{ "aboutHtml": "

voyage-multimodal-3.5 adalah model embedding Voyage AI untuk temu kembali lintas teks, gambar, dan video. Model memproses teks serta konten visual berselang-seling melalui satu encoder transformer, merepresentasikan masukan multimodal lengkap dalam ruang vektor bersama. Edisi 3.5 menambahkan dukungan bingkai video secara eksplisit dan dimensi embedding yang fleksibel.

Pertahankan hubungan antara teks dan visual

Siapkan halaman atau bagian dokumen dalam bentuk yang mempertahankan informasi visual bergunanya. Slide berisi grafik dan penjelasan singkat dapat direpresentasikan dengan gambar slide serta teks pendamping dalam masukan berurutan yang sama. Untuk koleksi berbasis PDF, masukan visual yang didokumentasikan adalah tangkapan layar halaman atau representasi gambar lain dari dokumen.

Untuk grafik laporan, pertahankan judul, label sumbu, dan legenda dalam gambar. Lampirkan teks penjelasan ketika memberikan konteks yang dibutuhkan untuk menafsirkan visual. Simpan nomor halaman dan pengenal sumber di samping vektor hasil agar kandidat yang ditemukan dapat membuka halaman relevan, bukan sekadar mengembalikan nama dokumen.

Format masukan pembuat mendukung urutan teks, gambar, dan video. Format gambar yang diterbitkan adalah PNG, JPEG, WebP, dan GIF, serta MP4 untuk video. Konten visual dapat direpresentasikan melalui URL atau data Base64 dalam resep yang didokumentasikan; gunakan satu gaya representasi secara konsisten dalam satu permintaan.

Temukan adegan, bukan seluruh video panjang

Model merepresentasikan video sebagai urutan bingkai yang berurutan. Pembuat menyarankan pembagian video panjang menjadi adegan terkait, menyelaraskan batas adegan dengan cap waktu transkrip yang tersedia, dan menyimpan teks transkrip terkait. Resolusi lebih rendah atau laju bingkai yang dikurangi dapat membantu adegan yang berkesinambungan secara semantik muat dalam jatah konteksnya.

Untuk koleksi video pelatihan, kueri dapat meminta adegan yang menunjukkan penyesuaian kendali tertentu. Kaitkan setiap adegan terindeks dengan rentang waktunya. Kembalikan adegan yang cocok dan periksa bingkai atau klip asli untuk tindakan sebenarnya, bukan memperlakukan vektor yang ditemukan sebagai deskripsi tertulis tentang segala hal dalam rekaman.

Teks transkrip dapat berkontribusi ketika disiapkan sebagai bagian dari masukan multimodal. Embedding bingkai video sendiri tidak memberikan transkrip ucapan.

Batas konteks dan persiapan

Panjang konteks yang dinyatakan adalah 32.000 token per masukan. Voyage menghitung setiap 560 piksel gambar dan setiap 1120 piksel video sebagai satu token dalam penghitungan yang diterbitkan, sehingga konten visual berbagi jatah dengan teks. Batas yang didokumentasikan juga mencakup 16 juta piksel dan 20 MB per gambar, serta 20 MB per video. Satu daftar memuat paling banyak 1000 masukan dan total gabungan 320.000 token.

Pengaturan pemotongan bawaan memangkas masukan terlalu panjang; jika batasnya jatuh di dalam gambar, seluruh gambar dibuang. Karena itu, menyiapkan halaman atau adegan lengkap dalam jatah mempertahankan konten masukan yang lebih dapat diprediksi. Pengaturan alternatif yang didokumentasikan menolak masukan terlalu panjang alih-alih memotongnya.

Dimensi vektor dan peran temu kembali

Dimensi keluaran bawaan adalah 1024, dengan 256, 512, dan 2048 dimensi juga didokumentasikan untuk edisi ini. Pengumuman menjelaskan embedding Matryoshka serta representasi floating-point, 8 bit bertanda atau tanpa tanda, dan biner. Simpan dimensi serta representasi yang dipilih bersama indeks.

