{
  "aboutHtml": "<p>Voyage 3.5 Lite menukar teks kepada embedding untuk carian semantik. Voyage AI menerangkan edisi ini sebagai dioptimumkan untuk kependaman dan kos, menjadikannya calon bagi pengalaman carian yang kerap menghasilkan embedding soalan masuk atau mengekalkan koleksi besar petikan yang boleh dicari. Outputnya ialah perwakilan berangka bagi teks yang diberikan, yang dibandingkan oleh aplikasi carian dengan vektor tersimpan untuk bahan sumbernya.</p><p>Mulakan dengan koleksi yang sempadannya sepadan dengan tugas pengguna. Untuk pusat bantuan, satu petikan mungkin menerangkan prosedur dan prasyaratnya. Untuk arkib perbincangan, kekalkan rangkaian balasan yang mencukupi untuk mengenal pasti perkara yang dijawab. Hasil harus membawa pengguna kepada bukti yang boleh dibaca, jadi simpan teks asal, pautan sumber yang stabil dan metadata dokumen bersama setiap embedding.</p><p>Tulis pertanyaan ujian sebagaimana pengguna akan bertanya. “Di manakah saya boleh menukar alamat pada invois?” lebih berguna sebagai semakan carian berbanding menyalin tajuk artikel yang relevan. Sertakan soalan pendek, parafrasa, singkatan bidang dan kes yang menyebut beberapa konsep. Semak petikan yang dikembalikan dan tentukan sama ada hasil yang terlepas berpunca daripada kandungan sumber yang tiada, sempadan petikan yang kurang sesuai atau pilihan carian.</p><p>Pembuatnya mendokumentasikan tetingkap konteks 32000 token. Kapasiti ini membolehkan input teks yang besar, sementara panjang petikan kekal sebagai pilihan reka bentuk untuk pengalaman carian. Kekalkan jawapan ringkas bersama syarat yang diperlukan; elakkan memisahkan definisi daripada istilah yang diterangkannya. Ekstrak teks yang boleh dibaca daripada sumber dan buang navigasi yang diulang pada setiap halaman apabila ia mengaburkan maklumat yang dikehendaki pengguna.</p><p>Voyage 3.5 Lite menyokong dimensi 2048, 1024, 512 dan 256. Perwakilan titik apung, integer lapan bit dan binari menyediakan pilihan tambahan untuk indeks vektor. Uji perwakilan yang lebih kecil atau dikuantisasikan menggunakan soalan dan korpus yang sama seperti garis dasar berketepatan penuh. Rekodkan model, dimensi dan jenis data yang dipilih bersama indeks supaya vektor pertanyaan menggunakan tetapan yang sepadan.</p><p>Dalam aliran kerja carian pembuatnya, kenal pasti petikan yang diindeks sebagai dokumen dan carian masuk sebagai pertanyaan. Kekalkan pemetaan daripada setiap vektor yang dikembalikan kepada teks inputnya apabila memproses beberapa petikan serentak. Operasi embedding yang berjaya menyediakan vektor; aplikasi masih perlu memasukkannya ke dalam rekod yang betul dan memaparkan petikan sumber apabila pengguna membuka hasil.</p><p>Gunakan edisi ini untuk koleksi sokongan yang boleh dicari, alat penemuan dokumen atau tahap carian bagi pembantu. Untuk bahan berbilang bahasa, nilai gabungan bahasa yang terdapat dalam koleksi anda sendiri dan jangan bergantung pada satu ujian bahasa Inggeris sahaja. Pastikan kebenaran akses dan metadata lokal tersedia kepada aplikasi supaya padanan yang relevan dapat ditapis dan dipaparkan dalam konteks yang betul.</p><p>Untuk koleksi yang berkembang, kemas kini vektor bagi petikan yang berubah bersama versi sumbernya. Kekalkan set soalan sebenar yang merangkumi padanan mudah, parafrasa sukar dan dokumen serupa dengan jawapan berbeza. Ukur kualiti carian dan tingkah laku keseluruhan aliran carian di bawah beban kerja yang dijangka. Cara pembuatnya meletakkan edisi Lite membantu memilih calon; dimensi akhir, strategi petikan dan tetapan indeks ditentukan oleh hasil pada bahan anda.</p>",
  "aboutText": "Voyage 3.5 Lite menukar teks kepada embedding untuk carian semantik. Voyage AI menerangkan edisi ini sebagai dioptimumkan untuk kependaman dan kos, menjadikannya calon bagi pengalaman carian yang kerap menghasilkan embedding soalan masuk atau mengekalkan koleksi besar petikan yang boleh dicari. Outputnya ialah perwakilan berangka bagi teks yang diberikan, yang dibandingkan oleh aplikasi carian dengan vektor tersimpan untuk bahan sumbernya.\n\nMulakan dengan koleksi yang sempadannya sepadan dengan tugas pengguna. Untuk pusat bantuan, satu petikan mungkin menerangkan prosedur dan prasyaratnya. Untuk arkib perbincangan, kekalkan rangkaian balasan yang mencukupi untuk mengenal pasti perkara yang dijawab. Hasil harus membawa pengguna kepada bukti yang boleh dibaca, jadi simpan teks asal, pautan sumber yang stabil dan metadata dokumen bersama setiap embedding.