{
  "aboutHtml": "<p>Voyage Code 2 menghasilkan embedding berangka untuk kod sumber dan teks berkaitan. Model ini direka untuk carian kod secara semantik, apabila pembangun menerangkan tingkah laku atau memberikan cebisan kod dan sistem carian menemukan pelaksanaan yang relevan. Contoh pembuatnya merangkumi soalan bahasa semula jadi, cebisan kod dan gabungan kedua-duanya sebagai input carian.</p><p>Gunakannya untuk membina pengalaman carian repositori berdasarkan soalan pembangunan sebenar. Pembangun mungkin mencari rutin yang membuang hanya aksara sepadan pertama dan terakhir, atau bahagian projek yang menggunakan kaedah penelusuran pokok tertentu. Sediakan pertanyaan yang menyatakan tingkah laku dengan tepat, termasuk syarat yang membezakan pelaksanaan yang dimaksudkan daripada pelaksanaan lain yang hampir serupa tetapi salah.</p><p>Indekskan kod dalam unit yang berguna dan bukannya membahagikan setiap fail mengikut bilangan aksara yang dipilih secara sembarangan. Kekalkan signature fungsi, badan fungsi dan penerangan yang relevan bersama-sama. Apabila fungsi pembantu bergantung pada jenis atau pemalar setempat, kekalkan teks sekeliling yang mencukupi supaya tujuannya dapat difahami. Simpan laluan fail, revisi repositori dan lokasi sumber di luar embedding supaya hasil dapat membuka kod asal secara langsung.</p><p>Edisi ini mempunyai tetingkap konteks 16000 token dan menghasilkan embedding berdimensi 1536. Sesuaikan saiz indeks vektor dengan perwakilan ini dan kaitkan embedding pertanyaan serta dokumen dengan model yang sama. Koleksi yang telah diindeks menggunakan Voyage Code 2 boleh mengekalkan perwakilan carian yang konsisten semasa rekod sumbernya dikemas kini. Peralihan kepada edisi embedding lain perlu dianggap sebagai migrasi indeks dengan perbandingan yang jelas pada repositori yang sama.</p><p>Untuk pertanyaan bahasa semula jadi, terangkan operasi, input dan hasil yang relevan. Untuk pertanyaan kod, sertakan cebisan yang logiknya perlu dipadankan dan jelaskan sebarang syarat yang penting kepada carian. Carian tentang pengendalian percubaan semula, misalnya, boleh menentukan sama ada kod berkaitan mencuba semula selepas tamat masa atau selepas menerima respons ralat yang lengkap. Kod sumber yang ditemukan perlu diperiksa untuk perbezaan itu sebelum digunakan dalam penyuntingan.</p><p>Pastikan dokumentasi dan kod sumber dapat ditelusuri apabila kedua-duanya diindeks. Petikan penerangan boleh menjadi konteks yang berguna, sementara pelaksanaan ialah artifak yang perlu diperiksa oleh pembangun. Labelkan jenis rekod ini supaya halaman carian dapat menunjukkan destinasi yang betul dan pembantu pengekodan dapat membezakan penerangan daripada kod sumber yang boleh dilaksanakan.</p><p>Gunakan petikan yang ditemukan sebagai konteks untuk navigasi repositori, penemuan pelaksanaan atau langkah seterusnya pembantu pengekodan. Kekalkan cebisan relevan yang lengkap dan lokasinya apabila meneruskannya. Keserupaan membantu mencari kod calon; semakan terhadap input, kesan sampingan dan kontrak sebenar menentukan sama ada calon itu menyelesaikan masalah semasa.</p><p>Nilai carian menggunakan set soalan sebenar dengan jawapan sumber yang diketahui. Sertakan fungsi yang telah ditukar namanya, komen mengelirukan, utiliti serupa dengan kes pinggir berbeza dan pertanyaan yang menggunakan kosa kata yang tiada dalam kod. Periksa sama ada pelaksanaan yang dijangka muncul dalam hasil yang berguna dan sama ada cebisan yang dipaparkan memberikan konteks yang mencukupi untuk menilainya. Kekalkan soalan tersebut apabila repositori berkembang supaya perubahan pada pengekstrakan, sempadan petikan atau pengindeksan dapat dibandingkan berdasarkan tugas yang sama.</p>",
  "aboutText": "Voyage Code 2 menghasilkan embedding berangka untuk kod sumber dan teks berkaitan. Model ini direka untuk carian kod secara semantik, apabila pembangun menerangkan tingkah laku atau memberikan cebisan kod dan sistem carian menemukan pelaksanaan yang relevan. Contoh pembuatnya merangkumi soalan bahasa semula jadi, cebisan kod dan gabungan kedua-duanya sebagai input carian.\n\nGunakannya untuk membina pengalaman carian repositori berdasarkan soalan pembangunan sebenar. Pembangun mungkin mencari rutin yang membuang hanya aksara sepadan pertama dan terakhir, atau bahagian projek yang menggunakan kaedah penelusuran pokok tertentu. Sediakan pertanyaan yang menyatakan tingkah laku dengan tepat, termasuk syarat yang membezakan pelaksanaan yang dimaksudkan daripada pelaksanaan lain yang hampir serupa tetapi salah.