{ "aboutHtml": "

voyage-4-lite adalah model embedding teks berorientasi latensi dalam keluarga Voyage 4 Voyage AI. Model merepresentasikan kueri dan dokumen sebagai vektor numerik untuk temu kembali serbaguna. Ciri khas keluarganya adalah ruang embedding bersama dengan voyage-4, voyage-4-large, dan voyage-4-nano, yang memungkinkan model kueri serta dokumen dipilih secara terpisah.

Mulai dari peran temu kembali

Siapkan kebutuhan informasi pengguna sebagai kueri dan materi yang dapat dicari sebagai dokumen. Voyage menyarankan jenis masukan query/document untuk temu kembali; resep yang diterbitkan menambahkan instruksi temu kembali terkait saat memvektorkan teks.

Untuk koleksi buku panduan karyawan, kueri tentang membawa sisa cuti yang belum digunakan ke periode berikutnya harus dibandingkan dengan bagian kebijakan spesifik. Simpan aturan, kondisi, dan pengecualian relevan dalam bagian terindeks. Simpan dokumen asli serta pengenal bagian di samping vektor agar aplikasi dapat mengembalikan teks kebijakan sebenarnya.

Jenis masukan yang tidak ditentukan merepresentasikan teks langsung, sedangkan peran query/document menyesuaikannya untuk temu kembali. Pembuat menyatakan bahwa embedding yang dihasilkan dengan dan tanpa pengaturan peran tersebut kompatibel, tetapi kebijakan persiapan yang konsisten membuat koleksi lebih mudah dinilai.

Ruang bersama dalam keluarga teks Voyage 4

Voyage secara eksplisit mendokumentasikan alur temu kembali asimetris: dokumen dapat dikodekan dengan voyage-4-large dan dicari menggunakan vektor kueri dari voyage-4-lite. Ini adalah pernyataan kompatibilitas tingkat keluarga, bukan kesimpulan yang ditarik dari dua model yang mengembalikan vektor sama panjang.

Pertahankan keselarasan dimensi vektor dan representasi yang dipilih antara koleksi dan sisi kueri. Ruang bersama juga memungkinkan penggantian model kueri dalam keluarga teks Voyage 4 yang disebutkan ini tanpa memvektorkan ulang dokumen yang ada. Nilai peringkat hasil menggunakan pertanyaan yang representatif saat memilih edisi kueri.

Peran edisi Lite adalah pilihan embedding kueri dan teks yang lebih kecil serta berfokus pada latensi. Pembuat mengaitkan arsitektur mixture-of-experts secara khusus dengan voyage-4-large; nama keluarga tidak membuktikan arsitektur tersebut untuk Lite.

Konteks, dimensi, dan format hasil

Panjang konteks yang diterbitkan adalah 32.000 token per teks. Vektor bawaan memiliki 1024 dimensi, dengan 256, 512, dan 2048 juga tersedia melalui pembelajaran Matryoshka. Alur embedding teks pembuat mendokumentasikan representasi floating-point, integer 8 bit bertanda dan tanpa tanda, serta biner dengan bit terkemas untuk voyage-4-lite.

Untuk vektor floating-point standar, panduan kemiripan Voyage menjelaskan embedding berpanjang satu, sehingga kemiripan kosinus dan hasil kali titik setara. Bentuk terkuantisasi membutuhkan penanganan representasi terkait. Misalnya, daftar biner dengan bit terkemas menyimpan delapan bit embedding dalam setiap byte; panjang daftarnya berbeda dari dimensi vektor semantik.

Dalam resep batch Voyage yang didokumentasikan, satu daftar memuat paling banyak 1000 teks dan total satu juta token untuk edisi Lite yang tepat ini. Perilaku bawaan untuk masukan terlalu panjang memotong teks individual pada batas konteks; pengaturan alternatif menolak masukan terlalu panjang. Batas batch dan per teks ini berbeda.

