{ "aboutHtml": "

voyage-4 ialah model embedding teks bersaiz sederhana Voyage AI dalam keluarga Voyage 4. Ia menukarkan teks pertanyaan dan dokumen kepada vektor berangka untuk pemerolehan semula kegunaan umum dan berbilang bahasa. Keupayaan utama keluarga ini ialah ruang embedding bersama: voyage-4, voyage-4-large, voyage-4-lite dan voyage-4-nano menghasilkan perwakilan serasi, membolehkan bahagian pertanyaan dan dokumen dalam tugas carian menggunakan model berbeza dalam keluarga itu.

Ruang bersama dan pemerolehan semula tidak simetri

Pengeluar menamakan penggunaan model pertanyaan dan korpus berbeza sebagai pemerolehan semula tidak simetri. Satu corak yang didokumenkan ialah menyediakan korpus dengan voyage-4-large dan mencarinya menggunakan embedding pertanyaan voyage-4. Korpus dihasilkan embeddingnya sekali atau apabila bahan sumber berubah, manakala vektor pertanyaan dicipta apabila carian diterima. Ruang bersama membolehkan pilihan model bahagian pertanyaan berubah dalam keluarga tanpa memerlukan korpus dihasilkan embeddingnya semula semata-mata kerana penukaran itu.

Pastikan dimensi output dan perwakilan serasi merentas vektor yang dibandingkan. Pernyataan ruang bersama berkenaan model teks Voyage 4 yang dinamakan; ia tidak terbukti hanya kerana dua model tidak berkaitan mengembalikan tatasusunan sama panjang. Oleh itu, tugas praktikal boleh menggunakan voyage-4 pada kedua-dua sisi carian atau menggunakan vektor pertanyaannya dengan indeks dokumen voyage-4-large sedia ada apabila tetapan perwakilannya sepadan.

Peranan query dan document

Untuk pemerolehan semula, Voyage mengesyorkan pengenalpastian teks input sebagai query atau document. Pilihan peranan input membekalkan arahan pemerolehan semula yang sepadan sebelum pemvektoran. Sediakan petikan korpus sebagai dokumen dan ungkapan carian pengguna sebagai pertanyaan, sambil menyimpan teks sumber sebenar serta pengecam di sisi setiap vektor tersimpan.

Contohnya, koleksi carian pengetahuan boleh mengindeks arahan teknikal dan penerangan produk. Pertanyaan tentang perkara yang berlaku selepas import gagal patut mengembalikan petikan sumber yang menerangkan tingkah laku itu. Simpan tajuk, syarat berkaitan dan lokasi sumber bersama petikan supaya hasil carian dapat diperiksa atau digunakan peringkat jawapan RAG kemudian. Embedding ialah perwakilan pemerolehan semula berangka; petikan asal ialah bukti yang digunakan dalam peringkat kemudian itu.

Dimensi dan jenis data output

Tetingkap konteks setiap teks yang didokumenkan ialah 32,000 token. Dimensi yang boleh dipilih ialah 256, 512, 1024 dan 2048, dengan 1024 sebagai lalai. Pembelajaran Matryoshka menyediakan saiz perwakilan bersarang ini. Output boleh menggunakan titik terapung 32 bit, integer 8 bit bertanda atau tanpa tanda, atau nilai binari padat, yang dibolehkan oleh penyediaan keluarga yang mengambil kira pengkuantuman.

Dengan output binari padat, setiap bait yang dikembalikan menyimpan lapan bit embedding, maka panjang senarai bait ialah satu perlapan dimensi terpilih. Bilangan bait dan dimensi embedding mempunyai makna berbeza. Pilih perwakilan yang dapat ditafsirkan indeks carian anda dan periksa kerelevanan calon bagi soalan serta bahasa sebenar koleksi sebelum memilih konfigurasi dimampatkan.

Panjang input, batch dan pemotongan

Panduan embedding teks semasa pembuat membenarkan sehingga 1,000 rentetan dan 320,000 token keseluruhan dalam permintaan voyage-4. Peruntukan batch berasingan daripada tetingkap 32,000 token untuk setiap input. Pemotongan didayakan secara lalai: teks terlalu panjang dipendekkan supaya muat. Jika pemotongan dinyahdayakan, item terlalu panjang menghasilkan ralat.

Untuk laporan panjang atau transkrip, sediakan petikan yang mengandungi jawapan dengan sengaja, bukannya bergantung pada pemotongan di sempadan input. Pastikan setiap petikan dipautkan kepada dokumen induk dan versi sumber. Input embedding voyage-4 biasa ialah teks individu; pemprosesan kumpulan segmen berkonteks tergolong dalam model embedding kontekstual yang didokumenkan secara berasingan.