Resep temu kembali Voyage membedakan masukan query dan document. Kueri dapat berupa teks atau gambar, sementara dokumen terindeks dapat menggabungkan teks dan visual. Satu vektor merepresentasikan setiap urutan masukan lengkap; simpan hubungannya dengan halaman sumber, gambar, atau adegan agar hasil berperingkat tetap dapat diperiksa.

Gunakan sumber visual yang dikembalikan

Tahap temu kembali dapat menemukan halaman laporan, tabel, slide, atau adegan yang relevan dengan kueri. Tahap penulisan jawaban atau analisis kemudian membaca materi sumber tersebut. Untuk tabel, periksa header dan nilai sebenarnya sebelum menggunakan hasil; untuk adegan, periksa bingkai yang relevan dan teks terkait.

Perbedaan utama dari voyage-multimodal-3 adalah dukungan video eksplisit dan pilihan representasi tambahan edisi 3.5. Ini adalah kemampuan embedding untuk menemukan materi sumber, dengan vektor numerik sebagai keluaran, bukan gambar, video, atau jawaban naratif yang dihasilkan.

", "aboutText": "voyage-multimodal-3.5 adalah model embedding Voyage AI untuk temu kembali lintas teks, gambar, dan video. Model memproses teks serta konten visual berselang-seling melalui satu encoder transformer, merepresentasikan masukan multimodal lengkap dalam ruang vektor bersama. Edisi 3.5 menambahkan dukungan bingkai video secara eksplisit dan dimensi embedding yang fleksibel.\n\n### Pertahankan hubungan antara teks dan visual\n\nSiapkan halaman atau bagian dokumen dalam bentuk yang mempertahankan informasi visual bergunanya. Slide berisi grafik dan penjelasan singkat dapat direpresentasikan dengan gambar slide serta teks pendamping dalam masukan berurutan yang sama. Untuk koleksi berbasis PDF, masukan visual yang didokumentasikan adalah tangkapan layar halaman atau representasi gambar lain dari dokumen.\n\nUntuk grafik laporan, pertahankan judul, label sumbu, dan legenda dalam gambar. Lampirkan teks penjelasan ketika memberikan konteks yang dibutuhkan untuk menafsirkan visual. Simpan nomor halaman dan pengenal sumber di samping vektor hasil agar kandidat yang ditemukan dapat membuka halaman relevan, bukan sekadar mengembalikan nama dokumen.\n\nFormat masukan pembuat mendukung urutan teks, gambar, dan video. Format gambar yang diterbitkan adalah PNG, JPEG, WebP, dan GIF, serta MP4 untuk video. Konten visual dapat direpresentasikan melalui URL atau data Base64 dalam resep yang didokumentasikan; gunakan satu gaya representasi secara konsisten dalam satu permintaan.\n\n### Temukan adegan, bukan seluruh video panjang\n\nModel merepresentasikan video sebagai urutan bingkai yang berurutan. Pembuat menyarankan pembagian video panjang menjadi adegan terkait, menyelaraskan batas adegan dengan cap waktu transkrip yang tersedia, dan menyimpan teks transkrip terkait. Resolusi lebih rendah atau laju bingkai yang dikurangi dapat membantu adegan yang berkesinambungan secara semantik muat dalam jatah konteksnya.\n\nUntuk koleksi video pelatihan, kueri dapat meminta adegan yang menunjukkan penyesuaian kendali tertentu. Kaitkan setiap adegan terindeks dengan rentang waktunya. Kembalikan adegan yang cocok dan periksa bingkai atau klip asli untuk tindakan sebenarnya, bukan memperlakukan vektor yang ditemukan sebagai deskripsi tertulis tentang segala hal dalam rekaman.\n\nTeks transkrip dapat berkontribusi ketika disiapkan sebagai bagian dari masukan multimodal. Embedding bingkai video sendiri tidak memberikan transkrip ucapan.\n\n### Batas konteks dan persiapan\n\nPanjang konteks yang dinyatakan adalah 32.000 token per masukan. Voyage menghitung setiap 560 piksel gambar dan setiap 1120 piksel video sebagai satu token dalam penghitungan yang diterbitkan, sehingga konten visual berbagi jatah dengan teks. Batas yang didokumentasikan juga mencakup 16 juta piksel dan 20 MB per gambar, serta 20 MB per video. Satu daftar memuat paling banyak 1000 masukan dan total gabungan 320.000 token.\n\nPengaturan pemotongan bawaan memangkas masukan terlalu panjang; jika batasnya jatuh di dalam gambar, seluruh gambar dibuang. Karena itu, menyiapkan halaman atau adegan lengkap dalam jatah mempertahankan konten masukan yang lebih dapat diprediksi. Pengaturan alternatif yang didokumentasikan menolak masukan terlalu panjang alih-alih memotongnya.\n\n### Dimensi vektor dan peran temu kembali\n\nDimensi keluaran bawaan adalah 1024, dengan 256, 512, dan 2048 dimensi juga didokumentasikan untuk edisi ini. Pengumuman menjelaskan embedding Matryoshka serta representasi floating-point, 8 bit bertanda atau tanpa tanda, dan biner. Simpan dimensi serta representasi yang dipilih bersama indeks.\n\nResep temu kembali Voyage membedakan masukan query dan document. Kueri dapat berupa teks atau gambar, sementara dokumen terindeks dapat menggabungkan teks dan visual. Satu vektor merepresentasikan setiap urutan masukan lengkap; simpan hubungannya dengan halaman sumber, gambar, atau adegan agar hasil berperingkat tetap dapat diperiksa.\n\n### Gunakan sumber visual yang dikembalikan\n\nTahap temu kembali dapat menemukan halaman laporan, tabel, slide, atau adegan yang relevan dengan kueri. Tahap penulisan jawaban atau analisis kemudian membaca materi sumber tersebut. Untuk tabel, periksa header dan nilai sebenarnya sebelum menggunakan hasil; untuk adegan, periksa bingkai yang relevan dan teks terkait.\n\nPerbedaan utama dari voyage-multimodal-3 adalah dukungan video eksplisit dan pilihan representasi tambahan edisi 3.5. Ini adalah kemampuan embedding untuk menemukan materi sumber, dengan vektor numerik sebagai keluaran, bukan gambar, video, atau jawaban naratif yang dihasilkan.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f72ecdf5905e991841ac8c3581ffe9b0a3bb74c4f2efa36a4ee63b6b4ae268dc", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-multimodal-3.5