Siapkan dan periksa hasil temu kembali

Bagi materi sumber panjang menjadi bagian koheren yang dapat dikembalikan sebagai bukti. Konteks 32.000 token memungkinkan masukan panjang, tetapi unit temu kembali yang berguna tetap harus mengarah ke bagian sumber relevan. Sertakan judul atau detail pengenal yang dibutuhkan untuk menafsirkan aturan.

Untuk RAG, temukan bagian kandidat dan berikan teks aslinya ke tahap penulisan jawaban bersama hubungan sumber. Model embedding menghasilkan vektor dan tidak menghasilkan jawaban kebijakan. Kemiripan memeringkat kandidat di bawah model serta pengaturan perbandingan yang dipilih; tinjau bagian sebenarnya untuk kondisi tepat yang ditanyakan.

Kombinasi khusus edisi voyage-4-lite yang berguna adalah model teks berfokus pada latensi, representasi fleksibel, konteks 32.000 token, dan kompatibilitas yang didokumentasikan dalam keluarga teks Voyage 4. Simpan sifat tersebut bersama koleksi terindeks dan gunakan hasil temu kembali berbasis sumber untuk mendukung aplikasi di sekelilingnya.

", "aboutText": "voyage-4-lite adalah model embedding teks berorientasi latensi dalam keluarga Voyage 4 Voyage AI. Model merepresentasikan kueri dan dokumen sebagai vektor numerik untuk temu kembali serbaguna. Ciri khas keluarganya adalah ruang embedding bersama dengan voyage-4, voyage-4-large, dan voyage-4-nano, yang memungkinkan model kueri serta dokumen dipilih secara terpisah.\n\n### Mulai dari peran temu kembali\n\nSiapkan kebutuhan informasi pengguna sebagai kueri dan materi yang dapat dicari sebagai dokumen. Voyage menyarankan jenis masukan query/document untuk temu kembali; resep yang diterbitkan menambahkan instruksi temu kembali terkait saat memvektorkan teks.\n\nUntuk koleksi buku panduan karyawan, kueri tentang membawa sisa cuti yang belum digunakan ke periode berikutnya harus dibandingkan dengan bagian kebijakan spesifik. Simpan aturan, kondisi, dan pengecualian relevan dalam bagian terindeks. Simpan dokumen asli serta pengenal bagian di samping vektor agar aplikasi dapat mengembalikan teks kebijakan sebenarnya.\n\nJenis masukan yang tidak ditentukan merepresentasikan teks langsung, sedangkan peran query/document menyesuaikannya untuk temu kembali. Pembuat menyatakan bahwa embedding yang dihasilkan dengan dan tanpa pengaturan peran tersebut kompatibel, tetapi kebijakan persiapan yang konsisten membuat koleksi lebih mudah dinilai.\n\n### Ruang bersama dalam keluarga teks Voyage 4\n\nVoyage secara eksplisit mendokumentasikan alur temu kembali asimetris: dokumen dapat dikodekan dengan voyage-4-large dan dicari menggunakan vektor kueri dari voyage-4-lite. Ini adalah pernyataan kompatibilitas tingkat keluarga, bukan kesimpulan yang ditarik dari dua model yang mengembalikan vektor sama panjang.\n\nPertahankan keselarasan dimensi vektor dan representasi yang dipilih antara koleksi dan sisi kueri. Ruang bersama juga memungkinkan penggantian model kueri dalam keluarga teks Voyage 4 yang disebutkan ini tanpa memvektorkan ulang dokumen yang ada. Nilai peringkat hasil menggunakan pertanyaan yang representatif saat memilih edisi kueri.\n\nPeran edisi Lite adalah pilihan embedding kueri dan teks yang lebih kecil serta berfokus pada latensi. Pembuat mengaitkan arsitektur mixture-of-experts secara khusus dengan voyage-4-large; nama keluarga tidak membuktikan arsitektur tersebut untuk Lite.\n\n### Konteks, dimensi, dan format hasil\n\nPanjang konteks yang diterbitkan adalah 32.000 token per teks. Vektor bawaan memiliki 1024 dimensi, dengan 256, 512, dan 2048 juga tersedia melalui pembelajaran Matryoshka. Alur embedding teks pembuat mendokumentasikan representasi floating-point, integer 8 bit bertanda dan tanpa tanda, serta biner dengan bit terkemas untuk voyage-4-lite.\n\nUntuk vektor floating-point standar, panduan kemiripan Voyage menjelaskan embedding berpanjang satu, sehingga kemiripan kosinus dan hasil kali titik setara. Bentuk terkuantisasi membutuhkan penanganan representasi terkait. Misalnya, daftar biner dengan bit terkemas menyimpan delapan bit embedding dalam setiap byte; panjang daftarnya berbeda dari dimensi vektor semantik.\n\nDalam resep batch Voyage yang didokumentasikan, satu daftar memuat paling banyak 1000 teks dan total satu juta token untuk edisi Lite yang tepat ini. Perilaku bawaan untuk masukan terlalu panjang memotong teks individual pada batas konteks; pengaturan alternatif menolak masukan terlalu panjang. Batas batch dan per teks ini berbeda.\n\n### Siapkan dan periksa hasil temu kembali\n\nBagi materi sumber panjang menjadi bagian koheren yang dapat dikembalikan sebagai bukti. Konteks 32.000 token memungkinkan masukan panjang, tetapi unit temu kembali yang berguna tetap harus mengarah ke bagian sumber relevan. Sertakan judul atau detail pengenal yang dibutuhkan untuk menafsirkan aturan.\n\nUntuk RAG, temukan bagian kandidat dan berikan teks aslinya ke tahap penulisan jawaban bersama hubungan sumber. Model embedding menghasilkan vektor dan tidak menghasilkan jawaban kebijakan. Kemiripan memeringkat kandidat di bawah model serta pengaturan perbandingan yang dipilih; tinjau bagian sebenarnya untuk kondisi tepat yang ditanyakan.\n\nKombinasi khusus edisi voyage-4-lite yang berguna adalah model teks berfokus pada latensi, representasi fleksibel, konteks 32.000 token, dan kompatibilitas yang didokumentasikan dalam keluarga teks Voyage 4. Simpan sifat tersebut bersama koleksi terindeks dan gunakan hasil temu kembali berbasis sumber untuk mendukung aplikasi di sekelilingnya.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4010b192b83a9b9f58101841ea763ee0a9d2b40549900d85a07e51dcbd9780b3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-4-lite

