{ "aboutHtml": "

voyage-4-lite ialah model embedding teks berorientasikan kependaman dalam keluarga Voyage 4 Voyage AI. Ia mewakili pertanyaan dan dokumen sebagai vektor berangka untuk pemerolehan semula kegunaan umum. Ciri keluarga yang membezakannya ialah ruang embedding bersama dengan voyage-4, voyage-4-large dan voyage-4-nano, membolehkan model pertanyaan dan dokumen dipilih secara berasingan.

Mulakan dengan peranan pemerolehan semula

Sediakan keperluan maklumat pengguna sebagai pertanyaan dan bahan yang boleh dicari sebagai dokumen. Voyage mengesyorkan jenis input query/document untuk pemerolehan semula; kaedah yang diterbitkan menambah arahan pemerolehan semula yang sepadan ketika memvektorkan teks.

Untuk koleksi buku panduan pekerja, pertanyaan tentang membawa baki cuti yang tidak digunakan ke tempoh berikutnya perlu dibandingkan dengan bahagian dasar khusus. Simpan peraturan, syarat dan sebarang pengecualian berkaitan dalam petikan berindeks. Simpan dokumen asal dan pengecam bahagian di sisi vektor supaya aplikasi dapat mengembalikan teks dasar sebenar.

Jenis input yang tidak ditetapkan mewakili teks secara langsung, manakala peranan query/document menyesuaikannya untuk pemerolehan semula. Pembuat menyatakan bahawa embedding yang dihasilkan dengan dan tanpa tetapan peranan tersebut adalah serasi, tetapi dasar penyediaan yang konsisten menjadikan koleksi lebih mudah dinilai.

Ruang bersama merentas keluarga teks Voyage 4

Voyage secara jelas mendokumenkan aliran kerja pemerolehan semula tidak simetri: dokumen boleh dikodkan dengan voyage-4-large dan dicari menggunakan vektor pertanyaan daripada voyage-4-lite. Ini pernyataan keserasian pada peringkat keluarga, bukannya kesimpulan berdasarkan dua model yang mengembalikan panjang vektor sama.

Pastikan dimensi vektor dan perwakilan terpilih sejajar antara koleksi dan bahagian pertanyaan. Ruang bersama turut membenarkan penukaran model pertanyaan dalam keluarga teks Voyage 4 bernama ini tanpa memvektorkan semula dokumen sedia ada. Nilai kedudukan hasil menggunakan soalan yang mewakili tugas ketika memilih edisi pertanyaan.

Peranan edisi Lite ialah pilihan embedding pertanyaan dan teks yang lebih kecil serta menumpukan kependaman. Pembuat mengaitkan seni bina mixture-of-experts khususnya dengan voyage-4-large; nama keluarga tidak membuktikan seni bina itu bagi Lite.

Konteks, dimensi dan format hasil

Panjang konteks yang diterbitkan ialah 32,000 token bagi setiap teks. Vektor lalai mempunyai 1024 dimensi, dengan 256, 512 dan 2048 turut tersedia melalui pembelajaran Matryoshka. Aliran embedding teks pembuat mendokumenkan perwakilan titik terapung, integer 8 bit bertanda dan tanpa tanda serta binari bit padat untuk voyage-4-lite.

Untuk vektor titik terapung standard, panduan keserupaan Voyage menerangkan embedding panjang unit, menjadikan keserupaan kosinus dan hasil darab titik setara. Bentuk terkuantum memerlukan pengendalian perwakilan yang sepadan. Contohnya, senarai binari bit padat menyimpan lapan bit embedding dalam setiap bait; panjang senarainya berbeza daripada dimensi vektor semantik.

Dalam kaedah batch Voyage yang didokumenkan, senarai mengandungi paling banyak 1000 teks dan satu juta token keseluruhan untuk edisi Lite tepat ini. Tingkah laku lalai bagi teks terlalu panjang memotong teks individu pada sempadan konteks; tetapan alternatif menolak input terlalu panjang. Had batch dan setiap teks ini berbeza.

