{ "aboutHtml": "

voyage-code-4 adalah model embedding khusus kode Voyage AI untuk pencarian repositori dan temu kembali agen pemrograman. Model dirancang untuk membantu menemukan sumber relevan ketika titik awalnya berupa pertanyaan, gejala, atau deskripsi tugas, bukan pengenal yang diketahui. Model merepresentasikan kode dan informasi tekstual sebagai vektor numerik untuk temu kembali; model tidak menyunting repositori atau menghasilkan perbaikan.

Temukan kode dari masalah yang diselidiki

Pembuat menjelaskan korpus pelatihan yang dikurasi dari pull request yang telah diselesaikan, menghubungkan kueri bahasa alami dengan kode. Ini adalah perbedaan bermakna dari contoh pelatihan yang terutama dibangun di sekitar berkas sumber dan docstring-nya: tugas temu kembali dapat dimulai dari perilaku yang perlu diselidiki.

Siapkan kueri seperti “Temukan bagian di mana hasil kosong menyebabkan operasi yang berhasil dilaporkan gagal.” Indeks bagian sumber yang dapat dibaca bersama jalur berkas dan komentar relevan. Pertahankan kondisi di sekitar fungsi ketika menjelaskan perilakunya. Kandidat hasil harus membawa pembaca atau agen kembali ke bagian sumber yang direpresentasikannya.

Temu kembali semantik dapat melengkapi pencarian pengenal tepat dan teks lengkap. Jika nama fungsi sudah diketahui, pencarian tepat tetap berguna. Jika hanya gejalanya diketahui, pencarian vektor dapat memberikan kandidat untuk diperiksa dan dipersempit dengan kueri lain.

Peran query dan document

Panduan temu kembali Voyage membedakan kueri dari dokumen korpus melalui jenis masukan query/document. Untuk pencarian kode, gunakan deskripsi masalah atau tugas sebagai query, serta sumber atau dokumentasi terindeks sebagai document. Resep yang diterbitkan menambahkan instruksi temu kembali khusus peran saat membuat embedding.

Simpan format asli kode, nama, dan dokumentasi relevan di luar vektor. Untuk bagian sumber, simpan jalur berkas dan lokasinya; untuk panduan pemrograman, simpan judulnya. Setelah temu kembali, periksa kode sebenarnya dan pemanggilnya sebelum memilih suntingan. Relevansi kandidat tidak membuktikan bahwa kandidat merupakan satu-satunya penyebab masalah yang dilaporkan.

Pilihan konteks dan representasi

Panjang konteks model yang tepat ini adalah 32.000 token menurut publikasi. Embedding bawaannya memiliki 1024 dimensi, dengan 256, 512, dan 2048 dimensi juga didukung melalui pembelajaran Matryoshka. Pengumuman mendokumentasikan representasi floating-point 32 bit, integer 8 bit bertanda dan tanpa tanda, serta biner.

Pilih satu dimensi dan representasi untuk koleksi, lalu simpan bersama metadatanya. Vektor floating-point dan representasi terkuantisasi membutuhkan penanganan penyimpanan serta perbandingan yang sesuai. Representasi biner mengodekan informasi vektor secara berbeda dari daftar koordinat floating-point biasa; pertahankan perbedaan itu saat menyiapkan hasil pencarian.

Untuk berkas panjang, pilih bagian koheren yang lokasi sumbernya dapat ditemukan kembali. Fungsi mungkin membutuhkan definisi tipe atau komentar di sebelahnya untuk menjelaskan kondisi, sedangkan seluruh berkas terlalu besar mungkin mencakup materi tidak terkait. Selaraskan bagian dengan tugas yang akan dicari alih-alih memperlakukan konteks maksimum sebagai ukuran potongan yang diutamakan.

Gunakan sumber hasil temu kembali sebagai bukti

Alur agen pemrograman praktis menemukan sumber kandidat, membaca berkas tersebut, mengikuti rujukan relevan, dan mempersempit pencarian seiring penyelidikan. Teks hasil temu kembali menjadi konteks untuk tahap penalaran atau penyuntingan. Pertahankan hubungannya dengan revisi repositori yang diindeks agar kandidat diperiksa berdasarkan sumber yang tepat.

Kontribusi khusus edisi voyage-code-4 adalah fokus pada tahap temu kembali dari masalah ke kode yang digunakan agen pemrograman, bersama dimensi dan representasi yang fleksibel. Keluarannya adalah vektor temu kembali, sementara diagnosis, penyuntingan, dan validasi tetap menjadi tugas terpisah yang berlandaskan repositori sebenarnya.

