{ "aboutHtml": "

voyage-4 adalah model embedding teks berukuran menengah Voyage AI dalam keluarga Voyage 4. Model mengubah teks kueri dan dokumen menjadi vektor numerik untuk temu kembali serbaguna serta multibahasa. Kemampuan khas keluarga ini adalah ruang embedding bersama: voyage-4, voyage-4-large, voyage-4-lite, dan voyage-4-nano menghasilkan representasi kompatibel, sehingga sisi kueri dan dokumen dalam tugas pencarian dapat menggunakan model berbeda dalam keluarga tersebut.

Ruang bersama dan temu kembali asimetris

Produsen menyebut penggunaan model kueri dan korpus yang berbeda sebagai temu kembali asimetris. Salah satu pola yang didokumentasikan adalah menyiapkan korpus dengan voyage-4-large dan mencarinya menggunakan embedding kueri voyage-4. Korpus dibuat embedding-nya sekali atau ketika materi sumber berubah, sementara vektor kueri dibuat saat pencarian masuk. Ruang bersama memungkinkan perubahan pilihan model sisi kueri dalam keluarga tanpa harus membuat ulang embedding korpus hanya karena penggantian itu.

Jaga dimensi keluaran dan representasi tetap kompatibel pada vektor yang dibandingkan. Pernyataan ruang bersama menyangkut model teks Voyage 4 yang disebutkan; hal ini tidak terbukti hanya karena dua model yang tidak terkait mengembalikan larik sama panjang. Karena itu, tugas praktis dapat menggunakan voyage-4 pada kedua sisi pencarian atau memakai vektor kuerinya dengan indeks dokumen voyage-4-large yang ada ketika pengaturan representasinya cocok.

Peran query dan document

Untuk temu kembali, Voyage menyarankan identifikasi teks masukan sebagai query atau document. Opsi peran masukan menyediakan instruksi temu kembali terkait sebelum pemvektoran. Siapkan bagian korpus sebagai dokumen dan pilihan kata pencarian pengguna sebagai kueri, dengan mempertahankan teks sumber sebenarnya serta pengenal di samping setiap vektor tersimpan.

Misalnya, koleksi pencarian pengetahuan dapat mengindeks instruksi teknis dan penjelasan produk. Kueri tentang hal yang terjadi setelah impor gagal harus mengembalikan bagian sumber yang menjelaskan perilaku tersebut. Simpan judul, kondisi relevan, dan lokasi sumber bersama bagian agar hasil pencarian dapat diperiksa atau digunakan tahap jawaban RAG berikutnya. Embedding adalah representasi numerik untuk temu kembali; bagian sumber aslinya merupakan bukti yang digunakan pada tahap berikutnya.

Dimensi dan jenis data keluaran

Jendela konteks per teks yang didokumentasikan adalah 32.000 token. Dimensi yang dapat dipilih adalah 256, 512, 1024, dan 2048, dengan 1024 sebagai bawaan. Pembelajaran Matryoshka menyediakan ukuran representasi bersarang tersebut. Keluaran dapat menggunakan floating-point 32 bit, integer 8 bit bertanda atau tanpa tanda, atau nilai biner terkemas, yang dimungkinkan oleh persiapan keluarga yang memperhitungkan kuantisasi.

Dengan keluaran biner terkemas, setiap byte hasil menyimpan delapan bit embedding, sehingga panjang daftar byte adalah seperdelapan dimensi yang dipilih. Jumlah byte dan dimensi embedding memiliki makna berbeda. Pilih representasi yang dapat ditafsirkan indeks pencarian dan periksa relevansi kandidat pada pertanyaan serta bahasa yang benar-benar digunakan koleksi sebelum memilih konfigurasi terkompresi.

Panjang masukan, batch, dan pemotongan

Panduan embedding teks pembuat saat ini mengizinkan hingga 1.000 string dan total 320.000 token dalam permintaan voyage-4. Jatah batch terpisah dari jendela 32.000 token untuk setiap masukan. Pemotongan aktif secara bawaan: teks terlalu panjang dipendekkan agar muat. Jika pemotongan dinonaktifkan, item terlalu panjang menghasilkan galat.