Sediakan dan periksa hasil pemerolehan semula

Bahagikan bahan sumber panjang kepada bahagian koheren yang boleh dikembalikan sebagai bukti. Konteks 32,000 token membenarkan input panjang, tetapi unit pemerolehan semula berguna tetap perlu membawa kepada bahagian sumber relevan. Sertakan tajuk atau perincian pengenal yang diperlukan untuk mentafsir peraturan.

Untuk RAG, dapatkan bahagian calon dan berikan teks asalnya kepada peringkat penulisan jawapan bersama perkaitan sumber. Model embedding menghasilkan vektor dan tidak menjana jawapan dasar. Keserupaan menyusun calon di bawah model serta tetapan perbandingan terpilih; semak petikan sebenar untuk syarat tepat yang ditanyakan.

Gabungan khusus edisi voyage-4-lite yang berguna ialah model teks menumpukan kependaman, perwakilan fleksibel, konteks 32,000 token dan keserasian yang didokumenkan dalam keluarga teks Voyage 4. Simpan sifat itu bersama koleksi berindeks dan gunakan hasil pemerolehan semula berasaskan sumber untuk menyokong aplikasi di sekelilingnya.

", "aboutText": "voyage-4-lite ialah model embedding teks berorientasikan kependaman dalam keluarga Voyage 4 Voyage AI. Ia mewakili pertanyaan dan dokumen sebagai vektor berangka untuk pemerolehan semula kegunaan umum. Ciri keluarga yang membezakannya ialah ruang embedding bersama dengan voyage-4, voyage-4-large dan voyage-4-nano, membolehkan model pertanyaan dan dokumen dipilih secara berasingan.\n\n### Mulakan dengan peranan pemerolehan semula\n\nSediakan keperluan maklumat pengguna sebagai pertanyaan dan bahan yang boleh dicari sebagai dokumen. Voyage mengesyorkan jenis input query/document untuk pemerolehan semula; kaedah yang diterbitkan menambah arahan pemerolehan semula yang sepadan ketika memvektorkan teks.\n\nUntuk koleksi buku panduan pekerja, pertanyaan tentang membawa baki cuti yang tidak digunakan ke tempoh berikutnya perlu dibandingkan dengan bahagian dasar khusus. Simpan peraturan, syarat dan sebarang pengecualian berkaitan dalam petikan berindeks. Simpan dokumen asal dan pengecam bahagian di sisi vektor supaya aplikasi dapat mengembalikan teks dasar sebenar.\n\nJenis input yang tidak ditetapkan mewakili teks secara langsung, manakala peranan query/document menyesuaikannya untuk pemerolehan semula. Pembuat menyatakan bahawa embedding yang dihasilkan dengan dan tanpa tetapan peranan tersebut adalah serasi, tetapi dasar penyediaan yang konsisten menjadikan koleksi lebih mudah dinilai.\n\n### Ruang bersama merentas keluarga teks Voyage 4\n\nVoyage secara jelas mendokumenkan aliran kerja pemerolehan semula tidak simetri: dokumen boleh dikodkan dengan voyage-4-large dan dicari menggunakan vektor pertanyaan daripada voyage-4-lite. Ini pernyataan keserasian pada peringkat keluarga, bukannya kesimpulan berdasarkan dua model yang mengembalikan panjang vektor sama.