{
  "aboutHtml": "<p>Voyage Code 3 ialah model embedding yang dikhususkan untuk mencari kod sumber. Pembuatnya menerangkan tugas bahasa semula jadi kepada kod, kod kepada kod dan docstring kepada kod: soalan boleh menemukan pelaksanaan, cebisan kod boleh menemukan logik berkaitan, dan penerangan fungsi boleh menemukan kod yang relevan. Model ini menghasilkan vektor untuk carian dan bukannya fail yang telah disunting atau program yang telah siap.</p><p>Sediakan bahan repositori berdasarkan unit kod yang bermakna. Kekalkan fungsi bersama nama, signature dan komen yang menerangkan tujuannya. Untuk komponen yang lebih besar, sertakan definisi berdekatan yang diperlukan untuk memahami operasi tersebut. Simpan repositori, revisi, laluan fail dan lokasi baris secara berasingan supaya hasil carian membuka kod sumber tepat yang telah dihasilkan embeddingnya.</p><p>Carian bahasa semula jadi boleh menerangkan tingkah laku, seperti mencari bahagian projek yang mengesahkan muat naik sebelum menyimpannya. Pertanyaan berasaskan kod boleh memberikan fungsi yang tujuannya perlu dipadankan di tempat lain. Pilih carian yang mewakili tugas pembangunan sebenar, termasuk penamaan yang tidak dikenali, pelaksanaan serupa dan utiliti yang maknanya bergantung pada kod sekeliling.</p><p>Tetingkap konteks 32000 token dapat menampung petikan kod yang besar. Gunakan ruang itu dengan tujuan yang jelas: fungsi lengkap dan kebergantungan yang relevan boleh memberikan lebih banyak maklumat daripada blok sembarangan yang dipotong di tengah aliran kawalan. Pastikan pemformatan kod sumber mudah dibaca dan kekalkan sintaks bahasa semasa pengekstrakan. Jika fail sumber lebih besar daripada tetingkap input, bahagikannya pada sempadan struktur yang berguna dan kekalkan hubungan antara petikan dengan fail induknya.</p><p>Voyage Code 3 menyokong embedding dengan dimensi 2048, 1024, 512 atau 256, bersama perwakilan titik apung, lapan bit bertanda atau tanpa tanda, dan binari. Kawalan ini menyokong saiz indeks repositori dan konfigurasi carian yang berbeza. Nilai perwakilan ringkas menggunakan carian sebenar yang sama seperti garis dasar yang lebih besar, sambil memeriksa sama ada fungsi atau fail yang betul masih berada dalam hasil yang berguna.</p><p>Untuk pembantu pengekodan, cari petikan sumber yang relevan terlebih dahulu, kemudian berikan petikan itu dan rujukan failnya kepada komponen yang bertanggungjawab menjawab atau membuat perubahan. Padanan keserupaan membantu memilih konteks; ia tidak membuktikan bahawa dua pelaksanaan boleh saling menggantikan. Periksa input, kesan sampingan dan kontrak sekeliling dalam kod yang ditemukan sebelum menggunakannya untuk membimbing penyuntingan.</p><p>Pisahkan versi repositori yang tidak berkaitan melalui metadata dan pastikan revisi yang diindeks dapat ditelusuri. Jika fungsi berpindah atau tingkah lakunya berubah, kemas kini vektor serta lokasi sumbernya. Tetapan embedding yang sama perlu digunakan untuk kod sumber yang diindeks dan pertanyaannya. Semasa memigrasikan indeks, bandingkan hasil dengan set soalan sedia ada supaya perubahan model atau perwakilan vektor tidak mengubah kod yang dilihat oleh pembangun secara senyap.</p><p>Semakan yang berguna termasuk sama ada pertanyaan menemukan pelaksanaan sebenar dan bukan sekadar nama ujian, sama ada docstring menemukan fungsi yang sepadan, dan sama ada kod yang berkaitan secara semantik dapat dibezakan daripada cebisan yang hanya kelihatan serupa. Kekalkan teks sumber dan lokasi yang dikembalikan dalam hasil carian supaya pembangun dapat memeriksa buktinya. Dengan ini, embedding model yang berfokus pada kod menjadi alat praktikal untuk navigasi dan pemilihan konteks.</p>",
