{ "aboutHtml": "

voyage-4-large ialah model embedding teks utama Voyage AI dalam keluarga Voyage 4. Ia mewakili petikan sumber dan pertanyaan sebagai vektor berangka untuk pemerolehan semula kegunaan umum dan berbilang bahasa. Dua ciri yang membezakannya ialah reka bentuk model mixture-of-experts dan ruang embedding bersama yang digunakan oleh voyage-4-large, voyage-4, voyage-4-lite dan voyage-4-nano.

Ruang bersama: pilihan korpus dan pertanyaan berasingan

Pengeluar menerangkan pemerolehan semula tidak simetri: dokumen boleh dihasilkan embeddingnya dengan voyage-4-large, manakala model keluarga Voyage 4 yang lain menyediakan vektor pertanyaan. Contohnya, korpus yang diwakili Large boleh dicari dengan pertanyaan voyage-4. Ini membolehkan dua sisi carian memilih model berbeza sambil kekal dalam ruang serasi yang didokumenkan.

Oleh itu, koleksi praktikal boleh menggunakan Large untuk menyediakan petikan dokumen stabil dan memilih model bahagian pertanyaan secara berasingan. Dokumen dihasilkan embeddingnya ketika korpus dicipta atau dikemas kini, manakala pertanyaan divektorkan semasa pengguna mencari. Pengumuman keluarga menerangkan penukaran model pertanyaan dalam keluarga serasi tanpa memvektorkan semula korpus dokumen semata-mata kerana perubahan itu. Pastikan vektor yang dibandingkan mempunyai dimensi sepadan dan perwakilan yang dapat ditafsirkan bersama oleh sistem carian.

Reka bentuk embedding mixture-of-experts

Lapisan feed-forward padat memproses setiap token melalui keseluruhan set parameternya. Pendekatan MoE yang diterangkan bagi voyage-4-large menggunakan penghala dan rangkaian feed-forward pakar untuk memilih pakar yang memproses setiap token. Ini memisahkan kapasiti model keseluruhan daripada parameter yang aktif bagi token tertentu. Voyage melaporkan nisbah pengaktifan 1/10 untuk reka bentuk MoE model menggunakan penghalaan top-k.

Penjelasan teknikal pembuat turut menerangkan dua pilihan pembangunan. Kapasiti pakar mempengaruhi sama ada token berlebihan memintas lapisan pakar melalui laluan residual; pasukan memilih faktor kapasiti terbesar yang boleh dilaksanakan untuk mengelakkan kehilangan kualiti pemerolehan semula. Dalam peringkat latihan akhir, parameter penghala dibekukan sebelum penggabungan model supaya interpolasi model sumber tidak mengubah penghalaan pemilihan pakar yang dipelajari. Ini ciri penyediaan model, berbeza daripada tetapan panjang teks atau pemotongan ketika menyediakan input.

Dimensi dan perwakilan output

Jadual model rasmi menetapkan tetingkap konteks 32,000 token dan embedding 256, 512, 1024 serta 2048 dimensi yang boleh dipilih, dengan 1024 sebagai lalai. Keluarga ini menggunakan pembelajaran Matryoshka untuk saiz perwakilan bersarang dan menyokong pilihan pengkuantuman: titik terapung 32 bit, integer 8 bit bertanda atau tanpa tanda dan output binari padat.

Dengan output binari, panjang senarai bait yang dikembalikan ialah satu perlapan dimensi terpilih kerana setiap bait mengandungi lapan bit embedding. Simpan pilihan dimensi dan jenis data bersama indeks serta gunakan kaedah perbandingan yang menyokong perwakilan itu. Vektor lebih kecil atau dimampatkan mengubah perwakilan yang digunakan untuk carian; nilai petikan relevan yang dikembalikan bagi soalan sebenar sebelum memilihnya untuk koleksi.

Sediakan input document dan query

Voyage mengesyorkan peranan document untuk petikan korpus dan peranan query untuk ungkapan carian. Pilihan peranannya menambah arahan pemerolehan semula yang sepadan sebelum embedding. Kekalkan tajuk berguna, syarat dan lokasi sumber petikan, kemudian simpan vektor hasil bersama teks asal dan pengecam stabil.