Untuk laporan panjang atau transkrip, siapkan bagian yang memuat jawaban secara sengaja alih-alih mengandalkan pemotongan pada batas masukan. Pertahankan hubungan setiap bagian dengan dokumen induk dan versi sumber. Masukan embedding voyage-4 biasa adalah teks individual; pemrosesan kelompok potongan kontekstual milik model embedding kontekstual yang didokumentasikan secara terpisah.

Gunakan hasil temu kembali

Simpan vektor bersama teks bagian dan pengenal sumber yang stabil, bandingkan setiap vektor kueri dengan vektor dokumen kompatibel, dan kembalikan bagian kandidat. Rilis keluarga mengevaluasi temu kembali pada materi termasuk dokumen teknis, percakapan, dokumen panjang, kode, hukum, keuangan, dan teks web. Reranker terpisah dapat menyempurnakan kandidat, dan tahap jawaban berikutnya dapat menggunakan teksnya. Nilai bagian hasil berdasarkan tugas; kompatibilitas ruang bersama memungkinkan kombinasi model, sementara kegunaan hasil tetap bergantung pada materi sumber dan pertanyaan.

", "aboutText": "voyage-4 adalah model embedding teks berukuran menengah Voyage AI dalam keluarga Voyage 4. Model mengubah teks kueri dan dokumen menjadi vektor numerik untuk temu kembali serbaguna serta multibahasa. Kemampuan khas keluarga ini adalah ruang embedding bersama: voyage-4, voyage-4-large, voyage-4-lite, dan voyage-4-nano menghasilkan representasi kompatibel, sehingga sisi kueri dan dokumen dalam tugas pencarian dapat menggunakan model berbeda dalam keluarga tersebut.\n\n### Ruang bersama dan temu kembali asimetris\n\nProdusen menyebut penggunaan model kueri dan korpus yang berbeda sebagai temu kembali asimetris. Salah satu pola yang didokumentasikan adalah menyiapkan korpus dengan voyage-4-large dan mencarinya menggunakan embedding kueri voyage-4. Korpus dibuat embedding-nya sekali atau ketika materi sumber berubah, sementara vektor kueri dibuat saat pencarian masuk. Ruang bersama memungkinkan perubahan pilihan model sisi kueri dalam keluarga tanpa harus membuat ulang embedding korpus hanya karena penggantian itu.\n\nJaga dimensi keluaran dan representasi tetap kompatibel pada vektor yang dibandingkan. Pernyataan ruang bersama menyangkut model teks Voyage 4 yang disebutkan; hal ini tidak terbukti hanya karena dua model yang tidak terkait mengembalikan larik sama panjang. Karena itu, tugas praktis dapat menggunakan voyage-4 pada kedua sisi pencarian atau memakai vektor kuerinya dengan indeks dokumen voyage-4-large yang ada ketika pengaturan representasinya cocok.\n\n### Peran query dan document\n\nUntuk temu kembali, Voyage menyarankan identifikasi teks masukan sebagai query atau document. Opsi peran masukan menyediakan instruksi temu kembali terkait sebelum pemvektoran. Siapkan bagian korpus sebagai dokumen dan pilihan kata pencarian pengguna sebagai kueri, dengan mempertahankan teks sumber sebenarnya serta pengenal di samping setiap vektor tersimpan.\n\nMisalnya, koleksi pencarian pengetahuan dapat mengindeks instruksi teknis dan penjelasan produk. Kueri tentang hal yang terjadi setelah impor gagal harus mengembalikan bagian sumber yang menjelaskan perilaku tersebut. Simpan judul, kondisi relevan, dan lokasi sumber bersama bagian agar hasil pencarian dapat diperiksa atau digunakan tahap jawaban RAG berikutnya. Embedding adalah representasi numerik untuk temu kembali; bagian sumber aslinya merupakan bukti yang digunakan pada tahap berikutnya.