  "aboutText": "Voyage Code 3 ialah model embedding yang dikhususkan untuk mencari kod sumber. Pembuatnya menerangkan tugas bahasa semula jadi kepada kod, kod kepada kod dan docstring kepada kod: soalan boleh menemukan pelaksanaan, cebisan kod boleh menemukan logik berkaitan, dan penerangan fungsi boleh menemukan kod yang relevan. Model ini menghasilkan vektor untuk carian dan bukannya fail yang telah disunting atau program yang telah siap.\n\nSediakan bahan repositori berdasarkan unit kod yang bermakna. Kekalkan fungsi bersama nama, signature dan komen yang menerangkan tujuannya. Untuk komponen yang lebih besar, sertakan definisi berdekatan yang diperlukan untuk memahami operasi tersebut. Simpan repositori, revisi, laluan fail dan lokasi baris secara berasingan supaya hasil carian membuka kod sumber tepat yang telah dihasilkan embeddingnya.\n\nCarian bahasa semula jadi boleh menerangkan tingkah laku, seperti mencari bahagian projek yang mengesahkan muat naik sebelum menyimpannya. Pertanyaan berasaskan kod boleh memberikan fungsi yang tujuannya perlu dipadankan di tempat lain. Pilih carian yang mewakili tugas pembangunan sebenar, termasuk penamaan yang tidak dikenali, pelaksanaan serupa dan utiliti yang maknanya bergantung pada kod sekeliling.\n\nTetingkap konteks 32000 token dapat menampung petikan kod yang besar. Gunakan ruang itu dengan tujuan yang jelas: fungsi lengkap dan kebergantungan yang relevan boleh memberikan lebih banyak maklumat daripada blok sembarangan yang dipotong di tengah aliran kawalan. Pastikan pemformatan kod sumber mudah dibaca dan kekalkan sintaks bahasa semasa pengekstrakan. Jika fail sumber lebih besar daripada tetingkap input, bahagikannya pada sempadan struktur yang berguna dan kekalkan hubungan antara petikan dengan fail induknya.\n\nVoyage Code 3 menyokong embedding dengan dimensi 2048, 1024, 512 atau 256, bersama perwakilan titik apung, lapan bit bertanda atau tanpa tanda, dan binari. Kawalan ini menyokong saiz indeks repositori dan konfigurasi carian yang berbeza. Nilai perwakilan ringkas menggunakan carian sebenar yang sama seperti garis dasar yang lebih besar, sambil memeriksa sama ada fungsi atau fail yang betul masih berada dalam hasil yang berguna.\n\nUntuk pembantu pengekodan, cari petikan sumber yang relevan terlebih dahulu, kemudian berikan petikan itu dan rujukan failnya kepada komponen yang bertanggungjawab menjawab atau membuat perubahan. Padanan keserupaan membantu memilih konteks; ia tidak membuktikan bahawa dua pelaksanaan boleh saling menggantikan. Periksa input, kesan sampingan dan kontrak sekeliling dalam kod yang ditemukan sebelum menggunakannya untuk membimbing penyuntingan.\n\nPisahkan versi repositori yang tidak berkaitan melalui metadata dan pastikan revisi yang diindeks dapat ditelusuri. Jika fungsi berpindah atau tingkah lakunya berubah, kemas kini vektor serta lokasi sumbernya. Tetapan embedding yang sama perlu digunakan untuk kod sumber yang diindeks dan pertanyaannya. Semasa memigrasikan indeks, bandingkan hasil dengan set soalan sedia ada supaya perubahan model atau perwakilan vektor tidak mengubah kod yang dilihat oleh pembangun secara senyap.\n\nSemakan yang berguna termasuk sama ada pertanyaan menemukan pelaksanaan sebenar dan bukan sekadar nama ujian, sama ada docstring menemukan fungsi yang sepadan, dan sama ada kod yang berkaitan secara semantik dapat dibezakan daripada cebisan yang hanya kelihatan serupa. Kekalkan teks sumber dan lokasi yang dikembalikan dalam hasil carian supaya pembangun dapat memeriksa buktinya. Dengan ini, embedding model yang berfokus pada kod menjadi alat praktikal untuk navigasi dan pemilihan konteks.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "ddd2faafa75d64c9c9f0dd700a06dec1a504cbd704f098d016e87aaf5cd22200",
    "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 3</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-3</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-3\">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 3 menghasilkan embedding untuk carian teks kepada kod, kod kepada kod dan docstring kepada kod. Tetingkap 32000 token, dimensi vektor yang boleh dipilih dan output yang dikuantisasikan menyokong carian repositori serta pemilihan konteks kod untuk pembantu pengekodan.