Untuk koleksi pengetahuan teknikal, soalan tentang mod kegagalan patut membawa kepada petikan yang menerangkan mod itu dan syarat berkaitannya. Untuk koleksi dokumen merentas bahasa, simpan bahasa sumber dan nilai soalan serta istilah yang akan dicari pengguna. Keluaran meliputi bahan pemerolehan semula termasuk dokumen teknikal, perbualan, dokumen panjang, kod, undang-undang, kewangan dan teks web. Embedding mencari bahan calon; peringkat reranker atau jawapan kemudian menggunakan teks asal.

Had konteks, batch dan pemotongan

Panduan semasa pembuat membenarkan sehingga 1,000 rentetan dan 120,000 token input keseluruhan dalam permintaan voyage-4-large. Ini berbeza daripada peruntukan batch voyage-4, manakala kedua-duanya mempunyai tetingkap 32,000 token bagi setiap teks. Pemotongan lalai memendekkan input terlalu panjang supaya muat; penyahdayaan pemotongan mengembalikan ralat bagi teks terlalu panjang.

Pilih sempadan petikan yang mengandungi jawapan dengan sengaja supaya sumber panjang tidak kehilangan syarat atau batasan relevan pada hujung yang dipotong. Simpan perkaitan sumber ketika mengembalikan hasil carian dan periksa teks calon sebenar, bukannya menganggap kedekatan vektor sebagai pengesahan kandungannya. Keserasian ruang bersama terpakai kepada keluarga teks Voyage 4 yang didokumenkan; pemprosesan segmen berkonteks, embedding imej/video dan edisi model kemudian kekal aliran kerja khusus model masing-masing.