", "aboutText": "voyage-code-4 adalah model embedding khusus kode Voyage AI untuk pencarian repositori dan temu kembali agen pemrograman. Model dirancang untuk membantu menemukan sumber relevan ketika titik awalnya berupa pertanyaan, gejala, atau deskripsi tugas, bukan pengenal yang diketahui. Model merepresentasikan kode dan informasi tekstual sebagai vektor numerik untuk temu kembali; model tidak menyunting repositori atau menghasilkan perbaikan.\n\n### Temukan kode dari masalah yang diselidiki\n\nPembuat menjelaskan korpus pelatihan yang dikurasi dari pull request yang telah diselesaikan, menghubungkan kueri bahasa alami dengan kode. Ini adalah perbedaan bermakna dari contoh pelatihan yang terutama dibangun di sekitar berkas sumber dan docstring-nya: tugas temu kembali dapat dimulai dari perilaku yang perlu diselidiki.\n\nSiapkan kueri seperti “Temukan bagian di mana hasil kosong menyebabkan operasi yang berhasil dilaporkan gagal.” Indeks bagian sumber yang dapat dibaca bersama jalur berkas dan komentar relevan. Pertahankan kondisi di sekitar fungsi ketika menjelaskan perilakunya. Kandidat hasil harus membawa pembaca atau agen kembali ke bagian sumber yang direpresentasikannya.\n\nTemu kembali semantik dapat melengkapi pencarian pengenal tepat dan teks lengkap. Jika nama fungsi sudah diketahui, pencarian tepat tetap berguna. Jika hanya gejalanya diketahui, pencarian vektor dapat memberikan kandidat untuk diperiksa dan dipersempit dengan kueri lain.\n\n### Peran query dan document\n\nPanduan temu kembali Voyage membedakan kueri dari dokumen korpus melalui jenis masukan query/document. Untuk pencarian kode, gunakan deskripsi masalah atau tugas sebagai query, serta sumber atau dokumentasi terindeks sebagai document. Resep yang diterbitkan menambahkan instruksi temu kembali khusus peran saat membuat embedding.\n\nSimpan format asli kode, nama, dan dokumentasi relevan di luar vektor. Untuk bagian sumber, simpan jalur berkas dan lokasinya; untuk panduan pemrograman, simpan judulnya. Setelah temu kembali, periksa kode sebenarnya dan pemanggilnya sebelum memilih suntingan. Relevansi kandidat tidak membuktikan bahwa kandidat merupakan satu-satunya penyebab masalah yang dilaporkan.\n\n### Pilihan konteks dan representasi\n\nPanjang konteks model yang tepat ini adalah 32.000 token menurut publikasi. Embedding bawaannya memiliki 1024 dimensi, dengan 256, 512, dan 2048 dimensi juga didukung melalui pembelajaran Matryoshka. Pengumuman mendokumentasikan representasi floating-point 32 bit, integer 8 bit bertanda dan tanpa tanda, serta biner.\n\nPilih satu dimensi dan representasi untuk koleksi, lalu simpan bersama metadatanya. Vektor floating-point dan representasi terkuantisasi membutuhkan penanganan penyimpanan serta perbandingan yang sesuai. Representasi biner mengodekan informasi vektor secara berbeda dari daftar koordinat floating-point biasa; pertahankan perbedaan itu saat menyiapkan hasil pencarian.\n\nUntuk berkas panjang, pilih bagian koheren yang lokasi sumbernya dapat ditemukan kembali. Fungsi mungkin membutuhkan definisi tipe atau komentar di sebelahnya untuk menjelaskan kondisi, sedangkan seluruh berkas terlalu besar mungkin mencakup materi tidak terkait. Selaraskan bagian dengan tugas yang akan dicari alih-alih memperlakukan konteks maksimum sebagai ukuran potongan yang diutamakan.\n\n### Gunakan sumber hasil temu kembali sebagai bukti\n\nAlur agen pemrograman praktis menemukan sumber kandidat, membaca berkas tersebut, mengikuti rujukan relevan, dan mempersempit pencarian seiring penyelidikan. Teks hasil temu kembali menjadi konteks untuk tahap penalaran atau penyuntingan. Pertahankan hubungannya dengan revisi repositori yang diindeks agar kandidat diperiksa berdasarkan sumber yang tepat.\n\nKontribusi khusus edisi voyage-code-4 adalah fokus pada tahap temu kembali dari masalah ke kode yang digunakan agen pemrograman, bersama dimensi dan representasi yang fleksibel. Keluarannya adalah vektor temu kembali, sementara diagnosis, penyuntingan, dan validasi tetap menjadi tugas terpisah yang berlandaskan repositori sebenarnya.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "689f403a29c92e60ede8cb0823a30dac9c842de869b345077892c113cb7b44ac", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-code-4

VoyageAI by MongoDB /voyageai/voyage-code-4

Mulai

Voyage AI voyage-code-4 adalah model embedding kode untuk menemukan sumber relevan dari pertanyaan, deskripsi masalah, dan tujuan agen pemrograman. Model mendukung masukan 32.000 token serta 256, 512, 1024, atau 2048 dimensi, dengan representasi floating-point dan terkuantisasi.