Gunakan hasil pemerolehan semula

Simpan vektor bersama teks petikan dan pengecam sumber stabil, bandingkan setiap vektor pertanyaan dengan vektor dokumen serasi dan kembalikan petikan calon. Keluaran keluarga menilai pemerolehan semula merentas bahan termasuk dokumen teknikal, perbualan, dokumen panjang, kod, undang-undang, kewangan dan teks web. Reranker berasingan boleh memperhalus calon dan peringkat jawapan kemudian boleh menggunakan teksnya. Nilai petikan yang dikembalikan berdasarkan tugas; keserasian ruang bersama membolehkan gabungan model, manakala kegunaan hasil masih bergantung pada bahan sumber dan soalan.

", "aboutText": "voyage-4 ialah model embedding teks bersaiz sederhana Voyage AI dalam keluarga Voyage 4. Ia menukarkan teks pertanyaan dan dokumen kepada vektor berangka untuk pemerolehan semula kegunaan umum dan berbilang bahasa. Keupayaan utama keluarga ini ialah ruang embedding bersama: voyage-4, voyage-4-large, voyage-4-lite dan voyage-4-nano menghasilkan perwakilan serasi, membolehkan bahagian pertanyaan dan dokumen dalam tugas carian menggunakan model berbeza dalam keluarga itu.\n\n### Ruang bersama dan pemerolehan semula tidak simetri\n\nPengeluar menamakan penggunaan model pertanyaan dan korpus berbeza sebagai pemerolehan semula tidak simetri. Satu corak yang didokumenkan ialah menyediakan korpus dengan voyage-4-large dan mencarinya menggunakan embedding pertanyaan voyage-4. Korpus dihasilkan embeddingnya sekali atau apabila bahan sumber berubah, manakala vektor pertanyaan dicipta apabila carian diterima. Ruang bersama membolehkan pilihan model bahagian pertanyaan berubah dalam keluarga tanpa memerlukan korpus dihasilkan embeddingnya semula semata-mata kerana penukaran itu.\n\nPastikan dimensi output dan perwakilan serasi merentas vektor yang dibandingkan. Pernyataan ruang bersama berkenaan model teks Voyage 4 yang dinamakan; ia tidak terbukti hanya kerana dua model tidak berkaitan mengembalikan tatasusunan sama panjang. Oleh itu, tugas praktikal boleh menggunakan voyage-4 pada kedua-dua sisi carian atau menggunakan vektor pertanyaannya dengan indeks dokumen voyage-4-large sedia ada apabila tetapan perwakilannya sepadan.\n\n### Peranan query dan document\n\nUntuk pemerolehan semula, Voyage mengesyorkan pengenalpastian teks input sebagai query atau document. Pilihan peranan input membekalkan arahan pemerolehan semula yang sepadan sebelum pemvektoran. Sediakan petikan korpus sebagai dokumen dan ungkapan carian pengguna sebagai pertanyaan, sambil menyimpan teks sumber sebenar serta pengecam di sisi setiap vektor tersimpan.\n\nContohnya, koleksi carian pengetahuan boleh mengindeks arahan teknikal dan penerangan produk. Pertanyaan tentang perkara yang berlaku selepas import gagal patut mengembalikan petikan sumber yang menerangkan tingkah laku itu. Simpan tajuk, syarat berkaitan dan lokasi sumber bersama petikan supaya hasil carian dapat diperiksa atau digunakan peringkat jawapan RAG kemudian. Embedding ialah perwakilan pemerolehan semula berangka; petikan asal ialah bukti yang digunakan dalam peringkat kemudian itu.\n\n### Dimensi dan jenis data output\n\nTetingkap konteks setiap teks yang didokumenkan ialah 32,000 token. Dimensi yang boleh dipilih ialah 256, 512, 1024 dan 2048, dengan 1024 sebagai lalai. Pembelajaran Matryoshka menyediakan saiz perwakilan bersarang ini. Output boleh menggunakan titik terapung 32 bit, integer 8 bit bertanda atau tanpa tanda, atau nilai binari padat, yang dibolehkan oleh penyediaan keluarga yang mengambil kira pengkuantuman.\n\nDengan output binari padat, setiap bait yang dikembalikan menyimpan lapan bit embedding, maka panjang senarai bait ialah satu perlapan dimensi terpilih. Bilangan bait dan dimensi embedding mempunyai makna berbeza. Pilih perwakilan yang dapat ditafsirkan indeks carian anda dan periksa kerelevanan calon bagi soalan serta bahasa sebenar koleksi sebelum memilih konfigurasi dimampatkan.\n\n### Panjang input, batch dan pemotongan\n\nPanduan embedding teks semasa pembuat membenarkan sehingga 1,000 rentetan dan 320,000 token keseluruhan dalam permintaan voyage-4. Peruntukan batch berasingan daripada tetingkap 32,000 token untuk setiap input. Pemotongan didayakan secara lalai: teks terlalu panjang dipendekkan supaya muat. Jika pemotongan dinyahdayakan, item terlalu panjang menghasilkan ralat.\n\nUntuk laporan panjang atau transkrip, sediakan petikan yang mengandungi jawapan dengan sengaja, bukannya bergantung pada pemotongan di sempadan input. Pastikan setiap petikan dipautkan kepada dokumen induk dan versi sumber. Input embedding voyage-4 biasa ialah teks individu; pemprosesan kumpulan segmen berkonteks tergolong dalam model embedding kontekstual yang didokumenkan secara berasingan.\n\n### Gunakan hasil pemerolehan semula\n\nSimpan vektor bersama teks petikan dan pengecam sumber stabil, bandingkan setiap vektor pertanyaan dengan vektor dokumen serasi dan kembalikan petikan calon. Keluaran keluarga menilai pemerolehan semula merentas bahan termasuk dokumen teknikal, perbualan, dokumen panjang, kod, undang-undang, kewangan dan teks web. Reranker berasingan boleh memperhalus calon dan peringkat jawapan kemudian boleh menggunakan teksnya. Nilai petikan yang dikembalikan berdasarkan tugas; keserasian ruang bersama membolehkan gabungan model, manakala kegunaan hasil masih bergantung pada bahan sumber dan soalan.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d9d45fdca63cf958653c1338f6d663ae5a20a7a2aa10218a66877cce76d954e2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-4