VoyageAI by MongoDB /voyageai/voyage-multimodal-3.5

Mulai

Voyage AI voyage-multimodal-3.5 membuat embedding teks, gambar, dan bingkai video dalam ruang temu kembali bersama. Model menangani konten berselang-seling seperti tangkapan layar dokumen, tabel, dan adegan, dengan masukan 32.000 token serta representasi bawaan 1024 dimensi.

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-multimodal-3.5 adalah model embedding Voyage AI untuk temu kembali lintas teks, gambar, dan video. Model memproses teks serta konten visual berselang-seling melalui satu encoder transformer, merepresentasikan masukan multimodal lengkap dalam ruang vektor bersama. Edisi 3.5 menambahkan dukungan bingkai video secara eksplisit dan dimensi embedding yang fleksibel.

Pertahankan hubungan antara teks dan visual

Siapkan halaman atau bagian dokumen dalam bentuk yang mempertahankan informasi visual bergunanya. Slide berisi grafik dan penjelasan singkat dapat direpresentasikan dengan gambar slide serta teks pendamping dalam masukan berurutan yang sama. Untuk koleksi berbasis PDF, masukan visual yang didokumentasikan adalah tangkapan layar halaman atau representasi gambar lain dari dokumen.

Untuk grafik laporan, pertahankan judul, label sumbu, dan legenda dalam gambar. Lampirkan teks penjelasan ketika memberikan konteks yang dibutuhkan untuk menafsirkan visual. Simpan nomor halaman dan pengenal sumber di samping vektor hasil agar kandidat yang ditemukan dapat membuka halaman relevan, bukan sekadar mengembalikan nama dokumen.