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-code-4 adalah model embedding khusus kode Voyage AI untuk pencarian repositori dan temu kembali agen pemrograman. Model dirancang untuk membantu menemukan sumber relevan ketika titik awalnya berupa pertanyaan, gejala, atau deskripsi tugas, bukan pengenal yang diketahui. Model merepresentasikan kode dan informasi tekstual sebagai vektor numerik untuk temu kembali; model tidak menyunting repositori atau menghasilkan perbaikan.

Temukan kode dari masalah yang diselidiki

Pembuat menjelaskan korpus pelatihan yang dikurasi dari pull request yang telah diselesaikan, menghubungkan kueri bahasa alami dengan kode. Ini adalah perbedaan bermakna dari contoh pelatihan yang terutama dibangun di sekitar berkas sumber dan docstring-nya: tugas temu kembali dapat dimulai dari perilaku yang perlu diselidiki.

Siapkan kueri seperti “Temukan bagian di mana hasil kosong menyebabkan operasi yang berhasil dilaporkan gagal.” Indeks bagian sumber yang dapat dibaca bersama jalur berkas dan komentar relevan. Pertahankan kondisi di sekitar fungsi ketika menjelaskan perilakunya. Kandidat hasil harus membawa pembaca atau agen kembali ke bagian sumber yang direpresentasikannya.

Temu kembali semantik dapat melengkapi pencarian pengenal tepat dan teks lengkap. Jika nama fungsi sudah diketahui, pencarian tepat tetap berguna. Jika hanya gejalanya diketahui, pencarian vektor dapat memberikan kandidat untuk diperiksa dan dipersempit dengan kueri lain.

Peran query dan document

Panduan temu kembali Voyage membedakan kueri dari dokumen korpus melalui jenis masukan query/document. Untuk pencarian kode, gunakan deskripsi masalah atau tugas sebagai query, serta sumber atau dokumentasi terindeks sebagai document. Resep yang diterbitkan menambahkan instruksi temu kembali khusus peran saat membuat embedding.

Simpan format asli kode, nama, dan dokumentasi relevan di luar vektor. Untuk bagian sumber, simpan jalur berkas dan lokasinya; untuk panduan pemrograman, simpan judulnya. Setelah temu kembali, periksa kode sebenarnya dan pemanggilnya sebelum memilih suntingan. Relevansi kandidat tidak membuktikan bahwa kandidat merupakan satu-satunya penyebab masalah yang dilaporkan.

Pilihan konteks dan representasi

Panjang konteks model yang tepat ini adalah 32.000 token menurut publikasi. Embedding bawaannya memiliki 1024 dimensi, dengan 256, 512, dan 2048 dimensi juga didukung melalui pembelajaran Matryoshka. Pengumuman mendokumentasikan representasi floating-point 32 bit, integer 8 bit bertanda dan tanpa tanda, serta biner.

Pilih satu dimensi dan representasi untuk koleksi, lalu simpan bersama metadatanya. Vektor floating-point dan representasi terkuantisasi membutuhkan penanganan penyimpanan serta perbandingan yang sesuai. Representasi biner mengodekan informasi vektor secara berbeda dari daftar koordinat floating-point biasa; pertahankan perbedaan itu saat menyiapkan hasil pencarian.

Untuk berkas panjang, pilih bagian koheren yang lokasi sumbernya dapat ditemukan kembali. Fungsi mungkin membutuhkan definisi tipe atau komentar di sebelahnya untuk menjelaskan kondisi, sedangkan seluruh berkas terlalu besar mungkin mencakup materi tidak terkait. Selaraskan bagian dengan tugas yang akan dicari alih-alih memperlakukan konteks maksimum sebagai ukuran potongan yang diutamakan.