VoyageAI by MongoDB /voyageai/voyage-4

Pengenalan

voyage-4 menghasilkan embedding teks untuk pemerolehan semula kegunaan umum dan berbilang bahasa, dengan ruang vektor bersama merentas keluarga Voyage 4. Ia menyokong input 32,000 token, pilihan output 256–2048 dimensi dan peranan query/document untuk carian serta RAG.

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 ialah model embedding teks bersaiz sederhana Voyage AI dalam keluarga Voyage 4. Ia menukarkan teks pertanyaan dan dokumen kepada vektor berangka untuk pemerolehan semula kegunaan umum dan berbilang bahasa. Keupayaan utama keluarga ini ialah ruang embedding bersama: voyage-4, voyage-4-large, voyage-4-lite dan voyage-4-nano menghasilkan perwakilan serasi, membolehkan bahagian pertanyaan dan dokumen dalam tugas carian menggunakan model berbeza dalam keluarga itu.

Ruang bersama dan pemerolehan semula tidak simetri

Pengeluar menamakan penggunaan model pertanyaan dan korpus berbeza sebagai pemerolehan semula tidak simetri. Satu corak yang didokumenkan ialah menyediakan korpus dengan voyage-4-large dan mencarinya menggunakan embedding pertanyaan voyage-4. Korpus dihasilkan embeddingnya sekali atau apabila bahan sumber berubah, manakala vektor pertanyaan dicipta apabila carian diterima. Ruang bersama membolehkan pilihan model bahagian pertanyaan berubah dalam keluarga tanpa memerlukan korpus dihasilkan embeddingnya semula semata-mata kerana penukaran itu.

Pastikan dimensi output dan perwakilan serasi merentas vektor yang dibandingkan. Pernyataan ruang bersama berkenaan model teks Voyage 4 yang dinamakan; ia tidak terbukti hanya kerana dua model tidak berkaitan mengembalikan tatasusunan sama panjang. Oleh itu, tugas praktikal boleh menggunakan voyage-4 pada kedua-dua sisi carian atau menggunakan vektor pertanyaannya dengan indeks dokumen voyage-4-large sedia ada apabila tetapan perwakilannya sepadan.

Peranan query dan document

Untuk pemerolehan semula, Voyage mengesyorkan pengenalpastian teks input sebagai query atau document. Pilihan peranan input membekalkan arahan pemerolehan semula yang sepadan sebelum pemvektoran. Sediakan petikan korpus sebagai dokumen dan ungkapan carian pengguna sebagai pertanyaan, sambil menyimpan teks sumber sebenar serta pengecam di sisi setiap vektor tersimpan.

Contohnya, koleksi carian pengetahuan boleh mengindeks arahan teknikal dan penerangan produk. Pertanyaan tentang perkara yang berlaku selepas import gagal patut mengembalikan petikan sumber yang menerangkan tingkah laku itu. Simpan tajuk, syarat berkaitan dan lokasi sumber bersama petikan supaya hasil carian dapat diperiksa atau digunakan peringkat jawapan RAG kemudian. Embedding ialah perwakilan pemerolehan semula berangka; petikan asal ialah bukti yang digunakan dalam peringkat kemudian itu.