</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 3 ialah model embedding yang dikhususkan untuk mencari kod sumber. Pembuatnya menerangkan tugas bahasa semula jadi kepada kod, kod kepada kod dan docstring kepada kod: soalan boleh menemukan pelaksanaan, cebisan kod boleh menemukan logik berkaitan, dan penerangan fungsi boleh menemukan kod yang relevan. Model ini menghasilkan vektor untuk carian dan bukannya fail yang telah disunting atau program yang telah siap.</p><p>Sediakan bahan repositori berdasarkan unit kod yang bermakna. Kekalkan fungsi bersama nama, signature dan komen yang menerangkan tujuannya. Untuk komponen yang lebih besar, sertakan definisi berdekatan yang diperlukan untuk memahami operasi tersebut. Simpan repositori, revisi, laluan fail dan lokasi baris secara berasingan supaya hasil carian membuka kod sumber tepat yang telah dihasilkan embeddingnya.</p><p>Carian bahasa semula jadi boleh menerangkan tingkah laku, seperti mencari bahagian projek yang mengesahkan muat naik sebelum menyimpannya. Pertanyaan berasaskan kod boleh memberikan fungsi yang tujuannya perlu dipadankan di tempat lain. Pilih carian yang mewakili tugas pembangunan sebenar, termasuk penamaan yang tidak dikenali, pelaksanaan serupa dan utiliti yang maknanya bergantung pada kod sekeliling.</p><p>Tetingkap konteks 32000 token dapat menampung petikan kod yang besar. Gunakan ruang itu dengan tujuan yang jelas: fungsi lengkap dan kebergantungan yang relevan boleh memberikan lebih banyak maklumat daripada blok sembarangan yang dipotong di tengah aliran kawalan. Pastikan pemformatan kod sumber mudah dibaca dan kekalkan sintaks bahasa semasa pengekstrakan. Jika fail sumber lebih besar daripada tetingkap input, bahagikannya pada sempadan struktur yang berguna dan kekalkan hubungan antara petikan dengan fail induknya.</p><p>Voyage Code 3 menyokong embedding dengan dimensi 2048, 1024, 512 atau 256, bersama perwakilan titik apung, lapan bit bertanda atau tanpa tanda, dan binari. Kawalan ini menyokong saiz indeks repositori dan konfigurasi carian yang berbeza. Nilai perwakilan ringkas menggunakan carian sebenar yang sama seperti garis dasar yang lebih besar, sambil memeriksa sama ada fungsi atau fail yang betul masih berada dalam hasil yang berguna.</p><p>Untuk pembantu pengekodan, cari petikan sumber yang relevan terlebih dahulu, kemudian berikan petikan itu dan rujukan failnya kepada komponen yang bertanggungjawab menjawab atau membuat perubahan. Padanan keserupaan membantu memilih konteks; ia tidak membuktikan bahawa dua pelaksanaan boleh saling menggantikan. Periksa input, kesan sampingan dan kontrak sekeliling dalam kod yang ditemukan sebelum menggunakannya untuk membimbing penyuntingan.</p><p>Pisahkan versi repositori yang tidak berkaitan melalui metadata dan pastikan revisi yang diindeks dapat ditelusuri. Jika fungsi berpindah atau tingkah lakunya berubah, kemas kini vektor serta lokasi sumbernya. Tetapan embedding yang sama perlu digunakan untuk kod sumber yang diindeks dan pertanyaannya. Semasa memigrasikan indeks, bandingkan hasil dengan set soalan sedia ada supaya perubahan model atau perwakilan vektor tidak mengubah kod yang dilihat oleh pembangun secara senyap.</p><p>Semakan yang berguna termasuk sama ada pertanyaan menemukan pelaksanaan sebenar dan bukan sekadar nama ujian, sama ada docstring menemukan fungsi yang sepadan, dan sama ada kod yang berkaitan secara semantik dapat dibezakan daripada cebisan yang hanya kelihatan serupa. Kekalkan teks sumber dan lokasi yang dikembalikan dalam hasil carian supaya pembangun dapat memeriksa buktinya. Dengan ini, embedding model yang berfokus pada kod menjadi alat praktikal untuk navigasi dan pemilihan konteks.