\n\nIndekskan kod dalam unit yang berguna dan bukannya membahagikan setiap fail mengikut bilangan aksara yang dipilih secara sembarangan. Kekalkan signature fungsi, badan fungsi dan penerangan yang relevan bersama-sama. Apabila fungsi pembantu bergantung pada jenis atau pemalar setempat, kekalkan teks sekeliling yang mencukupi supaya tujuannya dapat difahami. Simpan laluan fail, revisi repositori dan lokasi sumber di luar embedding supaya hasil dapat membuka kod asal secara langsung.\n\nEdisi ini mempunyai tetingkap konteks 16000 token dan menghasilkan embedding berdimensi 1536. Sesuaikan saiz indeks vektor dengan perwakilan ini dan kaitkan embedding pertanyaan serta dokumen dengan model yang sama. Koleksi yang telah diindeks menggunakan Voyage Code 2 boleh mengekalkan perwakilan carian yang konsisten semasa rekod sumbernya dikemas kini. Peralihan kepada edisi embedding lain perlu dianggap sebagai migrasi indeks dengan perbandingan yang jelas pada repositori yang sama.\n\nUntuk pertanyaan bahasa semula jadi, terangkan operasi, input dan hasil yang relevan. Untuk pertanyaan kod, sertakan cebisan yang logiknya perlu dipadankan dan jelaskan sebarang syarat yang penting kepada carian. Carian tentang pengendalian percubaan semula, misalnya, boleh menentukan sama ada kod berkaitan mencuba semula selepas tamat masa atau selepas menerima respons ralat yang lengkap. Kod sumber yang ditemukan perlu diperiksa untuk perbezaan itu sebelum digunakan dalam penyuntingan.\n\nPastikan dokumentasi dan kod sumber dapat ditelusuri apabila kedua-duanya diindeks. Petikan penerangan boleh menjadi konteks yang berguna, sementara pelaksanaan ialah artifak yang perlu diperiksa oleh pembangun. Labelkan jenis rekod ini supaya halaman carian dapat menunjukkan destinasi yang betul dan pembantu pengekodan dapat membezakan penerangan daripada kod sumber yang boleh dilaksanakan.\n\nGunakan petikan yang ditemukan sebagai konteks untuk navigasi repositori, penemuan pelaksanaan atau langkah seterusnya pembantu pengekodan. Kekalkan cebisan relevan yang lengkap dan lokasinya apabila meneruskannya. Keserupaan membantu mencari kod calon; semakan terhadap input, kesan sampingan dan kontrak sebenar menentukan sama ada calon itu menyelesaikan masalah semasa.\n\nNilai carian menggunakan set soalan sebenar dengan jawapan sumber yang diketahui. Sertakan fungsi yang telah ditukar namanya, komen mengelirukan, utiliti serupa dengan kes pinggir berbeza dan pertanyaan yang menggunakan kosa kata yang tiada dalam kod. Periksa sama ada pelaksanaan yang dijangka muncul dalam hasil yang berguna dan sama ada cebisan yang dipaparkan memberikan konteks yang mencukupi untuk menilainya. Kekalkan soalan tersebut apabila repositori berkembang supaya perubahan pada pengekstrakan, sempadan petikan atau pengindeksan dapat dibandingkan berdasarkan tugas yang sama.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "b89df8070a50ecedaaf12ce174847eadede300aa33fc3464841544799435ec34",
    "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 Code 2</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Tutup\">×</button></div><div class=\"idline\"><span>Voyage AI /</span><code>voyage-code-2</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-code-2\">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 Code 2 menghasilkan embedding kod sumber dan teks berkaitan untuk carian repositori secara semantik. Soalan bahasa semula jadi, cebisan kod atau pertanyaan gabungan boleh menemukan pelaksanaan yang relevan; edisi ini menggunakan tetingkap konteks 16000 token dan vektor berdimensi 1536.</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 Code 2 menghasilkan embedding berangka untuk kod sumber dan teks berkaitan. Model ini direka untuk carian kod secara semantik, apabila pembangun menerangkan tingkah laku atau memberikan cebisan kod dan sistem carian menemukan pelaksanaan yang relevan. Contoh pembuatnya merangkumi soalan bahasa semula jadi, cebisan kod dan gabungan kedua-duanya sebagai input carian.</p><p>Gunakannya untuk membina pengalaman carian repositori berdasarkan soalan pembangunan sebenar. Pembangun mungkin mencari rutin yang membuang hanya aksara sepadan pertama dan terakhir, atau bahagian projek yang menggunakan kaedah penelusuran pokok tertentu. Sediakan pertanyaan yang menyatakan tingkah laku dengan tepat, termasuk syarat yang membezakan pelaksanaan yang dimaksudkan daripada pelaksanaan lain yang hampir serupa tetapi salah.