\n\nTulis pertanyaan ujian sebagaimana pengguna akan bertanya. “Di manakah saya boleh menukar alamat pada invois?” lebih berguna sebagai semakan carian berbanding menyalin tajuk artikel yang relevan. Sertakan soalan pendek, parafrasa, singkatan bidang dan kes yang menyebut beberapa konsep. Semak petikan yang dikembalikan dan tentukan sama ada hasil yang terlepas berpunca daripada kandungan sumber yang tiada, sempadan petikan yang kurang sesuai atau pilihan carian.\n\nPembuatnya mendokumentasikan tetingkap konteks 32000 token. Kapasiti ini membolehkan input teks yang besar, sementara panjang petikan kekal sebagai pilihan reka bentuk untuk pengalaman carian. Kekalkan jawapan ringkas bersama syarat yang diperlukan; elakkan memisahkan definisi daripada istilah yang diterangkannya. Ekstrak teks yang boleh dibaca daripada sumber dan buang navigasi yang diulang pada setiap halaman apabila ia mengaburkan maklumat yang dikehendaki pengguna.\n\nVoyage 3.5 Lite menyokong dimensi 2048, 1024, 512 dan 256. Perwakilan titik apung, integer lapan bit dan binari menyediakan pilihan tambahan untuk indeks vektor. Uji perwakilan yang lebih kecil atau dikuantisasikan menggunakan soalan dan korpus yang sama seperti garis dasar berketepatan penuh. Rekodkan model, dimensi dan jenis data yang dipilih bersama indeks supaya vektor pertanyaan menggunakan tetapan yang sepadan.\n\nDalam aliran kerja carian pembuatnya, kenal pasti petikan yang diindeks sebagai dokumen dan carian masuk sebagai pertanyaan. Kekalkan pemetaan daripada setiap vektor yang dikembalikan kepada teks inputnya apabila memproses beberapa petikan serentak. Operasi embedding yang berjaya menyediakan vektor; aplikasi masih perlu memasukkannya ke dalam rekod yang betul dan memaparkan petikan sumber apabila pengguna membuka hasil.\n\nGunakan edisi ini untuk koleksi sokongan yang boleh dicari, alat penemuan dokumen atau tahap carian bagi pembantu. Untuk bahan berbilang bahasa, nilai gabungan bahasa yang terdapat dalam koleksi anda sendiri dan jangan bergantung pada satu ujian bahasa Inggeris sahaja. Pastikan kebenaran akses dan metadata lokal tersedia kepada aplikasi supaya padanan yang relevan dapat ditapis dan dipaparkan dalam konteks yang betul.\n\nUntuk koleksi yang berkembang, kemas kini vektor bagi petikan yang berubah bersama versi sumbernya. Kekalkan set soalan sebenar yang merangkumi padanan mudah, parafrasa sukar dan dokumen serupa dengan jawapan berbeza. Ukur kualiti carian dan tingkah laku keseluruhan aliran carian di bawah beban kerja yang dijangka. Cara pembuatnya meletakkan edisi Lite membantu memilih calon; dimensi akhir, strategi petikan dan tetapan indeks ditentukan oleh hasil pada bahan anda.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "b6c56d411b7065a9129c2d2d9f86eaf30b393ca2af094a7c6322c4bd61876b7f",
    "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06",
    "raw_model_unchanged": true,
    "schema": "ailoot-native-model-editorial-v1"
  },
  "locale": "ms",
  "methods": [
    {
      "html": "<div class=\"sheet-head\"><span class=\"mav\" aria-hidden=\"true\">•</span><h2 id=\"sheet-title\">Voyage AI: Voyage 3.5 Lite</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Tutup\">×</button></div><div class=\"idline\"><span>Voyage AI /</span><code>voyage-3.5-lite</code><button type=\"button\" id=\"copy-id\">Salin ID</button></div><nav class=\"card-jump-nav\" aria-label=\"Bahagian kad model\"><button type=\"button\" data-card-jump=\"overview\">Pengenalan</button><button type=\"button\" data-card-jump=\"methods\">Input &amp; kaedah</button><button type=\"button\" data-card-jump=\"pricing\">Pelan harga</button><button type=\"button\" data-card-jump=\"examples\">Contoh</button><button type=\"button\" data-card-jump=\"results\">Hasil</button><button type=\"button\" data-card-jump=\"aliases\">Alias</button></nav><div class=\"card-method-tabs\" role=\"tablist\" aria-label=\"Kaedah API\"><button type=\"button\" role=\"tab\" tabindex=\"0\" aria-controls=\"card-method-content\" aria-selected=\"true\" id=\"card-method-tab-0\" data-card-method=\"Ultra|embeddings|/v1/embeddings|voyage-3.5-lite\">Pembenaman</button></div><div id=\"card-method-content\" role=\"tabpanel\" aria-labelledby=\"card-method-tab-0\"><section class=\"card-section\" data-card-section=\"overview\"><h3 tabindex=\"-1\">Pengenalan</h3><p class=\"mdesc-full\">Voyage 3.5 Lite menghasilkan embedding teks untuk carian semantik dengan tumpuan pada kependaman dan kecekapan carian. Model ini menyokong tetingkap konteks 32000 token, empat saiz vektor dan output yang dikuantisasikan untuk carian pangkalan pengetahuan, pemadanan dokumen dan RAG.</p><dl class=\"card-io\" data-card-io><div><dt>Input yang diterima</dt><dd>Teks</dd></div><div><dt>Hasil</dt><dd>embedding</dd></div></dl><details class=\"card-about\"><summary>Tentang model</summary><p class=\"note-s\" data-model-method-boundary>Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.