", "aboutText": "voyage-4-large ialah model embedding teks utama Voyage AI dalam keluarga Voyage 4. Ia mewakili petikan sumber dan pertanyaan sebagai vektor berangka untuk pemerolehan semula kegunaan umum dan berbilang bahasa. Dua ciri yang membezakannya ialah reka bentuk model mixture-of-experts dan ruang embedding bersama yang digunakan oleh voyage-4-large, voyage-4, voyage-4-lite dan voyage-4-nano.\n\n### Ruang bersama: pilihan korpus dan pertanyaan berasingan\n\nPengeluar menerangkan pemerolehan semula tidak simetri: dokumen boleh dihasilkan embeddingnya dengan voyage-4-large, manakala model keluarga Voyage 4 yang lain menyediakan vektor pertanyaan. Contohnya, korpus yang diwakili Large boleh dicari dengan pertanyaan voyage-4. Ini membolehkan dua sisi carian memilih model berbeza sambil kekal dalam ruang serasi yang didokumenkan.\n\nOleh itu, koleksi praktikal boleh menggunakan Large untuk menyediakan petikan dokumen stabil dan memilih model bahagian pertanyaan secara berasingan. Dokumen dihasilkan embeddingnya ketika korpus dicipta atau dikemas kini, manakala pertanyaan divektorkan semasa pengguna mencari. Pengumuman keluarga menerangkan penukaran model pertanyaan dalam keluarga serasi tanpa memvektorkan semula korpus dokumen semata-mata kerana perubahan itu. Pastikan vektor yang dibandingkan mempunyai dimensi sepadan dan perwakilan yang dapat ditafsirkan bersama oleh sistem carian.\n\n### Reka bentuk embedding mixture-of-experts\n\nLapisan feed-forward padat memproses setiap token melalui keseluruhan set parameternya. Pendekatan MoE yang diterangkan bagi voyage-4-large menggunakan penghala dan rangkaian feed-forward pakar untuk memilih pakar yang memproses setiap token. Ini memisahkan kapasiti model keseluruhan daripada parameter yang aktif bagi token tertentu. Voyage melaporkan nisbah pengaktifan 1/10 untuk reka bentuk MoE model menggunakan penghalaan top-k.\n\nPenjelasan teknikal pembuat turut menerangkan dua pilihan pembangunan. Kapasiti pakar mempengaruhi sama ada token berlebihan memintas lapisan pakar melalui laluan residual; pasukan memilih faktor kapasiti terbesar yang boleh dilaksanakan untuk mengelakkan kehilangan kualiti pemerolehan semula. Dalam peringkat latihan akhir, parameter penghala dibekukan sebelum penggabungan model supaya interpolasi model sumber tidak mengubah penghalaan pemilihan pakar yang dipelajari. Ini ciri penyediaan model, berbeza daripada tetapan panjang teks atau pemotongan ketika menyediakan input.\n\n### Dimensi dan perwakilan output\n\nJadual model rasmi menetapkan tetingkap konteks 32,000 token dan embedding 256, 512, 1024 serta 2048 dimensi yang boleh dipilih, dengan 1024 sebagai lalai. Keluarga ini menggunakan pembelajaran Matryoshka untuk saiz perwakilan bersarang dan menyokong pilihan pengkuantuman: titik terapung 32 bit, integer 8 bit bertanda atau tanpa tanda dan output binari padat.\n\nDengan output binari, panjang senarai bait yang dikembalikan ialah satu perlapan dimensi terpilih kerana setiap bait mengandungi lapan bit embedding. Simpan pilihan dimensi dan jenis data bersama indeks serta gunakan kaedah perbandingan yang menyokong perwakilan itu. Vektor lebih kecil atau dimampatkan mengubah perwakilan yang digunakan untuk carian; nilai petikan relevan yang dikembalikan bagi soalan sebenar sebelum memilihnya untuk koleksi.\n\n### Sediakan input document dan query\n\nVoyage mengesyorkan peranan document untuk petikan korpus dan peranan query untuk ungkapan carian. Pilihan peranannya menambah arahan pemerolehan semula yang sepadan sebelum embedding. Kekalkan tajuk berguna, syarat dan lokasi sumber petikan, kemudian simpan vektor hasil bersama teks asal dan pengecam stabil.\n\nUntuk koleksi pengetahuan teknikal, soalan tentang mod kegagalan patut membawa kepada petikan yang menerangkan mod itu dan syarat berkaitannya. Untuk koleksi dokumen merentas bahasa, simpan bahasa sumber dan nilai soalan serta istilah yang akan dicari pengguna. Keluaran meliputi bahan pemerolehan semula termasuk dokumen teknikal, perbualan, dokumen panjang, kod, undang-undang, kewangan dan teks web. Embedding mencari bahan calon; peringkat reranker atau jawapan kemudian menggunakan teks asal.\n\n### Had konteks, batch dan pemotongan\n\nPanduan semasa pembuat membenarkan sehingga 1,000 rentetan dan 120,000 token input keseluruhan dalam permintaan voyage-4-large. Ini berbeza daripada peruntukan batch voyage-4, manakala kedua-duanya mempunyai tetingkap 32,000 token bagi setiap teks. Pemotongan lalai memendekkan input terlalu panjang supaya muat; penyahdayaan pemotongan mengembalikan ralat bagi teks terlalu panjang.\n\nPilih sempadan petikan yang mengandungi jawapan dengan sengaja supaya sumber panjang tidak kehilangan syarat atau batasan relevan pada hujung yang dipotong. Simpan perkaitan sumber ketika mengembalikan hasil carian dan periksa teks calon sebenar, bukannya menganggap kedekatan vektor sebagai pengesahan kandungannya. Keserasian ruang bersama terpakai kepada keluarga teks Voyage 4 yang didokumenkan; pemprosesan segmen berkonteks, embedding imej/video dan edisi model kemudian kekal aliran kerja khusus model masing-masing.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4175d5a2cbed9c26573574ea1ae320ea960631dd1e04bcb6636f9a4cbcfcd724", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-4-large

VoyageAI by MongoDB /voyageai/voyage-4-large

Pengenalan

voyage-4-large ialah model embedding teks mixture-of-experts Voyage AI untuk pemerolehan semula kegunaan umum dan berbilang bahasa. Vektornya berkongsi ruang keluarga Voyage 4, membolehkan embedding korpus daripada Large dicari dengan embedding pertanyaan serasi daripada model lain dalam keluarga yang sama.

Input yang diterima
Teks · token_ids
Hasil
embedding
Tentang model

Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.

voyage-4-large ialah model embedding teks utama Voyage AI dalam keluarga Voyage 4. Ia mewakili petikan sumber dan pertanyaan sebagai vektor berangka untuk pemerolehan semula kegunaan umum dan berbilang bahasa. Dua ciri yang membezakannya ialah reka bentuk model mixture-of-experts dan ruang embedding bersama yang digunakan oleh voyage-4-large, voyage-4, voyage-4-lite dan voyage-4-nano.