</p><p>Indekskan kod dalam unit yang berguna dan bukannya membahagikan setiap fail mengikut bilangan aksara yang dipilih secara sembarangan. Kekalkan signature fungsi, badan fungsi dan penerangan yang relevan bersama-sama. Apabila fungsi pembantu bergantung pada jenis atau pemalar setempat, kekalkan teks sekeliling yang mencukupi supaya tujuannya dapat difahami. Simpan laluan fail, revisi repositori dan lokasi sumber di luar embedding supaya hasil dapat membuka kod asal secara langsung.</p><p>Edisi ini mempunyai tetingkap konteks 16000 token dan menghasilkan embedding berdimensi 1536. Sesuaikan saiz indeks vektor dengan perwakilan ini dan kaitkan embedding pertanyaan serta dokumen dengan model yang sama. Koleksi yang telah diindeks menggunakan Voyage Code 2 boleh mengekalkan perwakilan carian yang konsisten semasa rekod sumbernya dikemas kini. Peralihan kepada edisi embedding lain perlu dianggap sebagai migrasi indeks dengan perbandingan yang jelas pada repositori yang sama.</p><p>Untuk pertanyaan bahasa semula jadi, terangkan operasi, input dan hasil yang relevan. Untuk pertanyaan kod, sertakan cebisan yang logiknya perlu dipadankan dan jelaskan sebarang syarat yang penting kepada carian. Carian tentang pengendalian percubaan semula, misalnya, boleh menentukan sama ada kod berkaitan mencuba semula selepas tamat masa atau selepas menerima respons ralat yang lengkap. Kod sumber yang ditemukan perlu diperiksa untuk perbezaan itu sebelum digunakan dalam penyuntingan.</p><p>Pastikan dokumentasi dan kod sumber dapat ditelusuri apabila kedua-duanya diindeks. Petikan penerangan boleh menjadi konteks yang berguna, sementara pelaksanaan ialah artifak yang perlu diperiksa oleh pembangun. Labelkan jenis rekod ini supaya halaman carian dapat menunjukkan destinasi yang betul dan pembantu pengekodan dapat membezakan penerangan daripada kod sumber yang boleh dilaksanakan.</p><p>Gunakan petikan yang ditemukan sebagai konteks untuk navigasi repositori, penemuan pelaksanaan atau langkah seterusnya pembantu pengekodan. Kekalkan cebisan relevan yang lengkap dan lokasinya apabila meneruskannya. Keserupaan membantu mencari kod calon; semakan terhadap input, kesan sampingan dan kontrak sebenar menentukan sama ada calon itu menyelesaikan masalah semasa.</p><p>Nilai carian menggunakan set soalan sebenar dengan jawapan sumber yang diketahui. Sertakan fungsi yang telah ditukar namanya, komen mengelirukan, utiliti serupa dengan kes pinggir berbeza dan pertanyaan yang menggunakan kosa kata yang tiada dalam kod. Periksa sama ada pelaksanaan yang dijangka muncul dalam hasil yang berguna dan sama ada cebisan yang dipaparkan memberikan konteks yang mencukupi untuk menilainya. Kekalkan soalan tersebut apabila repositori berkembang supaya perubahan pada pengekstrakan, sempadan petikan atau pengindeksan dapat dibandingkan berdasarkan tugas yang sama.</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-code-2</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>$0.0004</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Output · Token output</span> <b>$0</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Bacaan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Penulisan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Penulisan cache, 1 jam</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. <a href=\"/docs/ms/billing/reserve/\">Cara rizab dan penyelesaian caj berfungsi →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Contoh permintaan</h3><h4>Ailoot Ultra · Pembenaman</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Pilihan kod\"><button class=\"cg-tab\" id=\"model-code-2789-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-2789-panel-0\" aria-selected=\"true\" tabindex=\"0\">curl · simpan semua vektor dan data penggunaan</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Salin kod\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-2789-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-2789-tab-0\"><pre data-lang=\"bash\"><code>set -eu\n: &quot;${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-code-2&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-code-2&amp;route=Ultra&amp;caller=voyage-code-2&amp;fmt=embeddings\"><code>voyage-code-2</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-code-2&amp;route=Ultra&amp;caller=voyage-code-2&amp;fmt=embeddings\"><code>voyage-code-2</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "voyage-code-2",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "voyage-code-2",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|voyage-code-2",