</p><div class=\"mabout\" id=\"m-about\"><p>Voyage 3.5 Lite menukar teks kepada embedding untuk carian semantik. Voyage AI menerangkan edisi ini sebagai dioptimumkan untuk kependaman dan kos, menjadikannya calon bagi pengalaman carian yang kerap menghasilkan embedding soalan masuk atau mengekalkan koleksi besar petikan yang boleh dicari. Outputnya ialah perwakilan berangka bagi teks yang diberikan, yang dibandingkan oleh aplikasi carian dengan vektor tersimpan untuk bahan sumbernya.</p><p>Mulakan dengan koleksi yang sempadannya sepadan dengan tugas pengguna. Untuk pusat bantuan, satu petikan mungkin menerangkan prosedur dan prasyaratnya. Untuk arkib perbincangan, kekalkan rangkaian balasan yang mencukupi untuk mengenal pasti perkara yang dijawab. Hasil harus membawa pengguna kepada bukti yang boleh dibaca, jadi simpan teks asal, pautan sumber yang stabil dan metadata dokumen bersama setiap embedding.</p><p>Tulis pertanyaan ujian sebagaimana pengguna akan bertanya. “Di manakah saya boleh menukar alamat pada invois?” lebih berguna sebagai semakan carian berbanding menyalin tajuk artikel yang relevan. Sertakan soalan pendek, parafrasa, singkatan bidang dan kes yang menyebut beberapa konsep. Semak petikan yang dikembalikan dan tentukan sama ada hasil yang terlepas berpunca daripada kandungan sumber yang tiada, sempadan petikan yang kurang sesuai atau pilihan carian.</p><p>Pembuatnya mendokumentasikan tetingkap konteks 32000 token. Kapasiti ini membolehkan input teks yang besar, sementara panjang petikan kekal sebagai pilihan reka bentuk untuk pengalaman carian. Kekalkan jawapan ringkas bersama syarat yang diperlukan; elakkan memisahkan definisi daripada istilah yang diterangkannya. Ekstrak teks yang boleh dibaca daripada sumber dan buang navigasi yang diulang pada setiap halaman apabila ia mengaburkan maklumat yang dikehendaki pengguna.</p><p>Voyage 3.5 Lite menyokong dimensi 2048, 1024, 512 dan 256. Perwakilan titik apung, integer lapan bit dan binari menyediakan pilihan tambahan untuk indeks vektor. Uji perwakilan yang lebih kecil atau dikuantisasikan menggunakan soalan dan korpus yang sama seperti garis dasar berketepatan penuh. Rekodkan model, dimensi dan jenis data yang dipilih bersama indeks supaya vektor pertanyaan menggunakan tetapan yang sepadan.</p><p>Dalam aliran kerja carian pembuatnya, kenal pasti petikan yang diindeks sebagai dokumen dan carian masuk sebagai pertanyaan. Kekalkan pemetaan daripada setiap vektor yang dikembalikan kepada teks inputnya apabila memproses beberapa petikan serentak. Operasi embedding yang berjaya menyediakan vektor; aplikasi masih perlu memasukkannya ke dalam rekod yang betul dan memaparkan petikan sumber apabila pengguna membuka hasil.</p><p>Gunakan edisi ini untuk koleksi sokongan yang boleh dicari, alat penemuan dokumen atau tahap carian bagi pembantu. Untuk bahan berbilang bahasa, nilai gabungan bahasa yang terdapat dalam koleksi anda sendiri dan jangan bergantung pada satu ujian bahasa Inggeris sahaja. Pastikan kebenaran akses dan metadata lokal tersedia kepada aplikasi supaya padanan yang relevan dapat ditapis dan dipaparkan dalam konteks yang betul.</p><p>Untuk koleksi yang berkembang, kemas kini vektor bagi petikan yang berubah bersama versi sumbernya. Kekalkan set soalan sebenar yang merangkumi padanan mudah, parafrasa sukar dan dokumen serupa dengan jawapan berbeza. Ukur kualiti carian dan tingkah laku keseluruhan aliran carian di bawah beban kerja yang dijangka. Cara pembuatnya meletakkan edisi Lite membantu memilih calon; dimensi akhir, strategi petikan dan tetapan indeks ditentukan oleh hasil pada bahan anda.</p></div></details></section><section class=\"card-section\" data-card-section=\"methods\"><h3 tabindex=\"-1\">Tersedia di Ailoot · input &amp; kaedah</h3><details class=\"card-method\" open><summary><b>Ailoot Ultra · Pembenaman</b> <code>POST /v1/embeddings</code></summary><dl class=\"method-capabilities\"><div><dt>Input</dt><dd><code>text</code></dd></div><div><dt>Output</dt><dd><code>embedding</code></dd></div></dl><div class=\"tw\" data-card-parameters data-typed-parameters><table><thead><tr><th>Medan</th><th>Jenis</th><th>Keperluan</th><th>Nilai &amp; had</th><th>Lalai</th></tr></thead><tbody><tr><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>string</code></td><td data-cell-label=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Diperlukan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>voyage-3.5-lite</div><div>Syarat: Gunakan pemilih model Ailoot yang tepat.