\n\nPastikan dimensi vektor dan perwakilan terpilih sejajar antara koleksi dan bahagian pertanyaan. Ruang bersama turut membenarkan penukaran model pertanyaan dalam keluarga teks Voyage 4 bernama ini tanpa memvektorkan semula dokumen sedia ada. Nilai kedudukan hasil menggunakan soalan yang mewakili tugas ketika memilih edisi pertanyaan.\n\nPeranan edisi Lite ialah pilihan embedding pertanyaan dan teks yang lebih kecil serta menumpukan kependaman. Pembuat mengaitkan seni bina mixture-of-experts khususnya dengan voyage-4-large; nama keluarga tidak membuktikan seni bina itu bagi Lite.\n\n### Konteks, dimensi dan format hasil\n\nPanjang konteks yang diterbitkan ialah 32,000 token bagi setiap teks. Vektor lalai mempunyai 1024 dimensi, dengan 256, 512 dan 2048 turut tersedia melalui pembelajaran Matryoshka. Aliran embedding teks pembuat mendokumenkan perwakilan titik terapung, integer 8 bit bertanda dan tanpa tanda serta binari bit padat untuk voyage-4-lite.\n\nUntuk vektor titik terapung standard, panduan keserupaan Voyage menerangkan embedding panjang unit, menjadikan keserupaan kosinus dan hasil darab titik setara. Bentuk terkuantum memerlukan pengendalian perwakilan yang sepadan. Contohnya, senarai binari bit padat menyimpan lapan bit embedding dalam setiap bait; panjang senarainya berbeza daripada dimensi vektor semantik.\n\nDalam kaedah batch Voyage yang didokumenkan, senarai mengandungi paling banyak 1000 teks dan satu juta token keseluruhan untuk edisi Lite tepat ini. Tingkah laku lalai bagi teks terlalu panjang memotong teks individu pada sempadan konteks; tetapan alternatif menolak input terlalu panjang. Had batch dan setiap teks ini berbeza.\n\n### Sediakan dan periksa hasil pemerolehan semula\n\nBahagikan bahan sumber panjang kepada bahagian koheren yang boleh dikembalikan sebagai bukti. Konteks 32,000 token membenarkan input panjang, tetapi unit pemerolehan semula berguna tetap perlu membawa kepada bahagian sumber relevan. Sertakan tajuk atau perincian pengenal yang diperlukan untuk mentafsir peraturan.\n\nUntuk RAG, dapatkan bahagian calon dan berikan teks asalnya kepada peringkat penulisan jawapan bersama perkaitan sumber. Model embedding menghasilkan vektor dan tidak menjana jawapan dasar. Keserupaan menyusun calon di bawah model serta tetapan perbandingan terpilih; semak petikan sebenar untuk syarat tepat yang ditanyakan.\n\nGabungan khusus edisi voyage-4-lite yang berguna ialah model teks menumpukan kependaman, perwakilan fleksibel, konteks 32,000 token dan keserasian yang didokumenkan dalam keluarga teks Voyage 4. Simpan sifat itu bersama koleksi berindeks dan gunakan hasil pemerolehan semula berasaskan sumber untuk menyokong aplikasi di sekelilingnya.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "adb8e6e4c1d914b4f76b14db3695bfc5abfbc2241e4f035add36ca4d23b63b1b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-4-lite