      "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-code-2"
                ],
                "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-code-2"
                  ],
                  "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-code-2"
              },
              "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": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "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-code-2\",\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": 0.4,
        "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": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "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-code-2",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.0004000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000004",
            "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-code-2",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "6c03d7a1055a2ba5d792465cb34e2f1dbce875ff9de3f74bd75c04b5890e2952",
    "input_html_sha256": "b0ed992c0d6a8f297c7c46dacdaacbb89c796a55b5515162797057b1c1917ad9",
    "private_audit_sha256": "ffbff15d28e178317960b13db17333b02cc68baa1d72c48460acf2f52a7737d8",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/ms/voyage-code-2/",
    "description": "Voyage Code 2 menghasilkan embedding kod sumber dan teks berkaitan untuk carian repositori secara semantik. Soalan bahasa semula jadi, cebisan kod atau pertanyaan gabungan boleh menemukan pelaksanaan yang relevan; edisi ini menggunakan tetingkap konteks 16000 token dan vektor berdimensi 1536.",
    "locale": "ms",
    "md_url": "https://ailoot.ai/models/ms/voyage-code-2/index.md",
    "title": "Voyage AI: Voyage Code 2 — Ailoot",
    "url": "https://ailoot.ai/models/ms/voyage-code-2/"
  },
  "rawModel": {
    "about": "Voyage Code 2 menghasilkan embedding berangka untuk kod sumber dan teks berkaitan. Model ini direka untuk carian kod secara semantik, apabila pembangun menerangkan tingkah laku atau memberikan cebisan kod dan sistem carian menemukan pelaksanaan yang relevan. Contoh pembuatnya merangkumi soalan bahasa semula jadi, cebisan kod dan gabungan kedua-duanya sebagai input carian.\n\nGunakannya untuk membina pengalaman carian repositori berdasarkan soalan pembangunan sebenar. Pembangun mungkin mencari rutin yang membuang hanya aksara sepadan pertama dan terakhir, atau bahagian projek yang menggunakan kaedah penelusuran pokok tertentu. Sediakan pertanyaan yang menyatakan tingkah laku dengan tepat, termasuk syarat yang membezakan pelaksanaan yang dimaksudkan daripada pelaksanaan lain yang hampir serupa tetapi salah.\n\nIndekskan kod dalam unit yang berguna dan bukannya membahagikan setiap fail mengikut bilangan aksara yang dipilih secara sembarangan. Kekalkan signature fungsi, badan fungsi dan penerangan yang relevan bersama-sama. Apabila fungsi pembantu bergantung pada jenis atau pemalar setempat, kekalkan teks sekeliling yang mencukupi supaya tujuannya dapat difahami. Simpan laluan fail, revisi repositori dan lokasi sumber di luar embedding supaya hasil dapat membuka kod asal secara langsung.\n\nEdisi ini mempunyai tetingkap konteks 16000 token dan menghasilkan embedding berdimensi 1536. Sesuaikan saiz indeks vektor dengan perwakilan ini dan kaitkan embedding pertanyaan serta dokumen dengan model yang sama. Koleksi yang telah diindeks menggunakan Voyage Code 2 boleh mengekalkan perwakilan carian yang konsisten semasa rekod sumbernya dikemas kini. Peralihan kepada edisi embedding lain perlu dianggap sebagai migrasi indeks dengan perbandingan yang jelas pada repositori yang sama.\n\nUntuk pertanyaan bahasa semula jadi, terangkan operasi, input dan hasil yang relevan. Untuk pertanyaan kod, sertakan cebisan yang logiknya perlu dipadankan dan jelaskan sebarang syarat yang penting kepada carian. Carian tentang pengendalian percubaan semula, misalnya, boleh menentukan sama ada kod berkaitan mencuba semula selepas tamat masa atau selepas menerima respons ralat yang lengkap. Kod sumber yang ditemukan perlu diperiksa untuk perbezaan itu sebelum digunakan dalam penyuntingan.