VoyageAI by MongoDB /voyageai/voyage-4-lite

Mulai

Voyage AI voyage-4-lite adalah edisi embedding teks berorientasi latensi dalam keluarga Voyage 4. Model mendukung masukan 32.000 token, empat pilihan dimensi vektor, dan representasi terkuantisasi, dengan ruang embedding bersama yang kompatibel dengan model teks Voyage 4 lainnya.

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-lite adalah model embedding teks berorientasi latensi dalam keluarga Voyage 4 Voyage AI. Model merepresentasikan kueri dan dokumen sebagai vektor numerik untuk temu kembali serbaguna. Ciri khas keluarganya adalah ruang embedding bersama dengan voyage-4, voyage-4-large, dan voyage-4-nano, yang memungkinkan model kueri serta dokumen dipilih secara terpisah.

Mulai dari peran temu kembali

Siapkan kebutuhan informasi pengguna sebagai kueri dan materi yang dapat dicari sebagai dokumen. Voyage menyarankan jenis masukan query/document untuk temu kembali; resep yang diterbitkan menambahkan instruksi temu kembali terkait saat memvektorkan teks.

Untuk koleksi buku panduan karyawan, kueri tentang membawa sisa cuti yang belum digunakan ke periode berikutnya harus dibandingkan dengan bagian kebijakan spesifik. Simpan aturan, kondisi, dan pengecualian relevan dalam bagian terindeks. Simpan dokumen asli serta pengenal bagian di samping vektor agar aplikasi dapat mengembalikan teks kebijakan sebenarnya.