VoyageAI by MongoDB /voyageai/voyage-4-lite

Pengenalan

Voyage AI voyage-4-lite ialah edisi embedding teks berorientasikan kependaman dalam keluarga Voyage 4. Ia menyokong input 32,000 token, empat pilihan dimensi vektor dan perwakilan terkuantum, dengan ruang embedding bersama yang serasi dengan model teks Voyage 4 lain.

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-lite ialah model embedding teks berorientasikan kependaman dalam keluarga Voyage 4 Voyage AI. Ia mewakili pertanyaan dan dokumen sebagai vektor berangka untuk pemerolehan semula kegunaan umum. Ciri keluarga yang membezakannya ialah ruang embedding bersama dengan voyage-4, voyage-4-large dan voyage-4-nano, membolehkan model pertanyaan dan dokumen dipilih secara berasingan.

Mulakan dengan peranan pemerolehan semula

Sediakan keperluan maklumat pengguna sebagai pertanyaan dan bahan yang boleh dicari sebagai dokumen. Voyage mengesyorkan jenis input query/document untuk pemerolehan semula; kaedah yang diterbitkan menambah arahan pemerolehan semula yang sepadan ketika memvektorkan teks.

Untuk koleksi buku panduan pekerja, pertanyaan tentang membawa baki cuti yang tidak digunakan ke tempoh berikutnya perlu dibandingkan dengan bahagian dasar khusus. Simpan peraturan, syarat dan sebarang pengecualian berkaitan dalam petikan berindeks. Simpan dokumen asal dan pengecam bahagian di sisi vektor supaya aplikasi dapat mengembalikan teks dasar sebenar.

Jenis input yang tidak ditetapkan mewakili teks secara langsung, manakala peranan query/document menyesuaikannya untuk pemerolehan semula. Pembuat menyatakan bahawa embedding yang dihasilkan dengan dan tanpa tetapan peranan tersebut adalah serasi, tetapi dasar penyediaan yang konsisten menjadikan koleksi lebih mudah dinilai.

Ruang bersama merentas keluarga teks Voyage 4

Voyage secara jelas mendokumenkan aliran kerja pemerolehan semula tidak simetri: dokumen boleh dikodkan dengan voyage-4-large dan dicari menggunakan vektor pertanyaan daripada voyage-4-lite. Ini pernyataan keserasian pada peringkat keluarga, bukannya kesimpulan berdasarkan dua model yang mengembalikan panjang vektor sama.

Pastikan dimensi vektor dan perwakilan terpilih sejajar antara koleksi dan bahagian pertanyaan. Ruang bersama turut membenarkan penukaran model pertanyaan dalam keluarga teks Voyage 4 bernama ini tanpa memvektorkan semula dokumen sedia ada. Nilai kedudukan hasil menggunakan soalan yang mewakili tugas ketika memilih edisi pertanyaan.

Peranan edisi Lite ialah pilihan embedding pertanyaan dan teks yang lebih kecil serta menumpukan kependaman. Pembuat mengaitkan seni bina mixture-of-experts khususnya dengan voyage-4-large; nama keluarga tidak membuktikan seni bina itu bagi Lite.

Konteks, dimensi dan format hasil

Panjang konteks yang diterbitkan ialah 32,000 token bagi setiap teks. Vektor lalai mempunyai 1024 dimensi, dengan 256, 512 dan 2048 turut tersedia melalui pembelajaran Matryoshka. Aliran embedding teks pembuat mendokumenkan perwakilan titik terapung, integer 8 bit bertanda dan tanpa tanda serta binari bit padat untuk voyage-4-lite.

Untuk vektor titik terapung standard, panduan keserupaan Voyage menerangkan embedding panjang unit, menjadikan keserupaan kosinus dan hasil darab titik setara. Bentuk terkuantum memerlukan pengendalian perwakilan yang sepadan. Contohnya, senarai binari bit padat menyimpan lapan bit embedding dalam setiap bait; panjang senarainya berbeza daripada dimensi vektor semantik.

Dalam kaedah batch Voyage yang didokumenkan, senarai mengandungi paling banyak 1000 teks dan satu juta token keseluruhan untuk edisi Lite tepat ini. Tingkah laku lalai bagi teks terlalu panjang memotong teks individu pada sempadan konteks; tetapan alternatif menolak input terlalu panjang. Had batch dan setiap teks ini berbeza.

Sediakan dan periksa hasil pemerolehan semula

Bahagikan bahan sumber panjang kepada bahagian koheren yang boleh dikembalikan sebagai bukti. Konteks 32,000 token membenarkan input panjang, tetapi unit pemerolehan semula berguna tetap perlu membawa kepada bahagian sumber relevan. Sertakan tajuk atau perincian pengenal yang diperlukan untuk mentafsir peraturan.

Untuk RAG, dapatkan bahagian calon dan berikan teks asalnya kepada peringkat penulisan jawapan bersama perkaitan sumber. Model embedding menghasilkan vektor dan tidak menjana jawapan dasar. Keserupaan menyusun calon di bawah model serta tetapan perbandingan terpilih; semak petikan sebenar untuk syarat tepat yang ditanyakan.