\n\n### Dimensi dan jenis data keluaran\n\nJendela konteks per teks yang didokumentasikan adalah 32.000 token. Dimensi yang dapat dipilih adalah 256, 512, 1024, dan 2048, dengan 1024 sebagai bawaan. Pembelajaran Matryoshka menyediakan ukuran representasi bersarang tersebut. Keluaran dapat menggunakan floating-point 32 bit, integer 8 bit bertanda atau tanpa tanda, atau nilai biner terkemas, yang dimungkinkan oleh persiapan keluarga yang memperhitungkan kuantisasi.\n\nDengan keluaran biner terkemas, setiap byte hasil menyimpan delapan bit embedding, sehingga panjang daftar byte adalah seperdelapan dimensi yang dipilih. Jumlah byte dan dimensi embedding memiliki makna berbeda. Pilih representasi yang dapat ditafsirkan indeks pencarian dan periksa relevansi kandidat pada pertanyaan serta bahasa yang benar-benar digunakan koleksi sebelum memilih konfigurasi terkompresi.\n\n### Panjang masukan, batch, dan pemotongan\n\nPanduan embedding teks pembuat saat ini mengizinkan hingga 1.000 string dan total 320.000 token dalam permintaan voyage-4. Jatah batch terpisah dari jendela 32.000 token untuk setiap masukan. Pemotongan aktif secara bawaan: teks terlalu panjang dipendekkan agar muat. Jika pemotongan dinonaktifkan, item terlalu panjang menghasilkan galat.\n\nUntuk laporan panjang atau transkrip, siapkan bagian yang memuat jawaban secara sengaja alih-alih mengandalkan pemotongan pada batas masukan. Pertahankan hubungan setiap bagian dengan dokumen induk dan versi sumber. Masukan embedding voyage-4 biasa adalah teks individual; pemrosesan kelompok potongan kontekstual milik model embedding kontekstual yang didokumentasikan secara terpisah.\n\n### Gunakan hasil temu kembali\n\nSimpan vektor bersama teks bagian dan pengenal sumber yang stabil, bandingkan setiap vektor kueri dengan vektor dokumen kompatibel, dan kembalikan bagian kandidat. Rilis keluarga mengevaluasi temu kembali pada materi termasuk dokumen teknis, percakapan, dokumen panjang, kode, hukum, keuangan, dan teks web. Reranker terpisah dapat menyempurnakan kandidat, dan tahap jawaban berikutnya dapat menggunakan teksnya. Nilai bagian hasil berdasarkan tugas; kompatibilitas ruang bersama memungkinkan kombinasi model, sementara kegunaan hasil tetap bergantung pada materi sumber dan pertanyaan.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9c00b00a01be0e6741057fe08470831e3c141938008c2639f1ecf6e13031c81f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-4

VoyageAI by MongoDB /voyageai/voyage-4

Mulai

voyage-4 membuat embedding teks untuk temu kembali serbaguna dan multibahasa, dengan ruang vektor bersama dalam keluarga Voyage 4. Model mendukung masukan 32.000 token, pilihan keluaran 256–2048 dimensi, dan peran query/document untuk pencarian serta RAG.

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 adalah model embedding teks berukuran menengah Voyage AI dalam keluarga Voyage 4. Model mengubah teks kueri dan dokumen menjadi vektor numerik untuk temu kembali serbaguna serta multibahasa. Kemampuan khas keluarga ini adalah ruang embedding bersama: voyage-4, voyage-4-large, voyage-4-lite, dan voyage-4-nano menghasilkan representasi kompatibel, sehingga sisi kueri dan dokumen dalam tugas pencarian dapat menggunakan model berbeda dalam keluarga tersebut.

Ruang bersama dan temu kembali asimetris

Produsen menyebut penggunaan model kueri dan korpus yang berbeda sebagai temu kembali asimetris. Salah satu pola yang didokumentasikan adalah menyiapkan korpus dengan voyage-4-large dan mencarinya menggunakan embedding kueri voyage-4. Korpus dibuat embedding-nya sekali atau ketika materi sumber berubah, sementara vektor kueri dibuat saat pencarian masuk. Ruang bersama memungkinkan perubahan pilihan model sisi kueri dalam keluarga tanpa harus membuat ulang embedding korpus hanya karena penggantian itu.