Ruang bersama: pilihan korpus dan pertanyaan berasingan

Pengeluar menerangkan pemerolehan semula tidak simetri: dokumen boleh dihasilkan embeddingnya dengan voyage-4-large, manakala model keluarga Voyage 4 yang lain menyediakan vektor pertanyaan. Contohnya, korpus yang diwakili Large boleh dicari dengan pertanyaan voyage-4. Ini membolehkan dua sisi carian memilih model berbeza sambil kekal dalam ruang serasi yang didokumenkan.

Oleh itu, koleksi praktikal boleh menggunakan Large untuk menyediakan petikan dokumen stabil dan memilih model bahagian pertanyaan secara berasingan. Dokumen dihasilkan embeddingnya ketika korpus dicipta atau dikemas kini, manakala pertanyaan divektorkan semasa pengguna mencari. Pengumuman keluarga menerangkan penukaran model pertanyaan dalam keluarga serasi tanpa memvektorkan semula korpus dokumen semata-mata kerana perubahan itu. Pastikan vektor yang dibandingkan mempunyai dimensi sepadan dan perwakilan yang dapat ditafsirkan bersama oleh sistem carian.

Reka bentuk embedding mixture-of-experts

Lapisan feed-forward padat memproses setiap token melalui keseluruhan set parameternya. Pendekatan MoE yang diterangkan bagi voyage-4-large menggunakan penghala dan rangkaian feed-forward pakar untuk memilih pakar yang memproses setiap token. Ini memisahkan kapasiti model keseluruhan daripada parameter yang aktif bagi token tertentu. Voyage melaporkan nisbah pengaktifan 1/10 untuk reka bentuk MoE model menggunakan penghalaan top-k.

Penjelasan teknikal pembuat turut menerangkan dua pilihan pembangunan. Kapasiti pakar mempengaruhi sama ada token berlebihan memintas lapisan pakar melalui laluan residual; pasukan memilih faktor kapasiti terbesar yang boleh dilaksanakan untuk mengelakkan kehilangan kualiti pemerolehan semula. Dalam peringkat latihan akhir, parameter penghala dibekukan sebelum penggabungan model supaya interpolasi model sumber tidak mengubah penghalaan pemilihan pakar yang dipelajari. Ini ciri penyediaan model, berbeza daripada tetapan panjang teks atau pemotongan ketika menyediakan input.

Dimensi dan perwakilan output

Jadual model rasmi menetapkan tetingkap konteks 32,000 token dan embedding 256, 512, 1024 serta 2048 dimensi yang boleh dipilih, dengan 1024 sebagai lalai. Keluarga ini menggunakan pembelajaran Matryoshka untuk saiz perwakilan bersarang dan menyokong pilihan pengkuantuman: titik terapung 32 bit, integer 8 bit bertanda atau tanpa tanda dan output binari padat.

Dengan output binari, panjang senarai bait yang dikembalikan ialah satu perlapan dimensi terpilih kerana setiap bait mengandungi lapan bit embedding. Simpan pilihan dimensi dan jenis data bersama indeks serta gunakan kaedah perbandingan yang menyokong perwakilan itu. Vektor lebih kecil atau dimampatkan mengubah perwakilan yang digunakan untuk carian; nilai petikan relevan yang dikembalikan bagi soalan sebenar sebelum memilihnya untuk koleksi.

Sediakan input document dan query

Voyage mengesyorkan peranan document untuk petikan korpus dan peranan query untuk ungkapan carian. Pilihan peranannya menambah arahan pemerolehan semula yang sepadan sebelum embedding. Kekalkan tajuk berguna, syarat dan lokasi sumber petikan, kemudian simpan vektor hasil bersama teks asal dan pengecam stabil.

Untuk koleksi pengetahuan teknikal, soalan tentang mod kegagalan patut membawa kepada petikan yang menerangkan mod itu dan syarat berkaitannya. Untuk koleksi dokumen merentas bahasa, simpan bahasa sumber dan nilai soalan serta istilah yang akan dicari pengguna. Keluaran meliputi bahan pemerolehan semula termasuk dokumen teknikal, perbualan, dokumen panjang, kod, undang-undang, kewangan dan teks web. Embedding mencari bahan calon; peringkat reranker atau jawapan kemudian menggunakan teks asal.