Jenis masukan yang tidak ditentukan merepresentasikan teks langsung, sedangkan peran query/document menyesuaikannya untuk temu kembali. Pembuat menyatakan bahwa embedding yang dihasilkan dengan dan tanpa pengaturan peran tersebut kompatibel, tetapi kebijakan persiapan yang konsisten membuat koleksi lebih mudah dinilai.

Ruang bersama dalam keluarga teks Voyage 4

Voyage secara eksplisit mendokumentasikan alur temu kembali asimetris: dokumen dapat dikodekan dengan voyage-4-large dan dicari menggunakan vektor kueri dari voyage-4-lite. Ini adalah pernyataan kompatibilitas tingkat keluarga, bukan kesimpulan yang ditarik dari dua model yang mengembalikan vektor sama panjang.

Pertahankan keselarasan dimensi vektor dan representasi yang dipilih antara koleksi dan sisi kueri. Ruang bersama juga memungkinkan penggantian model kueri dalam keluarga teks Voyage 4 yang disebutkan ini tanpa memvektorkan ulang dokumen yang ada. Nilai peringkat hasil menggunakan pertanyaan yang representatif saat memilih edisi kueri.

Peran edisi Lite adalah pilihan embedding kueri dan teks yang lebih kecil serta berfokus pada latensi. Pembuat mengaitkan arsitektur mixture-of-experts secara khusus dengan voyage-4-large; nama keluarga tidak membuktikan arsitektur tersebut untuk Lite.

Konteks, dimensi, dan format hasil

Panjang konteks yang diterbitkan adalah 32.000 token per teks. Vektor bawaan memiliki 1024 dimensi, dengan 256, 512, dan 2048 juga tersedia melalui pembelajaran Matryoshka. Alur embedding teks pembuat mendokumentasikan representasi floating-point, integer 8 bit bertanda dan tanpa tanda, serta biner dengan bit terkemas untuk voyage-4-lite.

Untuk vektor floating-point standar, panduan kemiripan Voyage menjelaskan embedding berpanjang satu, sehingga kemiripan kosinus dan hasil kali titik setara. Bentuk terkuantisasi membutuhkan penanganan representasi terkait. Misalnya, daftar biner dengan bit terkemas menyimpan delapan bit embedding dalam setiap byte; panjang daftarnya berbeda dari dimensi vektor semantik.

Dalam resep batch Voyage yang didokumentasikan, satu daftar memuat paling banyak 1000 teks dan total satu juta token untuk edisi Lite yang tepat ini. Perilaku bawaan untuk masukan terlalu panjang memotong teks individual pada batas konteks; pengaturan alternatif menolak masukan terlalu panjang. Batas batch dan per teks ini berbeda.

Siapkan dan periksa hasil temu kembali

Bagi materi sumber panjang menjadi bagian koheren yang dapat dikembalikan sebagai bukti. Konteks 32.000 token memungkinkan masukan panjang, tetapi unit temu kembali yang berguna tetap harus mengarah ke bagian sumber relevan. Sertakan judul atau detail pengenal yang dibutuhkan untuk menafsirkan aturan.

Untuk RAG, temukan bagian kandidat dan berikan teks aslinya ke tahap penulisan jawaban bersama hubungan sumber. Model embedding menghasilkan vektor dan tidak menghasilkan jawaban kebijakan. Kemiripan memeringkat kandidat di bawah model serta pengaturan perbandingan yang dipilih; tinjau bagian sebenarnya untuk kondisi tepat yang ditanyakan.

Kombinasi khusus edisi voyage-4-lite yang berguna adalah model teks berfokus pada latensi, representasi fleksibel, konteks 32.000 token, dan kompatibilitas yang didokumentasikan dalam keluarga teks Voyage 4. Simpan sifat tersebut bersama koleksi terindeks dan gunakan hasil temu kembali berbasis sumber untuk mendukung aplikasi di sekelilingnya.