Gabungan khusus edisi voyage-4-lite yang berguna ialah model teks menumpukan kependaman, perwakilan fleksibel, konteks 32,000 token dan keserasian yang didokumenkan dalam keluarga teks Voyage 4. Simpan sifat itu bersama koleksi berindeks dan gunakan hasil pemerolehan semula berasaskan sumber untuk menyokong aplikasi di sekelilingnya.

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-lite
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 $0.00004 / 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-lite", "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-lite

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

voyageai/voyage-4-lite

", "method_identity": { "effective_request_model_id": "voyageai/voyage-4-lite", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-4-lite", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-4-lite", "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-lite" ], "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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite\", \"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-lite',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": 0.04, "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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "nativeProvenance": { "input_facts_canonical_sha256": "5629625b742f04ae674d2d4f5a1e1d6216a5acfaead27738f3852b72175eba49", "input_html_sha256": "d62c86ec6bf8bac9bec6bdd61b32199fc4b748624330afe7cb9ee1f1bf977776", "private_audit_sha256": "aeef83f65d42167718c6389b5b1394e1904b6490470781add28ff0849a914efc", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/voyageai-voyage-4-lite/", "description": "Voyage AI voyage-4-lite ialah edisi embedding teks berorientasikan kependaman dalam keluarga Voyage 4. Ia menyokong input 32,000 token, empat pilihan dimensi vektor dan perwakilan terkuantum, dengan ruang embedding bersama yang serasi dengan model teks Voyage 4 lain.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/voyageai-voyage-4-lite/index.md", "title": "VoyageAI by MongoDB: voyage-4-lite — Ailoot", "url": "https://ailoot.ai/models/ms/voyageai-voyage-4-lite/" }, "rawModel": { "about": "voyage-4-lite ialah model embedding teks berorientasikan kependaman dalam keluarga Voyage 4 Voyage AI. Ia mewakili pertanyaan dan dokumen sebagai vektor berangka untuk pemerolehan semula kegunaan umum. Ciri keluarga yang membezakannya ialah ruang embedding bersama dengan voyage-4, voyage-4-large dan voyage-4-nano, membolehkan model pertanyaan dan dokumen dipilih secara berasingan.\n\n### Mulakan dengan peranan pemerolehan semula\n\nSediakan keperluan maklumat pengguna sebagai pertanyaan dan bahan yang boleh dicari sebagai dokumen. Voyage mengesyorkan jenis input query/document untuk pemerolehan semula; kaedah yang diterbitkan menambah arahan pemerolehan semula yang sepadan ketika memvektorkan teks.\n\nUntuk koleksi buku panduan pekerja, pertanyaan tentang membawa baki cuti yang tidak digunakan ke tempoh berikutnya perlu dibandingkan dengan bahagian dasar khusus. Simpan peraturan, syarat dan sebarang pengecualian berkaitan dalam petikan berindeks. Simpan dokumen asal dan pengecam bahagian di sisi vektor supaya aplikasi dapat mengembalikan teks dasar sebenar.\n\nJenis input yang tidak ditetapkan mewakili teks secara langsung, manakala peranan query/document menyesuaikannya untuk pemerolehan semula. Pembuat menyatakan bahawa embedding yang dihasilkan dengan dan tanpa tetapan peranan tersebut adalah serasi, tetapi dasar penyediaan yang konsisten menjadikan koleksi lebih mudah dinilai.\n\n### Ruang bersama merentas keluarga teks Voyage 4\n\nVoyage secara jelas mendokumenkan aliran kerja pemerolehan semula tidak simetri: dokumen boleh dikodkan dengan voyage-4-large dan dicari menggunakan vektor pertanyaan daripada voyage-4-lite. Ini pernyataan keserasian pada peringkat keluarga, bukannya kesimpulan berdasarkan dua model yang mengembalikan panjang vektor sama.\n\nPastikan dimensi vektor dan perwakilan terpilih sejajar antara koleksi dan bahagian pertanyaan. Ruang bersama turut membenarkan penukaran model pertanyaan dalam keluarga teks Voyage 4 bernama ini tanpa memvektorkan semula dokumen sedia ada. Nilai kedudukan hasil menggunakan soalan yang mewakili tugas ketika memilih edisi pertanyaan.