Had konteks, batch dan pemotongan

Panduan semasa pembuat membenarkan sehingga 1,000 rentetan dan 120,000 token input keseluruhan dalam permintaan voyage-4-large. Ini berbeza daripada peruntukan batch voyage-4, manakala kedua-duanya mempunyai tetingkap 32,000 token bagi setiap teks. Pemotongan lalai memendekkan input terlalu panjang supaya muat; penyahdayaan pemotongan mengembalikan ralat bagi teks terlalu panjang.

Pilih sempadan petikan yang mengandungi jawapan dengan sengaja supaya sumber panjang tidak kehilangan syarat atau batasan relevan pada hujung yang dipotong. Simpan perkaitan sumber ketika mengembalikan hasil carian dan periksa teks calon sebenar, bukannya menganggap kedekatan vektor sebagai pengesahan kandungannya. Keserasian ruang bersama terpakai kepada keluarga teks Voyage 4 yang didokumenkan; pemprosesan segmen berkonteks, embedding imej/video dan edisi model kemudian kekal aliran kerja khusus model masing-masing.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman POST /v1/embeddings
Input
text, token_ids
Output
embedding
Konteks
32,000 tokens
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
voyageai/voyage-4-large
Lalai—
MedaninputJenisstring|string[]|integer[]|integer[][]KeperluanDiperlukanNilai & had
Item minimum: 1
Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.
Bajet input: Maksimum: 32,000 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token
Lalai—
Medanencoding_formatJenisstringKeperluanPilihanNilai & had
float
Lalaifloat
MedandimensionsJenisintegerKeperluanTidak disokongNilai & had
Minimum: 1
Lalai—
MedanuserJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
Medansession_idJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedantraceJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedanproviderJenisobjectKeperluanPilihanNilai & had
Syarat: provider.options ditolak
Lalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak32000
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, token_ids

Kitar hayat: synchronous_json

Simpan setiap indeks dan dimensi vektor.

Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini.

Pelan harga

Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.

Mod pantas
Kadar standard Apabila mod pantas dipilih
Mod flex
Kadar standard Apabila mod flex dipilih
Usaha penaakulan maksimum
Kadar standard Apabila usaha penaakulan maksimum menggunakan pelarasan default

Kadar Ailoot

Harga mengikut konfigurasi

KonfigurasiJadual kadarCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasCaj
Input · Token input $0.00024 / 1K token
Output · Token output $0 / 1K token
Input · Bacaan cache — / 1K token
Input · Penulisan cache — / 1K token
Input · Penulisan cache, 1 jam — / 1K token

Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →

Contoh permintaan

Ailoot Ultra · Pembenaman

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "voyageai/voyage-4-large", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

Terima dan simpan hasil

Ailoot Ultra · Pembenaman

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.

Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.

Jika respons asal perlu disemak

Tiada titik akhir tugas pembenaman diperkenalkan.

Medan respons
MedanJenis
MedanobjectJenisstring
MedanmodelJenisstring
Medandata[].indexJenisinteger
Medandata[].embeddingJenisfinite float[]
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.