Gunakan sumber hasil temu kembali sebagai bukti

Alur agen pemrograman praktis menemukan sumber kandidat, membaca berkas tersebut, mengikuti rujukan relevan, dan mempersempit pencarian seiring penyelidikan. Teks hasil temu kembali menjadi konteks untuk tahap penalaran atau penyuntingan. Pertahankan hubungannya dengan revisi repositori yang diindeks agar kandidat diperiksa berdasarkan sumber yang tepat.

Kontribusi khusus edisi voyage-code-4 adalah fokus pada tahap temu kembali dari masalah ke kode yang digunakan agen pemrograman, bersama dimensi dan representasi yang fleksibel. Keluarannya adalah vektor temu kembali, sementara diagnosis, penyuntingan, dan validasi tetap menjadi tugas terpisah yang berlandaskan repositori sebenarnya.

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-code-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 $0.00024 / 1K token
Keluaran · Token keluaran $0 / 1K token
Masukan · Pembacaan cache — / 1K token
Masukan · Penulisan cache — / 1K token
Masukan · Penulisan cache, 1 jam — / 1K token

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

Contoh permintaan

Ailoot Ultra · Embedding

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "voyageai/voyage-code-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-code-4

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

voyageai/voyage-code-4

", "method_identity": { "effective_request_model_id": "voyageai/voyage-code-4", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-code-4", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-code-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-code-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": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"voyageai/voyage-code-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-code-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": 0.24, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mode Fast", "value": "Tarif standar", "when": "Saat mode fast dipilih" }, { "label": "Mode Flex", "value": "Tarif standar", "when": "Saat mode flex dipilih" }, { "label": "Upaya penalaran maksimum", "value": "Tarif standar", "when": "Saat upaya penalaran maksimum menggunakan penyesuaian default" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "voyageai/voyage-code-4", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "voyageai/voyage-code-4", "nativeProvenance": { "input_facts_canonical_sha256": "6564217ff3557c118196941691aaec102e400cf592c0fe71d48e7f0b9d23243d", "input_html_sha256": "d19821a4db09e3470913bb99cff974c6a40aa9a9711cc5e9915180e1b268c7cb", "private_audit_sha256": "879b21112d0ee4766c76ed605c5260932c0811c89f04b5702a9c2cfc06833884", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/voyageai-voyage-code-4/", "description": "Voyage AI voyage-code-4 adalah model embedding kode untuk menemukan sumber relevan dari pertanyaan, deskripsi masalah, dan tujuan agen pemrograman. Model mendukung masukan 32.000 token serta 256, 512, 1024, atau 2048 dimensi, dengan representasi floating-point dan terkuantisasi.", "locale": "id", "md_url": "https://ailoot.ai/models/id/voyageai-voyage-code-4/index.md", "title": "VoyageAI by MongoDB: voyage-code-4 — Ailoot", "url": "https://ailoot.ai/models/id/voyageai-voyage-code-4/" }, "rawModel": { "about": "voyage-code-4 adalah model embedding khusus kode Voyage AI untuk pencarian repositori dan temu kembali agen pemrograman. Model dirancang untuk membantu menemukan sumber relevan ketika titik awalnya berupa pertanyaan, gejala, atau deskripsi tugas, bukan pengenal yang diketahui. Model merepresentasikan kode dan informasi tekstual sebagai vektor numerik untuk temu kembali; model tidak menyunting repositori atau menghasilkan perbaikan.\n\n### Temukan kode dari masalah yang diselidiki\n\nPembuat menjelaskan korpus pelatihan yang dikurasi dari pull request yang telah diselesaikan, menghubungkan kueri bahasa alami dengan kode. Ini adalah perbedaan bermakna dari contoh pelatihan yang terutama dibangun di sekitar berkas sumber dan docstring-nya: tugas temu kembali dapat dimulai dari perilaku yang perlu diselidiki.\n\nSiapkan kueri seperti “Temukan bagian di mana hasil kosong menyebabkan operasi yang berhasil dilaporkan gagal.” Indeks bagian sumber yang dapat dibaca bersama jalur berkas dan komentar relevan. Pertahankan kondisi di sekitar fungsi ketika menjelaskan perilakunya. Kandidat hasil harus membawa pembaca atau agen kembali ke bagian sumber yang direpresentasikannya.\n\nTemu kembali semantik dapat melengkapi pencarian pengenal tepat dan teks lengkap. Jika nama fungsi sudah diketahui, pencarian tepat tetap berguna. Jika hanya gejalanya diketahui, pencarian vektor dapat memberikan kandidat untuk diperiksa dan dipersempit dengan kueri lain.