Format masukan pembuat mendukung urutan teks, gambar, dan video. Format gambar yang diterbitkan adalah PNG, JPEG, WebP, dan GIF, serta MP4 untuk video. Konten visual dapat direpresentasikan melalui URL atau data Base64 dalam resep yang didokumentasikan; gunakan satu gaya representasi secara konsisten dalam satu permintaan.

Temukan adegan, bukan seluruh video panjang

Model merepresentasikan video sebagai urutan bingkai yang berurutan. Pembuat menyarankan pembagian video panjang menjadi adegan terkait, menyelaraskan batas adegan dengan cap waktu transkrip yang tersedia, dan menyimpan teks transkrip terkait. Resolusi lebih rendah atau laju bingkai yang dikurangi dapat membantu adegan yang berkesinambungan secara semantik muat dalam jatah konteksnya.

Untuk koleksi video pelatihan, kueri dapat meminta adegan yang menunjukkan penyesuaian kendali tertentu. Kaitkan setiap adegan terindeks dengan rentang waktunya. Kembalikan adegan yang cocok dan periksa bingkai atau klip asli untuk tindakan sebenarnya, bukan memperlakukan vektor yang ditemukan sebagai deskripsi tertulis tentang segala hal dalam rekaman.

Teks transkrip dapat berkontribusi ketika disiapkan sebagai bagian dari masukan multimodal. Embedding bingkai video sendiri tidak memberikan transkrip ucapan.

Batas konteks dan persiapan

Panjang konteks yang dinyatakan adalah 32.000 token per masukan. Voyage menghitung setiap 560 piksel gambar dan setiap 1120 piksel video sebagai satu token dalam penghitungan yang diterbitkan, sehingga konten visual berbagi jatah dengan teks. Batas yang didokumentasikan juga mencakup 16 juta piksel dan 20 MB per gambar, serta 20 MB per video. Satu daftar memuat paling banyak 1000 masukan dan total gabungan 320.000 token.

Pengaturan pemotongan bawaan memangkas masukan terlalu panjang; jika batasnya jatuh di dalam gambar, seluruh gambar dibuang. Karena itu, menyiapkan halaman atau adegan lengkap dalam jatah mempertahankan konten masukan yang lebih dapat diprediksi. Pengaturan alternatif yang didokumentasikan menolak masukan terlalu panjang alih-alih memotongnya.

Dimensi vektor dan peran temu kembali

Dimensi keluaran bawaan adalah 1024, dengan 256, 512, dan 2048 dimensi juga didokumentasikan untuk edisi ini. Pengumuman menjelaskan embedding Matryoshka serta representasi floating-point, 8 bit bertanda atau tanpa tanda, dan biner. Simpan dimensi serta representasi yang dipilih bersama indeks.

Resep temu kembali Voyage membedakan masukan query dan document. Kueri dapat berupa teks atau gambar, sementara dokumen terindeks dapat menggabungkan teks dan visual. Satu vektor merepresentasikan setiap urutan masukan lengkap; simpan hubungannya dengan halaman sumber, gambar, atau adegan agar hasil berperingkat tetap dapat diperiksa.

Gunakan sumber visual yang dikembalikan

Tahap temu kembali dapat menemukan halaman laporan, tabel, slide, atau adegan yang relevan dengan kueri. Tahap penulisan jawaban atau analisis kemudian membaca materi sumber tersebut. Untuk tabel, periksa header dan nilai sebenarnya sebelum menggunakan hasil; untuk adegan, periksa bingkai yang relevan dan teks terkait.

Perbedaan utama dari voyage-multimodal-3 adalah dukungan video eksplisit dan pilihan representasi tambahan edisi 3.5. Ini adalah kemampuan embedding untuk menemukan materi sumber, dengan vektor numerik sebagai keluaran, bukan gambar, video, atau jawaban naratif yang dihasilkan.