Alias

Alias model

Ailoot Ultra voyageai/voyage-4-large

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

voyageai/voyage-4-large

", "method_identity": { "effective_request_model_id": "voyageai/voyage-4-large", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-4-large", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-4-large", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "voyageai/voyage-4-large" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32000, "text_unit": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 32000, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 32000, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"voyageai/voyage-4-large\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='voyageai/voyage-4-large',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.24, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mod pantas", "value": "Kadar standard", "when": "Apabila mod pantas dipilih" }, { "label": "Mod flex", "value": "Kadar standard", "when": "Apabila mod flex dipilih" }, { "label": "Usaha penaakulan maksimum", "value": "Kadar standard", "when": "Apabila usaha penaakulan maksimum menggunakan pelarasan default" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "voyageai/voyage-4-large", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "voyageai/voyage-4-large", "nativeProvenance": { "input_facts_canonical_sha256": "ba65a08efdd757f35246529f7b2df0a084eb5045824279360856509dc43f0227", "input_html_sha256": "63dc7100b6de956097cbc9ac4a65c895e0b94b94458c66dc5bdfc9aeddac538e", "private_audit_sha256": "bc981e2c1ede02fa1134417ebf041a824d02e9067141d3696200f3925eebeb87", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/voyageai-voyage-4-large/", "description": "voyage-4-large ialah model embedding teks mixture-of-experts Voyage AI untuk pemerolehan semula kegunaan umum dan berbilang bahasa. Vektornya berkongsi ruang keluarga Voyage 4, membolehkan embedding korpus daripada Large dicari dengan embedding pertanyaan serasi daripada model lain dalam keluarga yang sama.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/voyageai-voyage-4-large/index.md", "title": "VoyageAI by MongoDB: voyage-4-large — Ailoot", "url": "https://ailoot.ai/models/ms/voyageai-voyage-4-large/" }, "rawModel": { "about": "voyage-4-large ialah model embedding teks utama Voyage AI dalam keluarga Voyage 4. Ia mewakili petikan sumber dan pertanyaan sebagai vektor berangka untuk pemerolehan semula kegunaan umum dan berbilang bahasa. Dua ciri yang membezakannya ialah reka bentuk model mixture-of-experts dan ruang embedding bersama yang digunakan oleh voyage-4-large, voyage-4, voyage-4-lite dan voyage-4-nano.\n\n### Ruang bersama: pilihan korpus dan pertanyaan berasingan\n\nPengeluar menerangkan pemerolehan semula tidak simetri: dokumen boleh dihasilkan embeddingnya dengan voyage-4-large, manakala model keluarga Voyage 4 yang lain menyediakan vektor pertanyaan. Contohnya, korpus yang diwakili Large boleh dicari dengan pertanyaan voyage-4. Ini membolehkan dua sisi carian memilih model berbeza sambil kekal dalam ruang serasi yang didokumenkan.\n\nOleh itu, koleksi praktikal boleh menggunakan Large untuk menyediakan petikan dokumen stabil dan memilih model bahagian pertanyaan secara berasingan. Dokumen dihasilkan embeddingnya ketika korpus dicipta atau dikemas kini, manakala pertanyaan divektorkan semasa pengguna mencari. Pengumuman keluarga menerangkan penukaran model pertanyaan dalam keluarga serasi tanpa memvektorkan semula korpus dokumen semata-mata kerana perubahan itu. Pastikan vektor yang dibandingkan mempunyai dimensi sepadan dan perwakilan yang dapat ditafsirkan bersama oleh sistem carian.\n\n### Reka bentuk embedding mixture-of-experts\n\nLapisan feed-forward padat memproses setiap token melalui keseluruhan set parameternya. Pendekatan MoE yang diterangkan bagi voyage-4-large menggunakan penghala dan rangkaian feed-forward pakar untuk memilih pakar yang memproses setiap token. Ini memisahkan kapasiti model keseluruhan daripada parameter yang aktif bagi token tertentu. Voyage melaporkan nisbah pengaktifan 1/10 untuk reka bentuk MoE model menggunakan penghalaan top-k.\n\nPenjelasan teknikal pembuat turut menerangkan dua pilihan pembangunan. Kapasiti pakar mempengaruhi sama ada token berlebihan memintas lapisan pakar melalui laluan residual; pasukan memilih faktor kapasiti terbesar yang boleh dilaksanakan untuk mengelakkan kehilangan kualiti pemerolehan semula. Dalam peringkat latihan akhir, parameter penghala dibekukan sebelum penggabungan model supaya interpolasi model sumber tidak mengubah penghalaan pemilihan pakar yang dipelajari. Ini ciri penyediaan model, berbeza daripada tetapan panjang teks atau pemotongan ketika menyediakan input.