Jaga dimensi keluaran dan representasi tetap kompatibel pada vektor yang dibandingkan. Pernyataan ruang bersama menyangkut model teks Voyage 4 yang disebutkan; hal ini tidak terbukti hanya karena dua model yang tidak terkait mengembalikan larik sama panjang. Karena itu, tugas praktis dapat menggunakan voyage-4 pada kedua sisi pencarian atau memakai vektor kuerinya dengan indeks dokumen voyage-4-large yang ada ketika pengaturan representasinya cocok.

Peran query dan document

Untuk temu kembali, Voyage menyarankan identifikasi teks masukan sebagai query atau document. Opsi peran masukan menyediakan instruksi temu kembali terkait sebelum pemvektoran. Siapkan bagian korpus sebagai dokumen dan pilihan kata pencarian pengguna sebagai kueri, dengan mempertahankan teks sumber sebenarnya serta pengenal di samping setiap vektor tersimpan.

Misalnya, koleksi pencarian pengetahuan dapat mengindeks instruksi teknis dan penjelasan produk. Kueri tentang hal yang terjadi setelah impor gagal harus mengembalikan bagian sumber yang menjelaskan perilaku tersebut. Simpan judul, kondisi relevan, dan lokasi sumber bersama bagian agar hasil pencarian dapat diperiksa atau digunakan tahap jawaban RAG berikutnya. Embedding adalah representasi numerik untuk temu kembali; bagian sumber aslinya merupakan bukti yang digunakan pada tahap berikutnya.

Dimensi dan jenis data keluaran

Jendela konteks per teks yang didokumentasikan adalah 32.000 token. Dimensi yang dapat dipilih adalah 256, 512, 1024, dan 2048, dengan 1024 sebagai bawaan. Pembelajaran Matryoshka menyediakan ukuran representasi bersarang tersebut. Keluaran dapat menggunakan floating-point 32 bit, integer 8 bit bertanda atau tanpa tanda, atau nilai biner terkemas, yang dimungkinkan oleh persiapan keluarga yang memperhitungkan kuantisasi.

Dengan keluaran biner terkemas, setiap byte hasil menyimpan delapan bit embedding, sehingga panjang daftar byte adalah seperdelapan dimensi yang dipilih. Jumlah byte dan dimensi embedding memiliki makna berbeda. Pilih representasi yang dapat ditafsirkan indeks pencarian dan periksa relevansi kandidat pada pertanyaan serta bahasa yang benar-benar digunakan koleksi sebelum memilih konfigurasi terkompresi.

Panjang masukan, batch, dan pemotongan

Panduan embedding teks pembuat saat ini mengizinkan hingga 1.000 string dan total 320.000 token dalam permintaan voyage-4. Jatah batch terpisah dari jendela 32.000 token untuk setiap masukan. Pemotongan aktif secara bawaan: teks terlalu panjang dipendekkan agar muat. Jika pemotongan dinonaktifkan, item terlalu panjang menghasilkan galat.

Untuk laporan panjang atau transkrip, siapkan bagian yang memuat jawaban secara sengaja alih-alih mengandalkan pemotongan pada batas masukan. Pertahankan hubungan setiap bagian dengan dokumen induk dan versi sumber. Masukan embedding voyage-4 biasa adalah teks individual; pemrosesan kelompok potongan kontekstual milik model embedding kontekstual yang didokumentasikan secara terpisah.

Gunakan hasil temu kembali

Simpan vektor bersama teks bagian dan pengenal sumber yang stabil, bandingkan setiap vektor kueri dengan vektor dokumen kompatibel, dan kembalikan bagian kandidat. Rilis keluarga mengevaluasi temu kembali pada materi termasuk dokumen teknis, percakapan, dokumen panjang, kode, hukum, keuangan, dan teks web. Reranker terpisah dapat menyempurnakan kandidat, dan tahap jawaban berikutnya dapat menggunakan teksnya. Nilai bagian hasil berdasarkan tugas; kompatibilitas ruang bersama memungkinkan kombinasi model, sementara kegunaan hasil tetap bergantung pada materi sumber dan pertanyaan.