</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-3</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>$0</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Bacaan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Penulisan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Penulisan cache, 1 jam</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. <a href=\"/docs/ms/billing/reserve/\">Cara rizab dan penyelesaian caj berfungsi →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Contoh permintaan</h3><h4>Ailoot Ultra · Pembenaman</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Pilihan kod\"><button class=\"cg-tab\" id=\"model-code-2790-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-2790-panel-0\" aria-selected=\"true\" tabindex=\"0\">curl · simpan semua vektor dan data penggunaan</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Salin kod\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-2790-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-2790-tab-0\"><pre data-lang=\"bash\"><code>set -eu\n: &quot;${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-3&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-3&amp;route=Ultra&amp;caller=voyage-code-3&amp;fmt=embeddings\"><code>voyage-code-3</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-3&amp;route=Ultra&amp;caller=voyage-code-3&amp;fmt=embeddings\"><code>voyage-code-3</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "voyage-code-3",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "voyage-code-3",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|voyage-code-3",
      "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-3"
                ],
                "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-3"
                  ],
                  "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-3"
              },
              "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-3\",\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-3",
        "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-3",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "19201f2d5f7b078812cca178590d463302a737fb21d55f260a0d7dd169a66279",
    "input_html_sha256": "130b792f6c04b494cc5e814e998ba79eeb8a1078927b2273ebe3feb055fd567a",
    "private_audit_sha256": "ea5dfc4c1835b294f8260c62bb016b7d6eda5386264789ad286b812939bb370a",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/ms/voyage-code-3/",
    "description": "Voyage Code 3 menghasilkan embedding untuk carian teks kepada kod, kod kepada kod dan docstring kepada kod. Tetingkap 32000 token, dimensi vektor yang boleh dipilih dan output yang dikuantisasikan menyokong carian repositori serta pemilihan konteks kod untuk pembantu pengekodan.",
    "locale": "ms",
    "md_url": "https://ailoot.ai/models/ms/voyage-code-3/index.md",
    "title": "Voyage AI: Voyage Code 3 — Ailoot",
    "url": "https://ailoot.ai/models/ms/voyage-code-3/"
  },
  "rawModel": {
    "about": "Voyage Code 3 ialah model embedding yang dikhususkan untuk mencari kod sumber. Pembuatnya menerangkan tugas bahasa semula jadi kepada kod, kod kepada kod dan docstring kepada kod: soalan boleh menemukan pelaksanaan, cebisan kod boleh menemukan logik berkaitan, dan penerangan fungsi boleh menemukan kod yang relevan. Model ini menghasilkan vektor untuk carian dan bukannya fail yang telah disunting atau program yang telah siap.\n\nSediakan bahan repositori berdasarkan unit kod yang bermakna. Kekalkan fungsi bersama nama, signature dan komen yang menerangkan tujuannya. Untuk komponen yang lebih besar, sertakan definisi berdekatan yang diperlukan untuk memahami operasi tersebut. Simpan repositori, revisi, laluan fail dan lokasi baris secara berasingan supaya hasil carian membuka kod sumber tepat yang telah dihasilkan embeddingnya.\n\nCarian bahasa semula jadi boleh menerangkan tingkah laku, seperti mencari bahagian projek yang mengesahkan muat naik sebelum menyimpannya. Pertanyaan berasaskan kod boleh memberikan fungsi yang tujuannya perlu dipadankan di tempat lain. Pilih carian yang mewakili tugas pembangunan sebenar, termasuk penamaan yang tidak dikenali, pelaksanaan serupa dan utiliti yang maknanya bergantung pada kod sekeliling.\n\nTetingkap konteks 32000 token dapat menampung petikan kod yang besar. Gunakan ruang itu dengan tujuan yang jelas: fungsi lengkap dan kebergantungan yang relevan boleh memberikan lebih banyak maklumat daripada blok sembarangan yang dipotong di tengah aliran kawalan. Pastikan pemformatan kod sumber mudah dibaca dan kekalkan sintaks bahasa semasa pengekstrakan. Jika fail sumber lebih besar daripada tetingkap input, bahagikannya pada sempadan struktur yang berguna dan kekalkan hubungan antara petikan dengan fail induknya.