\n\n### Dimensi dan perwakilan output\n\nJadual model rasmi menetapkan tetingkap konteks 32,000 token dan embedding 256, 512, 1024 serta 2048 dimensi yang boleh dipilih, dengan 1024 sebagai lalai. Keluarga ini menggunakan pembelajaran Matryoshka untuk saiz perwakilan bersarang dan menyokong pilihan pengkuantuman: titik terapung 32 bit, integer 8 bit bertanda atau tanpa tanda dan output binari padat.\n\nDengan output binari, panjang senarai bait yang dikembalikan ialah satu perlapan dimensi terpilih kerana setiap bait mengandungi lapan bit embedding. Simpan pilihan dimensi dan jenis data bersama indeks serta gunakan kaedah perbandingan yang menyokong perwakilan itu. Vektor lebih kecil atau dimampatkan mengubah perwakilan yang digunakan untuk carian; nilai petikan relevan yang dikembalikan bagi soalan sebenar sebelum memilihnya untuk koleksi.\n\n### Sediakan input document dan query\n\nVoyage mengesyorkan peranan document untuk petikan korpus dan peranan query untuk ungkapan carian. Pilihan peranannya menambah arahan pemerolehan semula yang sepadan sebelum embedding. Kekalkan tajuk berguna, syarat dan lokasi sumber petikan, kemudian simpan vektor hasil bersama teks asal dan pengecam stabil.\n\nUntuk koleksi pengetahuan teknikal, soalan tentang mod kegagalan patut membawa kepada petikan yang menerangkan mod itu dan syarat berkaitannya. Untuk koleksi dokumen merentas bahasa, simpan bahasa sumber dan nilai soalan serta istilah yang akan dicari pengguna. Keluaran meliputi bahan pemerolehan semula termasuk dokumen teknikal, perbualan, dokumen panjang, kod, undang-undang, kewangan dan teks web. Embedding mencari bahan calon; peringkat reranker atau jawapan kemudian menggunakan teks asal.\n\n### Had konteks, batch dan pemotongan\n\nPanduan semasa pembuat membenarkan sehingga 1,000 rentetan dan 120,000 token input keseluruhan dalam permintaan voyage-4-large. Ini berbeza daripada peruntukan batch voyage-4, manakala kedua-duanya mempunyai tetingkap 32,000 token bagi setiap teks. Pemotongan lalai memendekkan input terlalu panjang supaya muat; penyahdayaan pemotongan mengembalikan ralat bagi teks terlalu panjang.\n\nPilih sempadan petikan yang mengandungi jawapan dengan sengaja supaya sumber panjang tidak kehilangan syarat atau batasan relevan pada hujung yang dipotong. Simpan perkaitan sumber ketika mengembalikan hasil carian dan periksa teks calon sebenar, bukannya menganggap kedekatan vektor sebagai pengesahan kandungannya. Keserasian ruang bersama terpakai kepada keluarga teks Voyage 4 yang didokumenkan; pemprosesan segmen berkonteks, embedding imej/video dan edisi model kemudian kekal aliran kerja khusus model masing-masing.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-4-large", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "ctx": 32000, "entity_type": "model", "formats": [ "embeddings" ], "id": "voyageai/voyage-4-large", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "voyageai/voyage-4-large" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32000, "text_unit": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 32000, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 32000, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"voyageai/voyage-4-large\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='voyageai/voyage-4-large',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.24, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mod pantas", "value": "Kadar standard", "when": "Apabila mod pantas dipilih" }, { "label": "Mod flex", "value": "Kadar standard", "when": "Apabila mod flex dipilih" }, { "label": "Usaha penaakulan maksimum", "value": "Kadar standard", "when": "Apabila usaha penaakulan maksimum menggunakan pelarasan default" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "voyageai/voyage-4-large", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "voyageai/voyage-4-large", "request_model_id": "voyageai/voyage-4-large", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-4-large", "price": { "in": 0.24, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.24, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "public_id": "voyageai/voyage-4-large", "short": "voyage-4-large ialah model embedding teks mixture-of-experts Voyage AI untuk pemerolehan semula kegunaan umum dan berbilang bahasa. Vektornya berkongsi ruang keluarga Voyage 4, membolehkan embedding korpus daripada Large dicari dengan embedding pertanyaan serasi daripada model lain dalam keluarga yang sama." }, "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-4-large ialah model embedding teks mixture-of-experts Voyage AI untuk pemerolehan semula kegunaan umum dan berbilang bahasa. Vektornya berkongsi ruang keluarga Voyage 4, membolehkan embedding korpus daripada Large dicari dengan embedding pertanyaan serasi daripada model lain dalam keluarga yang sama.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "5e74998c9c8bd3c6d19bfedf21b8502c192eea2475c429367dfb82085794349a", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "47a75ee0e13cbd4788c5133b0ff38077e9e675c6e0a13eb1cd545cd410903b81" }