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
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 $0.00012 / 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", "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

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

voyageai/voyage-4

", "method_identity": { "effective_request_model_id": "voyageai/voyage-4", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-4", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-4", "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" ], "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": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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\", \"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',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": 0.12, "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": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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", "nativeProvenance": { "input_facts_canonical_sha256": "2086ff609d98dd6deb30e8aeedcb82fe0ff0467cde1dd16326b1c3fa10a6daba", "input_html_sha256": "12e8b282de2a70f824830b02dac16b1d047c6fbcf4f5313d4f8ee4ab224a0b2f", "private_audit_sha256": "03a000e130910000174034111bc573e691f82040714aaed65b5da6093b90cd7e", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/voyageai-voyage-4/", "description": "voyage-4 membuat embedding teks untuk temu kembali serbaguna dan multibahasa, dengan ruang vektor bersama dalam keluarga Voyage 4. Model mendukung masukan 32.000 token, pilihan keluaran 256–2048 dimensi, dan peran query/document untuk pencarian serta RAG.", "locale": "id", "md_url": "https://ailoot.ai/models/id/voyageai-voyage-4/index.md", "title": "VoyageAI by MongoDB: voyage-4 — Ailoot", "url": "https://ailoot.ai/models/id/voyageai-voyage-4/" }, "rawModel": { "about": "voyage-4 adalah model embedding teks berukuran menengah Voyage AI dalam keluarga Voyage 4. Model mengubah teks kueri dan dokumen menjadi vektor numerik untuk temu kembali serbaguna serta multibahasa. Kemampuan khas keluarga ini adalah ruang embedding bersama: voyage-4, voyage-4-large, voyage-4-lite, dan voyage-4-nano menghasilkan representasi kompatibel, sehingga sisi kueri dan dokumen dalam tugas pencarian dapat menggunakan model berbeda dalam keluarga tersebut.\n\n### Ruang bersama dan temu kembali asimetris\n\nProdusen menyebut penggunaan model kueri dan korpus yang berbeda sebagai temu kembali asimetris. Salah satu pola yang didokumentasikan adalah menyiapkan korpus dengan voyage-4-large dan mencarinya menggunakan embedding kueri voyage-4. Korpus dibuat embedding-nya sekali atau ketika materi sumber berubah, sementara vektor kueri dibuat saat pencarian masuk. Ruang bersama memungkinkan perubahan pilihan model sisi kueri dalam keluarga tanpa harus membuat ulang embedding korpus hanya karena penggantian itu.\n\nJaga dimensi keluaran dan representasi tetap kompatibel pada vektor yang dibandingkan. Pernyataan ruang bersama menyangkut model teks Voyage 4 yang disebutkan; hal ini tidak terbukti hanya karena dua model yang tidak terkait mengembalikan larik sama panjang. Karena itu, tugas praktis dapat menggunakan voyage-4 pada kedua sisi pencarian atau memakai vektor kuerinya dengan indeks dokumen voyage-4-large yang ada ketika pengaturan representasinya cocok.\n\n### Peran query dan document\n\nUntuk temu kembali, Voyage menyarankan identifikasi teks masukan sebagai query atau document. Opsi peran masukan menyediakan instruksi temu kembali terkait sebelum pemvektoran. Siapkan bagian korpus sebagai dokumen dan pilihan kata pencarian pengguna sebagai kueri, dengan mempertahankan teks sumber sebenarnya serta pengenal di samping setiap vektor tersimpan.\n\nMisalnya, koleksi pencarian pengetahuan dapat mengindeks instruksi teknis dan penjelasan produk. Kueri tentang hal yang terjadi setelah impor gagal harus mengembalikan bagian sumber yang menjelaskan perilaku tersebut. Simpan judul, kondisi relevan, dan lokasi sumber bersama bagian agar hasil pencarian dapat diperiksa atau digunakan tahap jawaban RAG berikutnya. Embedding adalah representasi numerik untuk temu kembali; bagian sumber aslinya merupakan bukti yang digunakan pada tahap berikutnya.