\n\nPastikan dokumentasi dan kod sumber dapat ditelusuri apabila kedua-duanya diindeks. Petikan penerangan boleh menjadi konteks yang berguna, sementara pelaksanaan ialah artifak yang perlu diperiksa oleh pembangun. Labelkan jenis rekod ini supaya halaman carian dapat menunjukkan destinasi yang betul dan pembantu pengekodan dapat membezakan penerangan daripada kod sumber yang boleh dilaksanakan.\n\nGunakan petikan yang ditemukan sebagai konteks untuk navigasi repositori, penemuan pelaksanaan atau langkah seterusnya pembantu pengekodan. Kekalkan cebisan relevan yang lengkap dan lokasinya apabila meneruskannya. Keserupaan membantu mencari kod calon; semakan terhadap input, kesan sampingan dan kontrak sebenar menentukan sama ada calon itu menyelesaikan masalah semasa.\n\nNilai carian menggunakan set soalan sebenar dengan jawapan sumber yang diketahui. Sertakan fungsi yang telah ditukar namanya, komen mengelirukan, utiliti serupa dengan kes pinggir berbeza dan pertanyaan yang menggunakan kosa kata yang tiada dalam kod. Periksa sama ada pelaksanaan yang dijangka muncul dalam hasil yang berguna dan sama ada cebisan yang dipaparkan memberikan konteks yang mencukupi untuk menilainya. Kekalkan soalan tersebut apabila repositori berkembang supaya perubahan pada pengekstrakan, sempadan petikan atau pengindeksan dapat dibandingkan berdasarkan tugas yang sama.",
    "about_sha256": "02443af503f57362991a7f624a9b2b777836a591a3816de5330425a291427ffb",
    "alias_of": null,
    "aliases": [],
    "author": "Voyage AI",
    "capabilities": {
      "context_length": 16000,
      "manufacturer_input": [
        "text"
      ],
      "manufacturer_output": [
        "embeddings"
      ]
    },
    "card_routes": [
      {
        "label": "Ultra",
        "rates": [
          {
            "amount": "0.0004000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000004",
            "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 Code 2",
    "formats": [
      "embeddings"
    ],
    "id": "voyage-code-2",
    "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-code-2"
                ],
                "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-code-2"
                  ],
                  "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-code-2"
              },
              "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": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "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-code-2\",\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": 0.4,
        "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": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "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-code-2",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.0004000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000004",
            "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-code-2",
        "request_model_id": "voyage-code-2",
        "route_label": "Ultra"
      }
    ],
    "name": "Voyage AI: Voyage Code 2",
    "price": {
      "in": 0.4,
      "in_label": null,
      "out": 0,
      "out_label": null,
      "scope_label": "Token rates",
      "sort_in": 0.4,
      "sort_out": 0,
      "varies": false
    },
    "short": "Voyage Code 2 menghasilkan embedding kod sumber dan teks berkaitan untuk carian repositori secara semantik. Soalan bahasa semula jadi, cebisan kod atau pertanyaan gabungan boleh menemukan pelaksanaan yang relevan; edisi ini menggunakan tetingkap konteks 16000 token dan vektor berdimensi 1536.",
    "short_sha256": "392f5ff2471da11418d1ad1c0971fff44fb348ff0d8d619073b3d78c51bb9acb"
  },
  "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 Code 2 menghasilkan embedding kod sumber dan teks berkaitan untuk carian repositori secara semantik. Soalan bahasa semula jadi, cebisan kod atau pertanyaan gabungan boleh menemukan pelaksanaan yang relevan; edisi ini menggunakan tetingkap konteks 16000 token dan vektor berdimensi 1536.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "9d90c361f1c77ea255d09a53a8643a652555f87ad478e3ddf7df3326d91782ee",
    "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460"
  },
  "sourceRevision": "357c504246f34afd91b2e6167cbb6bd4d639c22964b50dfc9aa304f61268f6f4"
}