya
Masukan · Token masukan $0.00024 / 1K token
Keluaran · Token keluaran $0 / 1K token
Masukan · Pembacaan cache — / 1K token
Masukan · Penulisan cache — / 1K token
Masukan · Penulisan cache, 1 jam — / 1K token

Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →

Contoh permintaan

Ailoot Ultra · Embedding

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "voyageai/voyage-4-large", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

Terima dan simpan hasil

Ailoot Ultra · Embedding

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.

Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.

Jika respons asli perlu diperiksa

Endpoint untuk tugas embedding tidak ditambahkan.

Kolom respons
KolomJenis
KolomobjectJenisstring
KolommodelJenisstring
Kolomdata[].indexJenisinteger
Kolomdata[].embeddingJenisfinite float[]
KolomusageJenisobject
Kesalahan dan langkah berikutnya
ResponsKondisiLangkah berikutnya
Respons400 · invalid_request_errorKondisiBidang wajib, representasi materi, atau nilai parameter tidak validLangkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.

Alias

Alias model

Ailoot Ultra voyageai/voyage-4-large

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

voyageai/voyage-4-large

", "method_identity": { "effective_request_model_id": "voyageai/voyage-4-large", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-4-large", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-4-large", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "voyageai/voyage-4-large" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32000, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 32000, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 32000, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"voyageai/voyage-4-large\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='voyageai/voyage-4-large',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.24, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mode Fast", "value": "Tarif standar", "when": "Saat mode fast dipilih" }, { "label": "Mode Flex", "value": "Tarif standar", "when": "Saat mode flex dipilih" }, { "label": "Upaya penalaran maksimum", "value": "Tarif standar", "when": "Saat upaya penalaran maksimum menggunakan penyesuaian default" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "voyageai/voyage-4-large", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "voyageai/voyage-4-large", "nativeProvenance": { "input_facts_canonical_sha256": "d8b8847cb1dfba0da6fefd8869d3609ab57b6c862cadc61942a4107064a66f9c", "input_html_sha256": "1a834791a12e307f318ca7fe19dbb16e4d8735d5fa05792d8020e450006e8c58", "private_audit_sha256": "2d23849944729d68b323a0e7b830b5245efb42c5ecec6a09025c5d7439c368a1", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/voyageai-voyage-4-large/", "description": "voyage-4-large adalah model embedding teks mixture-of-experts Voyage AI untuk temu kembali serbaguna dan multibahasa. Vektornya berbagi ruang keluarga Voyage 4, sehingga embedding korpus dari Large dapat dicari dengan embedding kueri kompatibel dari model lain dalam keluarga yang sama.", "locale": "id", "md_url": "https://ailoot.ai/models/id/voyageai-voyage-4-large/index.md", "title": "VoyageAI by MongoDB: voyage-4-large — Ailoot", "url": "https://ailoot.ai/models/id/voyageai-voyage-4-large/" }, "rawModel": { "about": "voyage-4-large adalah model embedding teks unggulan Voyage AI dalam keluarga Voyage 4. Model ini merepresentasikan bagian teks sumber dan kueri sebagai vektor numerik untuk pencarian serbaguna dan multibahasa. Dua ciri pembedanya adalah rancangan model mixture-of-experts dan ruang embedding bersama yang digunakan oleh voyage-4-large, voyage-4, voyage-4-lite, dan voyage-4-nano.\n\n### Ruang bersama: pilihan korpus dan kueri yang terpisah\n\nPengembang menjelaskan pencarian asimetris: dokumen dapat dibuat embedding-nya dengan voyage-4-large, sementara model keluarga Voyage 4 yang berbeda menyiapkan vektor kueri. Misalnya, korpus yang direpresentasikan oleh Large dapat ditelusuri dengan kueri voyage-4. Dengan begitu, kedua sisi pencarian dapat memiliki pilihan model yang berbeda sambil tetap berada dalam ruang kompatibel yang didokumentasikan.\n\nKarena itu, koleksi praktis dapat menggunakan Large untuk menyiapkan bagian dokumen yang stabil dan memilih model sisi kueri secara mandiri. Embedding dokumen dibuat ketika korpus dibuat atau diperbarui, sedangkan kueri diubah menjadi vektor saat pengguna mencari. Pengumuman keluarga menjelaskan penggantian model kueri dalam keluarga yang kompatibel tanpa membuat ulang vektor korpus dokumen semata-mata karena perubahan tersebut. Pertahankan dimensi yang sama pada vektor yang dibandingkan dan representasi yang dapat ditafsirkan bersama oleh sistem pencarian.\n\n### Rancangan embedding mixture-of-experts\n\nLapisan feed-forward dense memproses setiap token melalui seluruh kumpulan parameternya. Pendekatan MoE yang dijelaskan untuk voyage-4-large menggunakan router dan jaringan feed-forward pakar, dengan memilih pakar yang memproses setiap token. Ini memisahkan kapasitas model total dari parameter yang aktif untuk token tertentu. Voyage melaporkan rasio aktivasi 1/10 untuk rancangan MoE model ini, menggunakan perutean top-k.\n\nPenjelasan teknis pengembang juga menjelaskan dua pilihan pengembangan. Kapasitas pakar memengaruhi apakah token berlebih melewati lapisan pakar melalui jalur residual; tim memilih faktor kapasitas terbesar yang memungkinkan untuk menghindari penurunan kualitas pencarian. Pada tahap pelatihan akhir, parameter router dibekukan sebelum penggabungan model agar interpolasi model sumber tidak mengubah perutean pemilihan pakar yang telah dipelajari. Ini merupakan karakteristik persiapan model, terpisah dari pengaturan panjang teks atau pemotongan yang digunakan saat menyiapkan masukan.