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-lite
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 $0.00004 / 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-lite", "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-lite

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

voyageai/voyage-4-lite

", "method_identity": { "effective_request_model_id": "voyageai/voyage-4-lite", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-4-lite", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-4-lite", "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-lite" ], "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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite\", \"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-lite',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": 0.04, "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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "nativeProvenance": { "input_facts_canonical_sha256": "cd17c597731cb03b8adb3d44748af7e0b4138ab11d74240ea8364490665877d3", "input_html_sha256": "a2174fc35bfbd789febf064202522f220031dcb6fcec9dafb3bf901f04e6288b", "private_audit_sha256": "e53b0d0a1208d34d48271b4675659479fb635731f8c1f4f5fd0f506295420555", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/voyageai-voyage-4-lite/", "description": "Voyage AI voyage-4-lite adalah edisi embedding teks berorientasi latensi dalam keluarga Voyage 4. Model mendukung masukan 32.000 token, empat pilihan dimensi vektor, dan representasi terkuantisasi, dengan ruang embedding bersama yang kompatibel dengan model teks Voyage 4 lainnya.", "locale": "id", "md_url": "https://ailoot.ai/models/id/voyageai-voyage-4-lite/index.md", "title": "VoyageAI by MongoDB: voyage-4-lite — Ailoot", "url": "https://ailoot.ai/models/id/voyageai-voyage-4-lite/" }, "rawModel": { "about": "voyage-4-lite adalah model embedding teks berorientasi latensi dalam keluarga Voyage 4 Voyage AI. Model merepresentasikan kueri dan dokumen sebagai vektor numerik untuk temu kembali serbaguna. Ciri khas keluarganya adalah ruang embedding bersama dengan voyage-4, voyage-4-large, dan voyage-4-nano, yang memungkinkan model kueri serta dokumen dipilih secara terpisah.\n\n### Mulai dari peran temu kembali\n\nSiapkan kebutuhan informasi pengguna sebagai kueri dan materi yang dapat dicari sebagai dokumen. Voyage menyarankan jenis masukan query/document untuk temu kembali; resep yang diterbitkan menambahkan instruksi temu kembali terkait saat memvektorkan teks.\n\nUntuk koleksi buku panduan karyawan, kueri tentang membawa sisa cuti yang belum digunakan ke periode berikutnya harus dibandingkan dengan bagian kebijakan spesifik. Simpan aturan, kondisi, dan pengecualian relevan dalam bagian terindeks. Simpan dokumen asli serta pengenal bagian di samping vektor agar aplikasi dapat mengembalikan teks kebijakan sebenarnya.\n\nJenis masukan yang tidak ditentukan merepresentasikan teks langsung, sedangkan peran query/document menyesuaikannya untuk temu kembali. Pembuat menyatakan bahwa embedding yang dihasilkan dengan dan tanpa pengaturan peran tersebut kompatibel, tetapi kebijakan persiapan yang konsisten membuat koleksi lebih mudah dinilai.\n\n### Ruang bersama dalam keluarga teks Voyage 4\n\nVoyage secara eksplisit mendokumentasikan alur temu kembali asimetris: dokumen dapat dikodekan dengan voyage-4-large dan dicari menggunakan vektor kueri dari voyage-4-lite. Ini adalah pernyataan kompatibilitas tingkat keluarga, bukan kesimpulan yang ditarik dari dua model yang mengembalikan vektor sama panjang.\n\nPertahankan keselarasan dimensi vektor dan representasi yang dipilih antara koleksi dan sisi kueri. Ruang bersama juga memungkinkan penggantian model kueri dalam keluarga teks Voyage 4 yang disebutkan ini tanpa memvektorkan ulang dokumen yang ada. Nilai peringkat hasil menggunakan pertanyaan yang representatif saat memilih edisi kueri.