\n\nVoyage Code 3 menyokong embedding dengan dimensi 2048, 1024, 512 atau 256, bersama perwakilan titik apung, lapan bit bertanda atau tanpa tanda, dan binari. Kawalan ini menyokong saiz indeks repositori dan konfigurasi carian yang berbeza. Nilai perwakilan ringkas menggunakan carian sebenar yang sama seperti garis dasar yang lebih besar, sambil memeriksa sama ada fungsi atau fail yang betul masih berada dalam hasil yang berguna.\n\nUntuk pembantu pengekodan, cari petikan sumber yang relevan terlebih dahulu, kemudian berikan petikan itu dan rujukan failnya kepada komponen yang bertanggungjawab menjawab atau membuat perubahan. Padanan keserupaan membantu memilih konteks; ia tidak membuktikan bahawa dua pelaksanaan boleh saling menggantikan. Periksa input, kesan sampingan dan kontrak sekeliling dalam kod yang ditemukan sebelum menggunakannya untuk membimbing penyuntingan.\n\nPisahkan versi repositori yang tidak berkaitan melalui metadata dan pastikan revisi yang diindeks dapat ditelusuri. Jika fungsi berpindah atau tingkah lakunya berubah, kemas kini vektor serta lokasi sumbernya. Tetapan embedding yang sama perlu digunakan untuk kod sumber yang diindeks dan pertanyaannya. Semasa memigrasikan indeks, bandingkan hasil dengan set soalan sedia ada supaya perubahan model atau perwakilan vektor tidak mengubah kod yang dilihat oleh pembangun secara senyap.\n\nSemakan yang berguna termasuk sama ada pertanyaan menemukan pelaksanaan sebenar dan bukan sekadar nama ujian, sama ada docstring menemukan fungsi yang sepadan, dan sama ada kod yang berkaitan secara semantik dapat dibezakan daripada cebisan yang hanya kelihatan serupa. Kekalkan teks sumber dan lokasi yang dikembalikan dalam hasil carian supaya pembangun dapat memeriksa buktinya. Dengan ini, embedding model yang berfokus pada kod menjadi alat praktikal untuk navigasi dan pemilihan konteks.",
    "about_sha256": "7a62faecaa1a469a228fb832e8fd51d0fb1ee7fc0232e975614f45428c1f130f",
    "alias_of": null,
    "aliases": [],
    "author": "Voyage AI",
    "capabilities": {
      "context_length": 32000,
      "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 3",
    "formats": [
      "embeddings"
    ],
    "id": "voyage-code-3",
    "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-3"
                ],
                "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-3"
                  ],
                  "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-3"
              },
              "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-3\",\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-3",
        "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-3",
        "request_model_id": "voyage-code-3",
        "route_label": "Ultra"
      }
    ],
    "name": "Voyage AI: Voyage Code 3",
    "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 3 menghasilkan embedding untuk carian teks kepada kod, kod kepada kod dan docstring kepada kod. Tetingkap 32000 token, dimensi vektor yang boleh dipilih dan output yang dikuantisasikan menyokong carian repositori serta pemilihan konteks kod untuk pembantu pengekodan.",
    "short_sha256": "d4d092b4a7555efe0f233ac899b7e43901dde1d9465c4a647af52200c6d5d963"
  },
  "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 3 menghasilkan embedding untuk carian teks kepada kod, kod kepada kod dan docstring kepada kod. Tetingkap 32000 token, dimensi vektor yang boleh dipilih dan output yang dikuantisasikan menyokong carian repositori serta pemilihan konteks kod untuk pembantu pengekodan.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "edad7d7d95c5fafa848c6361d0036d1631abea6b24805a5999d2199586afa604",
    "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460"
  },
  "sourceRevision": "f12c0261b506ca1752823783c6ad24d18ad4b7a9b3ff99f12405b79282b845d1"
}