</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr><tr><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">input</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>string or array&lt;string&gt;</code></td><td data-cell-label=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Diperlukan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>Syarat: Teks atau senarai teks; simpan satu vektor bagi setiap item data yang dikembalikan berserta indeksnya.</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr></tbody></table></div><details class=\"note-s\" data-method-contract><summary>Parameter kaedah dan kitar hayat</summary><div class=\"tw\" data-card-table=\"contract\"><table><thead><tr><th>Parameter</th><th>Kontrak</th></tr></thead><tbody><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>content_type</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>application/json</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>required</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>model, input</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>optional</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span></td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>material_types</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>text</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>conditions</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>Hantar teks dengan model yang dipilih; simpan setiap vektor yang dikembalikan berserta indeksnya.</td></tr></tbody></table></div><p>Kitar hayat: <code>synchronous</code></p></details></details></section><section class=\"card-section\" data-card-section=\"pricing\"><h3 tabindex=\"-1\">Pelan harga</h3><div data-native-semantic-method=\"v1\" data-tariff-reference-only><p class=\"note-s\" data-rate-support-note>Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.</p><dl data-price-conditions><dt>Mod pantas</dt><dd>Tidak dinyatakan <span class=\"note-s\">Apabila mod pantas dipilih</span></dd><dt>Mod flex</dt><dd>Tidak dinyatakan <span class=\"note-s\">Apabila mod flex dipilih</span></dd><dt>Usaha penaakulan maksimum</dt><dd>Tidak dinyatakan <span class=\"note-s\">Apabila usaha penaakulan maksimum menggunakan pelarasan default</span></dd></dl></div><div data-declared-tariff-pricing><h4>Kadar Ailoot</h4><h4>Harga mengikut konfigurasi</h4><div class=\"tw\" data-pricing-profiles><table><thead><tr><th>Konfigurasi</th><th>Jadual kadar</th><th>Caj</th></tr></thead><tbody><tr><th data-cell-label=\"Konfigurasi\" scope=\"row\"><span class=\"card-cell-label\">Konfigurasi</span>Kadar asas token</th><td data-cell-label=\"Jadual kadar\"><span class=\"card-cell-label\">Jadual kadar</span>Kadar asas</td><td data-cell-label=\"Caj\"><span class=\"card-cell-label\">Caj</span><div><span>Input · Token input</span> <b>$0.0001</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Output · Token output</span> <b>$0</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Bacaan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Penulisan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Penulisan cache, 1 jam</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. <a href=\"/docs/ms/billing/reserve/\">Cara rizab dan penyelesaian caj berfungsi →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Contoh permintaan</h3><h4>Ailoot Ultra · Pembenaman</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Pilihan kod\"><button class=\"cg-tab\" id=\"model-code-2788-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-2788-panel-0\" aria-selected=\"true\" tabindex=\"0\">curl · simpan semua vektor dan data penggunaan</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Salin kod\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-2788-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-2788-tab-0\"><pre data-lang=\"bash\"><code>set -eu\n: &quot;${AILOOT_API_KEY:?Set your Ailoot API key}&quot;\ncat &gt; request.json &lt;&lt;&#39;JSON&#39;\n{\n  &quot;model&quot;: &quot;voyage-3.5-lite&quot;,\n  &quot;input&quot;: &quot;The quick brown fox jumps over the lazy dog&quot;\n}\nJSON\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H &quot;Authorization: Bearer $AILOOT_API_KEY&quot; -H &#39;Content-Type: application/json&#39; \\\n  --data-binary @request.json -D response-headers.txt -o embeddings.json\n# Keep every data item and its index, the full usage object and response headers.\n</code></pre></div></div></div></section><section class=\"card-section\" data-card-section=\"results\"><h3 tabindex=\"-1\">Terima dan simpan hasil</h3></section><section class=\"card-section\" data-card-section=\"aliases\"><h3 tabindex=\"-1\">Alias</h3><h4>Alias model</h4><p class=\"note-s\"><span data-model-alias-route=\"Ultra\"><b>Ailoot Ultra</b> <a href=\"#m=voyage-3.5-lite&amp;route=Ultra&amp;caller=voyage-3.5-lite&amp;fmt=embeddings\"><code>voyage-3.5-lite</code></a></span></p><h4>Alias laluan kaedah</h4><p class=\"note-s\">Gunakan laluan kaedah yang dipaparkan di atas.</p><h4>ID pemanggil berkaitan</h4><p class=\"note-s\"><a href=\"#m=voyage-3.5-lite&amp;route=Ultra&amp;caller=voyage-3.5-lite&amp;fmt=embeddings\"><code>voyage-3.5-lite</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "voyage-3.5-lite",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "voyage-3.5-lite",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|voyage-3.5-lite",