\n\n### Dimensi dan representasi keluaran\n\nTabel model resmi menetapkan jendela konteks 32,000 token dan pilihan embedding berdimensi 256, 512, 1024, serta 2048, dengan 1024 sebagai bawaan. Keluarga ini menggunakan pembelajaran Matryoshka untuk ukuran representasi bertingkat dan mendukung pilihan kuantisasi: floating point 32 bit, bilangan bulat 8 bit bertanda atau tanpa tanda, dan keluaran biner yang dikemas.\n\nPada keluaran biner, panjang daftar byte yang dikembalikan adalah seperdelapan dari dimensi yang dipilih karena setiap byte memuat delapan bit embedding. Simpan pilihan dimensi dan jenis data bersama indeks, dan gunakan metode perbandingan yang mendukung representasi tersebut. Vektor yang lebih kecil atau terkompresi mengubah representasi yang digunakan untuk pencarian; nilai bagian relevan yang dikembalikan pada pertanyaan nyata sebelum memilihnya untuk koleksi.\n\n### Siapkan masukan dokumen dan kueri\n\nVoyage menyarankan penggunaan peran document untuk bagian teks korpus dan peran query untuk kata-kata pencarian. Opsi perannya menambahkan instruksi pencarian yang bersesuaian sebelum membuat embedding. Pertahankan judul yang berguna, kondisi, dan lokasi sumber dari bagian teks tersebut, lalu simpan vektor yang dikembalikan bersama teks asli dan pengenal yang stabil.\n\nUntuk koleksi pengetahuan teknis, pertanyaan tentang mode kegagalan perlu mengarah ke bagian yang menjelaskan mode tersebut dan kondisi yang relevan. Untuk koleksi dokumen lintas bahasa, pertahankan bahasa sumber dan evaluasi pertanyaan serta istilah yang akan digunakan pengguna untuk mencari. Rilis ini mencakup materi pencarian, termasuk dokumen teknis, percakapan, dokumen panjang, kode, hukum, keuangan, dan teks web. Embedding menemukan materi kandidat; reranker atau tahap jawaban berikutnya menggunakan teks asli.\n\n### Batas konteks, batch, dan pemotongan\n\nPanduan pengembang saat ini mengizinkan hingga 1,000 string dan total 120,000 token masukan dalam satu permintaan voyage-4-large. Ini berbeda dari jatah batch yang dicantumkan untuk voyage-4, sementara keduanya memiliki jendela 32,000 token per teks. Pemotongan bawaan memendekkan masukan yang terlalu panjang agar muat; menonaktifkan pemotongan mengembalikan kesalahan untuk teks yang terlalu panjang.\n\nPilih batas bagian teks yang memuat jawaban secara sengaja agar sumber panjang tidak kehilangan keterangan pembatas yang relevan pada bagian akhir yang terpotong. Pertahankan hubungan sumber saat mengembalikan hasil pencarian, dan periksa teks kandidat yang sebenarnya, alih-alih menganggap kedekatan vektor sebagai verifikasi isinya. Kompatibilitas ruang bersama berlaku pada keluarga teks Voyage 4 yang didokumentasikan; pemrosesan potongan teks berkonteks, embedding gambar/video, dan edisi model yang lebih baru tetap memiliki alur kerja khusus model masing-masing.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-4-large", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "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": 32000, "entity_type": "model", "formats": [ "embeddings" ], "id": "voyageai/voyage-4-large", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "voyageai/voyage-4-large" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32000, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 32000, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 32000, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"voyageai/voyage-4-large\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='voyageai/voyage-4-large',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.24, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mode Fast", "value": "Tarif standar", "when": "Saat mode fast dipilih" }, { "label": "Mode Flex", "value": "Tarif standar", "when": "Saat mode flex dipilih" }, { "label": "Upaya penalaran maksimum", "value": "Tarif standar", "when": "Saat upaya penalaran maksimum menggunakan penyesuaian default" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "voyageai/voyage-4-large", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "voyageai/voyage-4-large", "request_model_id": "voyageai/voyage-4-large", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-4-large", "price": { "in": 0.24, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.24, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "public_id": "voyageai/voyage-4-large", "short": "voyage-4-large adalah model embedding teks mixture-of-experts Voyage AI untuk temu kembali serbaguna dan multibahasa. Vektornya berbagi ruang keluarga Voyage 4, sehingga embedding korpus dari Large dapat dicari dengan embedding kueri kompatibel dari model lain dalam keluarga yang sama." }, "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-4-large adalah model embedding teks mixture-of-experts Voyage AI untuk temu kembali serbaguna dan multibahasa. Vektornya berbagi ruang keluarga Voyage 4, sehingga embedding korpus dari Large dapat dicari dengan embedding kueri kompatibel dari model lain dalam keluarga yang sama.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "6ee0d66a12fecccf74979f81611c138c0ee6361d6f7cfbd507c6f5035ed00227", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "98c58acc4a76cb7d2be0bd2baf7a289465630330008d9c3db00d2c84099ac3b7" }