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-multimodal-3.5
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-multimodal-3.5", "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-multimodal-3.5

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

voyageai/voyage-multimodal-3.5

", "method_identity": { "effective_request_model_id": "voyageai/voyage-multimodal-3.5", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-multimodal-3.5", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-multimodal-3.5", "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-multimodal-3.5" ], "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-multimodal-3.5\", \"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-multimodal-3.5',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-multimodal-3.5", "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-multimodal-3.5", "nativeProvenance": { "input_facts_canonical_sha256": "1132eea551ea91b7ed866a8e5d28121196733ab929c7087709b4f9d4a8256894", "input_html_sha256": "f0c6f1b702bc8f5939aafcc369ba24979348724eba16a1ad7cdc8e28eb86152d", "private_audit_sha256": "74018d8d47e67e2782b9a571395978e07beb75cccb0cc2124a7bf157aa1b4865", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/voyageai-voyage-multimodal-3-5/", "description": "Voyage AI voyage-multimodal-3.5 membuat embedding teks, gambar, dan bingkai video dalam ruang temu kembali bersama. Model menangani konten berselang-seling seperti tangkapan layar dokumen, tabel, dan adegan, dengan masukan 32.000 token serta representasi bawaan 1024 dimensi.", "locale": "id", "md_url": "https://ailoot.ai/models/id/voyageai-voyage-multimodal-3-5/index.md", "title": "VoyageAI by MongoDB: voyage-multimodal-3.5 — Ailoot", "url": "https://ailoot.ai/models/id/voyageai-voyage-multimodal-3-5/" }, "rawModel": { "about": "voyage-multimodal-3.5 adalah model embedding Voyage AI untuk temu kembali lintas teks, gambar, dan video. Model memproses teks serta konten visual berselang-seling melalui satu encoder transformer, merepresentasikan masukan multimodal lengkap dalam ruang vektor bersama. Edisi 3.5 menambahkan dukungan bingkai video secara eksplisit dan dimensi embedding yang fleksibel.\n\n### Pertahankan hubungan antara teks dan visual\n\nSiapkan halaman atau bagian dokumen dalam bentuk yang mempertahankan informasi visual bergunanya. Slide berisi grafik dan penjelasan singkat dapat direpresentasikan dengan gambar slide serta teks pendamping dalam masukan berurutan yang sama. Untuk koleksi berbasis PDF, masukan visual yang didokumentasikan adalah tangkapan layar halaman atau representasi gambar lain dari dokumen.\n\nUntuk grafik laporan, pertahankan judul, label sumbu, dan legenda dalam gambar. Lampirkan teks penjelasan ketika memberikan konteks yang dibutuhkan untuk menafsirkan visual. Simpan nomor halaman dan pengenal sumber di samping vektor hasil agar kandidat yang ditemukan dapat membuka halaman relevan, bukan sekadar mengembalikan nama dokumen.\n\nFormat masukan pembuat mendukung urutan teks, gambar, dan video. Format gambar yang diterbitkan adalah PNG, JPEG, WebP, dan GIF, serta MP4 untuk video. Konten visual dapat direpresentasikan melalui URL atau data Base64 dalam resep yang didokumentasikan; gunakan satu gaya representasi secara konsisten dalam satu permintaan.\n\n### Temukan adegan, bukan seluruh video panjang\n\nModel merepresentasikan video sebagai urutan bingkai yang berurutan. Pembuat menyarankan pembagian video panjang menjadi adegan terkait, menyelaraskan batas adegan dengan cap waktu transkrip yang tersedia, dan menyimpan teks transkrip terkait. Resolusi lebih rendah atau laju bingkai yang dikurangi dapat membantu adegan yang berkesinambungan secara semantik muat dalam jatah konteksnya.\n\nUntuk koleksi video pelatihan, kueri dapat meminta adegan yang menunjukkan penyesuaian kendali tertentu. Kaitkan setiap adegan terindeks dengan rentang waktunya. Kembalikan adegan yang cocok dan periksa bingkai atau klip asli untuk tindakan sebenarnya, bukan memperlakukan vektor yang ditemukan sebagai deskripsi tertulis tentang segala hal dalam rekaman.