      "ordinal": 0,
      "rawMethod": {
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Save the complete JSON response, every vector with its index, all usage fields and request headers.",
            "lifecycle": {
              "content": [],
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "mode": "synchronous",
              "status": [],
              "unknown": "Simpan respons asal dan X-Client-Request-ID untuk penyelarasan. Respons yang tidak jelas tidak memberi kebenaran untuk menghantar semula permintaan penciptaan yang sama.",
              "unknown_no_replay": true
            },
            "outputs": {
              "all_results": "Simpan respons JSON yang lengkap, setiap vektor berserta indeksnya, semua medan penggunaan dan pengepala permintaan.",
              "every_actual_output": true,
              "family": "embedding",
              "fields": [
                {
                  "name": "object",
                  "type": "string"
                },
                {
                  "name": "model",
                  "type": "string"
                },
                {
                  "name": "data[].index",
                  "type": "integer"
                },
                {
                  "name": "data[].embedding",
                  "type": "array<number>"
                },
                {
                  "name": "usage",
                  "type": "object"
                },
                {
                  "name": "usage.prompt_tokens",
                  "type": "integer"
                },
                {
                  "name": "usage.total_tokens",
                  "type": "integer"
                }
              ]
            },
            "parameters": [
              {
                "conditions": "Gunakan pemilih model Ailoot yang tepat.",
                "default_known": false,
                "enum": [
                  "voyage-3.5-lite"
                ],
                "enum_known": true,
                "maximum_length": null,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "conditions": "Teks atau senarai teks; simpan satu vektor bagi setiap item data yang dikembalikan berserta indeksnya.",
                "default_known": false,
                "enum_known": false,
                "maximum_length": null,
                "name": "input",
                "oneOf": [
                  {
                    "minLength": 1,
                    "type": "string"
                  },
                  {
                    "items": {
                      "minLength": 1,
                      "type": "string"
                    },
                    "minItems": 1,
                    "type": "array"
                  }
                ],
                "required": true,
                "type": "string or array<string>"
              }
            ],
            "request_schema": {
              "additionalProperties": true,
              "properties": {
                "input": {
                  "oneOf": [
                    {
                      "minLength": 1,
                      "type": "string"
                    },
                    {
                      "items": {
                        "minLength": 1,
                        "type": "string"
                      },
                      "minItems": 1,
                      "type": "array"
                    }
                  ]
                },
                "model": {
                  "enum": [
                    "voyage-3.5-lite"
                  ],
                  "type": "string"
                }
              },
              "required": [
                "model",
                "input"
              ],
              "type": "object"
            },
            "schema_template": {
              "actual_file_preparation_required": false,
              "body": {
                "input": "The quick brown fox jumps over the lazy dog",
                "model": "voyage-3.5-lite"
              },
              "content_type": "application/json"
            }
          },
          "input": {
            "conditions": [
              "Hantar teks dengan model yang dipilih; simpan setiap vektor yang dikembalikan berserta indeksnya."