\n\n### Dimensi dan jenis data keluaran\n\nJendela konteks per teks yang didokumentasikan adalah 32.000 token. Dimensi yang dapat dipilih adalah 256, 512, 1024, dan 2048, dengan 1024 sebagai bawaan. Pembelajaran Matryoshka menyediakan ukuran representasi bersarang tersebut. Keluaran dapat menggunakan floating-point 32 bit, integer 8 bit bertanda atau tanpa tanda, atau nilai biner terkemas, yang dimungkinkan oleh persiapan keluarga yang memperhitungkan kuantisasi.\n\nDengan keluaran biner terkemas, setiap byte hasil menyimpan delapan bit embedding, sehingga panjang daftar byte adalah seperdelapan dimensi yang dipilih. Jumlah byte dan dimensi embedding memiliki makna berbeda. Pilih representasi yang dapat ditafsirkan indeks pencarian dan periksa relevansi kandidat pada pertanyaan serta bahasa yang benar-benar digunakan koleksi sebelum memilih konfigurasi terkompresi.\n\n### Panjang masukan, batch, dan pemotongan\n\nPanduan embedding teks pembuat saat ini mengizinkan hingga 1.000 string dan total 320.000 token dalam permintaan voyage-4. Jatah batch terpisah dari jendela 32.000 token untuk setiap masukan. Pemotongan aktif secara bawaan: teks terlalu panjang dipendekkan agar muat. Jika pemotongan dinonaktifkan, item terlalu panjang menghasilkan galat.\n\nUntuk laporan panjang atau transkrip, siapkan bagian yang memuat jawaban secara sengaja alih-alih mengandalkan pemotongan pada batas masukan. Pertahankan hubungan setiap bagian dengan dokumen induk dan versi sumber. Masukan embedding voyage-4 biasa adalah teks individual; pemrosesan kelompok potongan kontekstual milik model embedding kontekstual yang didokumentasikan secara terpisah.\n\n### Gunakan hasil temu kembali\n\nSimpan vektor bersama teks bagian dan pengenal sumber yang stabil, bandingkan setiap vektor kueri dengan vektor dokumen kompatibel, dan kembalikan bagian kandidat. Rilis keluarga mengevaluasi temu kembali pada materi termasuk dokumen teknis, percakapan, dokumen panjang, kode, hukum, keuangan, dan teks web. Reranker terpisah dapat menyempurnakan kandidat, dan tahap jawaban berikutnya dapat menggunakan teksnya. Nilai bagian hasil berdasarkan tugas; kompatibilitas ruang bersama memungkinkan kombinasi model, sementara kegunaan hasil tetap bergantung pada materi sumber dan pertanyaan.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-4", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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", "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" ], "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": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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\", \"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',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": 0.12, "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": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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", "request_model_id": "voyageai/voyage-4", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-4", "price": { "in": 0.12, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.12, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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", "short": "voyage-4 membuat embedding teks untuk temu kembali serbaguna dan multibahasa, dengan ruang vektor bersama dalam keluarga Voyage 4. Model mendukung masukan 32.000 token, pilihan keluaran 256–2048 dimensi, dan peran query/document untuk pencarian serta RAG." }, "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 membuat embedding teks untuk temu kembali serbaguna dan multibahasa, dengan ruang vektor bersama dalam keluarga Voyage 4. Model mendukung masukan 32.000 token, pilihan keluaran 256–2048 dimensi, dan peran query/document untuk pencarian serta RAG.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "1e6374132055a02fe894579b337b6ca2dcd3231064d3b1e5a0303c547a8dae71", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "3929bde6d7fa9b68d2803cd2219f6be0adac89e5ed6a920b92ed9ea017ef020a" }