\n\nTeks transkrip dapat berkontribusi ketika disiapkan sebagai bagian dari masukan multimodal. Embedding bingkai video sendiri tidak memberikan transkrip ucapan.\n\n### Batas konteks dan persiapan\n\nPanjang konteks yang dinyatakan adalah 32.000 token per masukan. Voyage menghitung setiap 560 piksel gambar dan setiap 1120 piksel video sebagai satu token dalam penghitungan yang diterbitkan, sehingga konten visual berbagi jatah dengan teks. Batas yang didokumentasikan juga mencakup 16 juta piksel dan 20 MB per gambar, serta 20 MB per video. Satu daftar memuat paling banyak 1000 masukan dan total gabungan 320.000 token.\n\nPengaturan pemotongan bawaan memangkas masukan terlalu panjang; jika batasnya jatuh di dalam gambar, seluruh gambar dibuang. Karena itu, menyiapkan halaman atau adegan lengkap dalam jatah mempertahankan konten masukan yang lebih dapat diprediksi. Pengaturan alternatif yang didokumentasikan menolak masukan terlalu panjang alih-alih memotongnya.\n\n### Dimensi vektor dan peran temu kembali\n\nDimensi keluaran bawaan adalah 1024, dengan 256, 512, dan 2048 dimensi juga didokumentasikan untuk edisi ini. Pengumuman menjelaskan embedding Matryoshka serta representasi floating-point, 8 bit bertanda atau tanpa tanda, dan biner. Simpan dimensi serta representasi yang dipilih bersama indeks.\n\nResep temu kembali Voyage membedakan masukan query dan document. Kueri dapat berupa teks atau gambar, sementara dokumen terindeks dapat menggabungkan teks dan visual. Satu vektor merepresentasikan setiap urutan masukan lengkap; simpan hubungannya dengan halaman sumber, gambar, atau adegan agar hasil berperingkat tetap dapat diperiksa.\n\n### Gunakan sumber visual yang dikembalikan\n\nTahap temu kembali dapat menemukan halaman laporan, tabel, slide, atau adegan yang relevan dengan kueri. Tahap penulisan jawaban atau analisis kemudian membaca materi sumber tersebut. Untuk tabel, periksa header dan nilai sebenarnya sebelum menggunakan hasil; untuk adegan, periksa bingkai yang relevan dan teks terkait.\n\nPerbedaan utama dari voyage-multimodal-3 adalah dukungan video eksplisit dan pilihan representasi tambahan edisi 3.5. Ini adalah kemampuan embedding untuk menemukan materi sumber, dengan vektor numerik sebagai keluaran, bukan gambar, video, atau jawaban naratif yang dihasilkan.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-multimodal-3.5", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text", "image" ], "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-multimodal-3.5", "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-multimodal-3.5" ], "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-multimodal-3.5\", \"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-multimodal-3.5',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-multimodal-3.5", "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-multimodal-3.5", "request_model_id": "voyageai/voyage-multimodal-3.5", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-multimodal-3.5", "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-multimodal-3.5", "short": "Voyage AI voyage-multimodal-3.5 membuat embedding teks, gambar, dan bingkai video dalam ruang temu kembali bersama. Model menangani konten berselang-seling seperti tangkapan layar dokumen, tabel, dan adegan, dengan masukan 32.000 token serta representasi bawaan 1024 dimensi." }, "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-multimodal-3.5 membuat embedding teks, gambar, dan bingkai video dalam ruang temu kembali bersama. Model menangani konten berselang-seling seperti tangkapan layar dokumen, tabel, dan adegan, dengan masukan 32.000 token serta representasi bawaan 1024 dimensi.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "1efa3d244732116c1810f1f7534bf76067d03276546dc993834d4d184c37ba8a", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "a74068de5fbf0a8d9a43b3e1e3cad80b23e441a0009b032f66269b12b795ea9b" }