            ],
            "content_type": "application/json",
            "material_types": [
              "text"
            ],
            "optional": [],
            "required": [
              "model",
              "input"
            ]
          },
          "lifecycle": {
            "content": [],
            "create": {
              "http": "POST",
              "path": "/v1/embeddings"
            },
            "mode": "synchronous",
            "status": [],
            "unknown": "Keep the original response and X-Client-Request-ID for reconciliation. An ambiguous response is not permission to submit the same creation again.",
            "unknown_no_replay": true
          },
          "method": {
            "http": "POST",
            "path": "/v1/embeddings"
          },
          "output": {
            "all_results": "Save the complete JSON response, every vector with its index, all usage fields and request headers.",
            "every_actual_output": true,
            "family": "embedding",
            "fields": [
              {
                "name": "object",
                "type": "string"
              },
              {
                "name": "model",
                "type": "string"
              },
              {
                "name": "data[].index",
                "type": "integer"
              },
              {
                "name": "data[].embedding",
                "type": "array<number>"
              },
              {
                "name": "usage",
                "type": "object"
              },
              {
                "name": "usage.prompt_tokens",
                "type": "integer"
              },
              {
                "name": "usage.total_tokens",
                "type": "integer"
              }
            ]
          }
        },
        "ctx": null,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Kadar asas token",
            "units": [
              {
                "amount": "0.0001000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000001",
                "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}\"\ncat > request.json <<'JSON'\n{\n  \"model\": \"voyage-3.5-lite\",\n  \"input\": \"The quick brown fox jumps over the lazy dog\"\n}\nJSON\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 embeddings.json\n# Keep every data item and its index, the full usage object and response headers.\n",
            "label": "curl · save all vectors and usage",
            "language": "bash"
          }
        ],
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "embeddings",
        "http": "POST",
        "in": 0.1,
        "input": [
          "text"
        ],
        "label": "Pembenaman",
        "max_out": null,
        "max_reasoning_effort_multiplier": null,
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Fast mode",
            "value": "Not specified",
            "when": "When fast mode is selected"
          },
          {
            "label": "Flex mode",
            "value": "Not specified",
            "when": "When flex mode is selected"
          },
          {
            "label": "Maximum reasoning effort",
            "value": "Not specified",
            "when": "When maximum reasoning effort uses the default adjustment"
          }
        ],
        "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": "0.0001000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000001",
                "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": "voyage-3.5-lite",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.0001000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000001",
            "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": "voyage-3.5-lite",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "5ef0d48fb95b03ba29883d3c63f0298e54aeaf81db843d422ba06476fa9ba1cb",
    "input_html_sha256": "ca1c00b749e74700791acf3599c3fce1012b21358c94769f12e8ca51389d8cb7",
    "private_audit_sha256": "4ea7167e99d88ced07f14cb48c87de8aa62a4ed1a43a64327fd30ed178481445",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/ms/voyage-3-5-lite/",
    "description": "Voyage 3.5 Lite menghasilkan embedding teks untuk carian semantik dengan tumpuan pada kependaman dan kecekapan carian. Model ini menyokong tetingkap konteks 32000 token, empat saiz vektor dan output yang dikuantisasikan untuk carian pangkalan pengetahuan, pemadanan dokumen dan RAG.",
    "locale": "ms",
    "md_url": "https://ailoot.ai/models/ms/voyage-3-5-lite/index.md",
    "title": "Voyage AI: Voyage 3.5 Lite — Ailoot",
    "url": "https://ailoot.ai/models/ms/voyage-3-5-lite/"
  },
  "rawModel": {
    "about": "Voyage 3.5 Lite menukar teks kepada embedding untuk carian semantik. Voyage AI menerangkan edisi ini sebagai dioptimumkan untuk kependaman dan kos, menjadikannya calon bagi pengalaman carian yang kerap menghasilkan embedding soalan masuk atau mengekalkan koleksi besar petikan yang boleh dicari. Outputnya ialah perwakilan berangka bagi teks yang diberikan, yang dibandingkan oleh aplikasi carian dengan vektor tersimpan untuk bahan sumbernya.\n\nMulakan dengan koleksi yang sempadannya sepadan dengan tugas pengguna. Untuk pusat bantuan, satu petikan mungkin menerangkan prosedur dan prasyaratnya. Untuk arkib perbincangan, kekalkan rangkaian balasan yang mencukupi untuk mengenal pasti perkara yang dijawab. Hasil harus membawa pengguna kepada bukti yang boleh dibaca, jadi simpan teks asal, pautan sumber yang stabil dan metadata dokumen bersama setiap embedding.\n\nTulis pertanyaan ujian sebagaimana pengguna akan bertanya. “Di manakah saya boleh menukar alamat pada invois?” lebih berguna sebagai semakan carian berbanding menyalin tajuk artikel yang relevan. Sertakan soalan pendek, parafrasa, singkatan bidang dan kes yang menyebut beberapa konsep. Semak petikan yang dikembalikan dan tentukan sama ada hasil yang terlepas berpunca daripada kandungan sumber yang tiada, sempadan petikan yang kurang sesuai atau pilihan carian.\n\nPembuatnya mendokumentasikan tetingkap konteks 32000 token. Kapasiti ini membolehkan input teks yang besar, sementara panjang petikan kekal sebagai pilihan reka bentuk untuk pengalaman carian. Kekalkan jawapan ringkas bersama syarat yang diperlukan; elakkan memisahkan definisi daripada istilah yang diterangkannya. Ekstrak teks yang boleh dibaca daripada sumber dan buang navigasi yang diulang pada setiap halaman apabila ia mengaburkan maklumat yang dikehendaki pengguna.