\n\n### Peran query dan document\n\nPanduan temu kembali Voyage membedakan kueri dari dokumen korpus melalui jenis masukan query/document. Untuk pencarian kode, gunakan deskripsi masalah atau tugas sebagai query, serta sumber atau dokumentasi terindeks sebagai document. Resep yang diterbitkan menambahkan instruksi temu kembali khusus peran saat membuat embedding.\n\nSimpan format asli kode, nama, dan dokumentasi relevan di luar vektor. Untuk bagian sumber, simpan jalur berkas dan lokasinya; untuk panduan pemrograman, simpan judulnya. Setelah temu kembali, periksa kode sebenarnya dan pemanggilnya sebelum memilih suntingan. Relevansi kandidat tidak membuktikan bahwa kandidat merupakan satu-satunya penyebab masalah yang dilaporkan.\n\n### Pilihan konteks dan representasi\n\nPanjang konteks model yang tepat ini adalah 32.000 token menurut publikasi. Embedding bawaannya memiliki 1024 dimensi, dengan 256, 512, dan 2048 dimensi juga didukung melalui pembelajaran Matryoshka. Pengumuman mendokumentasikan representasi floating-point 32 bit, integer 8 bit bertanda dan tanpa tanda, serta biner.\n\nPilih satu dimensi dan representasi untuk koleksi, lalu simpan bersama metadatanya. Vektor floating-point dan representasi terkuantisasi membutuhkan penanganan penyimpanan serta perbandingan yang sesuai. Representasi biner mengodekan informasi vektor secara berbeda dari daftar koordinat floating-point biasa; pertahankan perbedaan itu saat menyiapkan hasil pencarian.\n\nUntuk berkas panjang, pilih bagian koheren yang lokasi sumbernya dapat ditemukan kembali. Fungsi mungkin membutuhkan definisi tipe atau komentar di sebelahnya untuk menjelaskan kondisi, sedangkan seluruh berkas terlalu besar mungkin mencakup materi tidak terkait. Selaraskan bagian dengan tugas yang akan dicari alih-alih memperlakukan konteks maksimum sebagai ukuran potongan yang diutamakan.\n\n### Gunakan sumber hasil temu kembali sebagai bukti\n\nAlur agen pemrograman praktis menemukan sumber kandidat, membaca berkas tersebut, mengikuti rujukan relevan, dan mempersempit pencarian seiring penyelidikan. Teks hasil temu kembali menjadi konteks untuk tahap penalaran atau penyuntingan. Pertahankan hubungannya dengan revisi repositori yang diindeks agar kandidat diperiksa berdasarkan sumber yang tepat.\n\nKontribusi khusus edisi voyage-code-4 adalah fokus pada tahap temu kembali dari masalah ke kode yang digunakan agen pemrograman, bersama dimensi dan representasi yang fleksibel. Keluarannya adalah vektor temu kembali, sementara diagnosis, penyuntingan, dan validasi tetap menjadi tugas terpisah yang berlandaskan repositori sebenarnya.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-code-4", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Informasi lengkap harga konfigurasi tersedia di bagian detail." } ], "ctx": 32000, "entity_type": "model", "formats": [ "embeddings" ], "id": "voyageai/voyage-code-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-code-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": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"voyageai/voyage-code-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-code-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": 0.24, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mode Fast", "value": "Tarif standar", "when": "Saat mode fast dipilih" }, { "label": "Mode Flex", "value": "Tarif standar", "when": "Saat mode flex dipilih" }, { "label": "Upaya penalaran maksimum", "value": "Tarif standar", "when": "Saat upaya penalaran maksimum menggunakan penyesuaian default" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "voyageai/voyage-code-4", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "voyageai/voyage-code-4", "request_model_id": "voyageai/voyage-code-4", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-code-4", "price": { "in": 0.24, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.24, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "public_id": "voyageai/voyage-code-4", "short": "Voyage AI voyage-code-4 adalah model embedding kode untuk menemukan sumber relevan dari pertanyaan, deskripsi masalah, dan tujuan agen pemrograman. Model mendukung masukan 32.000 token serta 256, 512, 1024, atau 2048 dimensi, dengan representasi floating-point dan terkuantisasi." }, "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-code-4 adalah model embedding kode untuk menemukan sumber relevan dari pertanyaan, deskripsi masalah, dan tujuan agen pemrograman. Model mendukung masukan 32.000 token serta 256, 512, 1024, atau 2048 dimensi, dengan representasi floating-point dan terkuantisasi.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "558fe8f5d2052d6e211eb8939735b71de90c40ef1e6b7bda59e6a157e87bbf8e", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "1a73cde72ea9a18707fb3b3b9d2d981268f552b75b134a609607aed29b9a6862" }