\n\nPeranan edisi Lite ialah pilihan embedding pertanyaan dan teks yang lebih kecil serta menumpukan kependaman. Pembuat mengaitkan seni bina mixture-of-experts khususnya dengan voyage-4-large; nama keluarga tidak membuktikan seni bina itu bagi Lite.\n\n### Konteks, dimensi dan format hasil\n\nPanjang konteks yang diterbitkan ialah 32,000 token bagi setiap teks. Vektor lalai mempunyai 1024 dimensi, dengan 256, 512 dan 2048 turut tersedia melalui pembelajaran Matryoshka. Aliran embedding teks pembuat mendokumenkan perwakilan titik terapung, integer 8 bit bertanda dan tanpa tanda serta binari bit padat untuk voyage-4-lite.\n\nUntuk vektor titik terapung standard, panduan keserupaan Voyage menerangkan embedding panjang unit, menjadikan keserupaan kosinus dan hasil darab titik setara. Bentuk terkuantum memerlukan pengendalian perwakilan yang sepadan. Contohnya, senarai binari bit padat menyimpan lapan bit embedding dalam setiap bait; panjang senarainya berbeza daripada dimensi vektor semantik.\n\nDalam kaedah batch Voyage yang didokumenkan, senarai mengandungi paling banyak 1000 teks dan satu juta token keseluruhan untuk edisi Lite tepat ini. Tingkah laku lalai bagi teks terlalu panjang memotong teks individu pada sempadan konteks; tetapan alternatif menolak input terlalu panjang. Had batch dan setiap teks ini berbeza.\n\n### Sediakan dan periksa hasil pemerolehan semula\n\nBahagikan bahan sumber panjang kepada bahagian koheren yang boleh dikembalikan sebagai bukti. Konteks 32,000 token membenarkan input panjang, tetapi unit pemerolehan semula berguna tetap perlu membawa kepada bahagian sumber relevan. Sertakan tajuk atau perincian pengenal yang diperlukan untuk mentafsir peraturan.\n\nUntuk RAG, dapatkan bahagian calon dan berikan teks asalnya kepada peringkat penulisan jawapan bersama perkaitan sumber. Model embedding menghasilkan vektor dan tidak menjana jawapan dasar. Keserupaan menyusun calon di bawah model serta tetapan perbandingan terpilih; semak petikan sebenar untuk syarat tepat yang ditanyakan.\n\nGabungan khusus edisi voyage-4-lite yang berguna ialah model teks menumpukan kependaman, perwakilan fleksibel, konteks 32,000 token dan keserasian yang didokumenkan dalam keluarga teks Voyage 4. Simpan sifat itu bersama koleksi berindeks dan gunakan hasil pemerolehan semula berasaskan sumber untuk menyokong aplikasi di sekelilingnya.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-4-lite", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "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-lite" ], "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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite\", \"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-lite',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": 0.04, "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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "request_model_id": "voyageai/voyage-4-lite", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-4-lite", "price": { "in": 0.04, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.04, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-lite", "short": "Voyage AI voyage-4-lite ialah edisi embedding teks berorientasikan kependaman dalam keluarga Voyage 4. Ia menyokong input 32,000 token, empat pilihan dimensi vektor dan perwakilan terkuantum, dengan ruang embedding bersama yang serasi dengan model teks Voyage 4 lain." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Voyage AI voyage-4-lite ialah edisi embedding teks berorientasikan kependaman dalam keluarga Voyage 4. Ia menyokong input 32,000 token, empat pilihan dimensi vektor dan perwakilan terkuantum, dengan ruang embedding bersama yang serasi dengan model teks Voyage 4 lain.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "adc7f0afc7f8b800dea1a79ad098d330f25327de708f6c7cf7fd46e15f2e147a", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "6e8860ead116896da0e6cf75d124887efa4d342ec15927a1c495a5b54bad410e" }