\n\nVoyage 3.5 Lite menyokong dimensi 2048, 1024, 512 dan 256. Perwakilan titik apung, integer lapan bit dan binari menyediakan pilihan tambahan untuk indeks vektor. Uji perwakilan yang lebih kecil atau dikuantisasikan menggunakan soalan dan korpus yang sama seperti garis dasar berketepatan penuh. Rekodkan model, dimensi dan jenis data yang dipilih bersama indeks supaya vektor pertanyaan menggunakan tetapan yang sepadan.\n\nDalam aliran kerja carian pembuatnya, kenal pasti petikan yang diindeks sebagai dokumen dan carian masuk sebagai pertanyaan. Kekalkan pemetaan daripada setiap vektor yang dikembalikan kepada teks inputnya apabila memproses beberapa petikan serentak. Operasi embedding yang berjaya menyediakan vektor; aplikasi masih perlu memasukkannya ke dalam rekod yang betul dan memaparkan petikan sumber apabila pengguna membuka hasil.\n\nGunakan edisi ini untuk koleksi sokongan yang boleh dicari, alat penemuan dokumen atau tahap carian bagi pembantu. Untuk bahan berbilang bahasa, nilai gabungan bahasa yang terdapat dalam koleksi anda sendiri dan jangan bergantung pada satu ujian bahasa Inggeris sahaja. Pastikan kebenaran akses dan metadata lokal tersedia kepada aplikasi supaya padanan yang relevan dapat ditapis dan dipaparkan dalam konteks yang betul.\n\nUntuk koleksi yang berkembang, kemas kini vektor bagi petikan yang berubah bersama versi sumbernya. Kekalkan set soalan sebenar yang merangkumi padanan mudah, parafrasa sukar dan dokumen serupa dengan jawapan berbeza. Ukur kualiti carian dan tingkah laku keseluruhan aliran carian di bawah beban kerja yang dijangka. Cara pembuatnya meletakkan edisi Lite membantu memilih calon; dimensi akhir, strategi petikan dan tetapan indeks ditentukan oleh hasil pada bahan anda.",
    "about_sha256": "6da9d6fd6cfde8d6f5bf8b7aa370b1ddd356c1c7303a01cbc8c52ded9e166385",
    "alias_of": null,
    "aliases": [],
    "author": "Voyage AI",
    "capabilities": {
      "context_length": 32000,
      "manufacturer_input": [
        "text"
      ],
      "manufacturer_output": [
        "embeddings"
      ]
    },
    "card_routes": [
      {
        "label": "Ultra",
        "rates": [
          {
            "amount": "0.0001000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000001",
            "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": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran."
      }
    ],
    "ctx": null,
    "display_name": "Voyage AI: Voyage 3.5 Lite",
    "formats": [
      "embeddings"
    ],
    "id": "voyage-3.5-lite",
    "input": [
      "text"
    ],
    "kind": "embedding",
    "locale": "en",
    "max_out": null,
    "methods": [
      {
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Save the complete JSON response, every vector with its index, all usage fields and request headers.",
            "lifecycle": {
              "content": [],
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "mode": "synchronous",
              "status": [],
              "unknown": "Simpan respons asal dan X-Client-Request-ID untuk penyelarasan. Respons yang tidak jelas tidak memberi kebenaran untuk menghantar semula permintaan penciptaan yang sama.",
              "unknown_no_replay": true
            },
            "outputs": {
              "all_results": "Simpan respons JSON yang lengkap, setiap vektor berserta indeksnya, semua medan penggunaan dan pengepala permintaan.",
              "every_actual_output": true,
              "family": "embedding",
              "fields": [
                {
                  "name": "object",
                  "type": "string"
                },
                {
                  "name": "model",
                  "type": "string"
                },
                {
                  "name": "data[].index",
                  "type": "integer"
                },
                {
                  "name": "data[].embedding",
                  "type": "array<number>"
                },
                {
                  "name": "usage",
                  "type": "object"
                },
                {
                  "name": "usage.prompt_tokens",
                  "type": "integer"
                },
                {
                  "name": "usage.total_tokens",
                  "type": "integer"
                }
              ]
            },
            "parameters": [
              {
                "conditions": "Gunakan pemilih model Ailoot yang tepat.",
                "default_known": false,
                "enum": [
                  "voyage-3.5-lite"
                ],
                "enum_known": true,
                "maximum_length": null,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "conditions": "Teks atau senarai teks; simpan satu vektor bagi setiap item data yang dikembalikan berserta indeksnya.",
                "default_known": false,
                "enum_known": false,
                "maximum_length": null,
                "name": "input",
                "oneOf": [
                  {
                    "minLength": 1,
                    "type": "string"
                  },
                  {
                    "items": {
                      "minLength": 1,
                      "type": "string"
                    },
                    "minItems": 1,
                    "type": "array"
                  }
                ],
                "required": true,
                "type": "string or array<string>"
              }
            ],
            "request_schema": {
              "additionalProperties": true,
              "properties": {
                "input": {
                  "oneOf": [
                    {
                      "minLength": 1,
                      "type": "string"
                    },
                    {
                      "items": {
                        "minLength": 1,
                        "type": "string"
                      },
                      "minItems": 1,
                      "type": "array"
                    }
                  ]
                },
                "model": {
                  "enum": [
                    "voyage-3.5-lite"
                  ],
                  "type": "string"
                }
              },
              "required": [
                "model",
                "input"
              ],
              "type": "object"
            },
            "schema_template": {
              "actual_file_preparation_required": false,
              "body": {
                "input": "The quick brown fox jumps over the lazy dog",
                "model": "voyage-3.5-lite"
              },
              "content_type": "application/json"
            }
          },
          "input": {
            "conditions": [
              "Hantar teks dengan model yang dipilih; simpan setiap vektor yang dikembalikan berserta indeksnya."