\n\nPeran edisi Lite adalah pilihan embedding kueri dan teks yang lebih kecil serta berfokus pada latensi. Pembuat mengaitkan arsitektur mixture-of-experts secara khusus dengan voyage-4-large; nama keluarga tidak membuktikan arsitektur tersebut untuk Lite.\n\n### Konteks, dimensi, dan format hasil\n\nPanjang konteks yang diterbitkan adalah 32.000 token per teks. Vektor bawaan memiliki 1024 dimensi, dengan 256, 512, dan 2048 juga tersedia melalui pembelajaran Matryoshka. Alur embedding teks pembuat mendokumentasikan representasi floating-point, integer 8 bit bertanda dan tanpa tanda, serta biner dengan bit terkemas untuk voyage-4-lite.\n\nUntuk vektor floating-point standar, panduan kemiripan Voyage menjelaskan embedding berpanjang satu, sehingga kemiripan kosinus dan hasil kali titik setara. Bentuk terkuantisasi membutuhkan penanganan representasi terkait. Misalnya, daftar biner dengan bit terkemas menyimpan delapan bit embedding dalam setiap byte; panjang daftarnya berbeda dari dimensi vektor semantik.\n\nDalam resep batch Voyage yang didokumentasikan, satu daftar memuat paling banyak 1000 teks dan total satu juta token untuk edisi Lite yang tepat ini. Perilaku bawaan untuk masukan terlalu panjang memotong teks individual pada batas konteks; pengaturan alternatif menolak masukan terlalu panjang. Batas batch dan per teks ini berbeda.\n\n### Siapkan dan periksa hasil temu kembali\n\nBagi materi sumber panjang menjadi bagian koheren yang dapat dikembalikan sebagai bukti. Konteks 32.000 token memungkinkan masukan panjang, tetapi unit temu kembali yang berguna tetap harus mengarah ke bagian sumber relevan. Sertakan judul atau detail pengenal yang dibutuhkan untuk menafsirkan aturan.\n\nUntuk RAG, temukan bagian kandidat dan berikan teks aslinya ke tahap penulisan jawaban bersama hubungan sumber. Model embedding menghasilkan vektor dan tidak menghasilkan jawaban kebijakan. Kemiripan memeringkat kandidat di bawah model serta pengaturan perbandingan yang dipilih; tinjau bagian sebenarnya untuk kondisi tepat yang ditanyakan.\n\nKombinasi khusus edisi voyage-4-lite yang berguna adalah model teks berfokus pada latensi, representasi fleksibel, konteks 32.000 token, dan kompatibilitas yang didokumentasikan dalam keluarga teks Voyage 4. Simpan sifat tersebut bersama koleksi terindeks dan gunakan hasil temu kembali berbasis sumber untuk mendukung aplikasi di sekelilingnya.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-4-lite", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "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-lite" ], "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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite\", \"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-lite',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": 0.04, "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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "request_model_id": "voyageai/voyage-4-lite", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-4-lite", "price": { "in": 0.04, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.04, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "short": "Voyage AI voyage-4-lite adalah edisi embedding teks berorientasi latensi dalam keluarga Voyage 4. Model mendukung masukan 32.000 token, empat pilihan dimensi vektor, dan representasi terkuantisasi, dengan ruang embedding bersama yang kompatibel dengan model teks Voyage 4 lainnya." }, "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 AI voyage-4-lite adalah edisi embedding teks berorientasi latensi dalam keluarga Voyage 4. Model mendukung masukan 32.000 token, empat pilihan dimensi vektor, dan representasi terkuantisasi, dengan ruang embedding bersama yang kompatibel dengan model teks Voyage 4 lainnya.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "a3dc110236c7ee3ea7b879fe2f06d366210f0ae8230466f69e902c3fc15304b8", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "9ebe2fa84303d2b95d391d94ba4caa7fc128299d50501c609db7bb6963027bc5" }