            ],
            "content_type": "application/json",
            "material_types": [
              "text"
            ],
            "optional": [],
            "required": [
              "model",
              "input"
            ]
          },
          "lifecycle": {
            "content": [],
            "create": {
              "http": "POST",
              "path": "/v1/embeddings"
            },
            "mode": "synchronous",
            "status": [],
            "unknown": "Keep the original response and X-Client-Request-ID for reconciliation. An ambiguous response is not permission to submit the same creation again.",
            "unknown_no_replay": true
          },
          "method": {
            "http": "POST",
            "path": "/v1/embeddings"
          },
          "output": {
            "all_results": "Save the complete JSON response, every vector with its index, all usage fields and request headers.",
            "every_actual_output": true,
            "family": "embedding",
            "fields": [
              {
                "name": "object",
                "type": "string"
              },
              {
                "name": "model",
                "type": "string"
              },
              {
                "name": "data[].index",
                "type": "integer"
              },
              {
                "name": "data[].embedding",
                "type": "array<number>"
              },
              {
                "name": "usage",
                "type": "object"
              },
              {
                "name": "usage.prompt_tokens",
                "type": "integer"
              },
              {
                "name": "usage.total_tokens",
                "type": "integer"
              }
            ]
          }
        },
        "ctx": null,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Kadar asas token",
            "units": [
              {
                "amount": "0.0001000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000001",
                "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}\"\ncat > request.json <<'JSON'\n{\n  \"model\": \"voyage-3.5-lite\",\n  \"input\": \"The quick brown fox jumps over the lazy dog\"\n}\nJSON\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 embeddings.json\n# Keep every data item and its index, the full usage object and response headers.\n",
            "label": "curl · save all vectors and usage",
            "language": "bash"
          }
        ],
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "embeddings",
        "http": "POST",
        "in": 0.1,
        "input": [
          "text"
        ],
        "label": "Pembenaman",
        "max_out": null,
        "max_reasoning_effort_multiplier": null,
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Fast mode",
            "value": "Not specified",
            "when": "When fast mode is selected"
          },
          {
            "label": "Flex mode",
            "value": "Not specified",
            "when": "When flex mode is selected"
          },
          {
            "label": "Maximum reasoning effort",
            "value": "Not specified",
            "when": "When maximum reasoning effort uses the default adjustment"
          }
        ],
        "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": "0.0001000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000001",
                "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": "voyage-3.5-lite",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.0001000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000001",
            "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": "voyage-3.5-lite",
        "request_model_id": "voyage-3.5-lite",
        "route_label": "Ultra"
      }
    ],
    "name": "Voyage AI: Voyage 3.5 Lite",
    "price": {
      "in": 0.1,
      "in_label": null,
      "out": 0,
      "out_label": null,
      "scope_label": "Token rates",
      "sort_in": 0.1,
      "sort_out": 0,
      "varies": false
    },
    "short": "Voyage 3.5 Lite menghasilkan embedding teks untuk carian semantik dengan tumpuan pada kependaman dan kecekapan carian. Model ini menyokong tetingkap konteks 32000 token, empat saiz vektor dan output yang dikuantisasikan untuk carian pangkalan pengetahuan, pemadanan dokumen dan RAG.",
    "short_sha256": "61db24acd587cfab4f14b7f3c526314d69996c4d48e50298883531c74deb64a7"
  },
  "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 3.5 Lite menghasilkan embedding teks untuk carian semantik dengan tumpuan pada kependaman dan kecekapan carian. Model ini menyokong tetingkap konteks 32000 token, empat saiz vektor dan output yang dikuantisasikan untuk carian pangkalan pengetahuan, pemadanan dokumen dan RAG.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "f265cc7a27e2083ddce258843da97bddb71a5c1b4ec41b0c92a7b8e6ab05cfad",
    "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460"
  },
  "sourceRevision": "0ff8ba5d5979dd66499d14b63ddfcad8dbb2d17405fcca0c5fff5b6bc43be62e"
}