Dimensi dan jenis data output

Tetingkap konteks setiap teks yang didokumenkan ialah 32,000 token. Dimensi yang boleh dipilih ialah 256, 512, 1024 dan 2048, dengan 1024 sebagai lalai. Pembelajaran Matryoshka menyediakan saiz perwakilan bersarang ini. Output boleh menggunakan titik terapung 32 bit, integer 8 bit bertanda atau tanpa tanda, atau nilai binari padat, yang dibolehkan oleh penyediaan keluarga yang mengambil kira pengkuantuman.

Dengan output binari padat, setiap bait yang dikembalikan menyimpan lapan bit embedding, maka panjang senarai bait ialah satu perlapan dimensi terpilih. Bilangan bait dan dimensi embedding mempunyai makna berbeza. Pilih perwakilan yang dapat ditafsirkan indeks carian anda dan periksa kerelevanan calon bagi soalan serta bahasa sebenar koleksi sebelum memilih konfigurasi dimampatkan.

Panjang input, batch dan pemotongan

Panduan embedding teks semasa pembuat membenarkan sehingga 1,000 rentetan dan 320,000 token keseluruhan dalam permintaan voyage-4. Peruntukan batch berasingan daripada tetingkap 32,000 token untuk setiap input. Pemotongan didayakan secara lalai: teks terlalu panjang dipendekkan supaya muat. Jika pemotongan dinyahdayakan, item terlalu panjang menghasilkan ralat.

Untuk laporan panjang atau transkrip, sediakan petikan yang mengandungi jawapan dengan sengaja, bukannya bergantung pada pemotongan di sempadan input. Pastikan setiap petikan dipautkan kepada dokumen induk dan versi sumber. Input embedding voyage-4 biasa ialah teks individu; pemprosesan kumpulan segmen berkonteks tergolong dalam model embedding kontekstual yang didokumenkan secara berasingan.

Gunakan hasil pemerolehan semula

Simpan vektor bersama teks petikan dan pengecam sumber stabil, bandingkan setiap vektor pertanyaan dengan vektor dokumen serasi dan kembalikan petikan calon. Keluaran keluarga menilai pemerolehan semula merentas bahan termasuk dokumen teknikal, perbualan, dokumen panjang, kod, undang-undang, kewangan dan teks web. Reranker berasingan boleh memperhalus calon dan peringkat jawapan kemudian boleh menggunakan teksnya. Nilai petikan yang dikembalikan berdasarkan tugas; keserasian ruang bersama membolehkan gabungan model, manakala kegunaan hasil masih bergantung pada bahan sumber dan soalan.

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
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 $0.00012 / 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", "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

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

voyageai/voyage-4

", "method_identity": { "effective_request_model_id": "voyageai/voyage-4", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-4", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-4", "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" ], "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": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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\", \"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',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": 0.12, "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": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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", "nativeProvenance": { "input_facts_canonical_sha256": "2eae9ddb118420cb87da89c4946fff7761cc2a1edfdd5fc059146b4972fb86bf", "input_html_sha256": "2ebf2df2d9b9d4921673125110d75863123ab827af2f478d1305a55d89b388dc", "private_audit_sha256": "d1fb4509e72f157046601745ff983ffef0766b9ba741c24c60d6ea7278ef0ae6", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/voyageai-voyage-4/", "description": "voyage-4 menghasilkan embedding teks untuk pemerolehan semula kegunaan umum dan berbilang bahasa, dengan ruang vektor bersama merentas keluarga Voyage 4. Ia menyokong input 32,000 token, pilihan output 256–2048 dimensi dan peranan query/document untuk carian serta RAG.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/voyageai-voyage-4/index.md", "title": "VoyageAI by MongoDB: voyage-4 — Ailoot", "url": "https://ailoot.ai/models/ms/voyageai-voyage-4/" }, "rawModel": { "about": "voyage-4 ialah model embedding teks bersaiz sederhana Voyage AI dalam keluarga Voyage 4. Ia menukarkan teks pertanyaan dan dokumen kepada vektor berangka untuk pemerolehan semula kegunaan umum dan berbilang bahasa. Keupayaan utama keluarga ini ialah ruang embedding bersama: voyage-4, voyage-4-large, voyage-4-lite dan voyage-4-nano menghasilkan perwakilan serasi, membolehkan bahagian pertanyaan dan dokumen dalam tugas carian menggunakan model berbeza dalam keluarga itu.\n\n### Ruang bersama dan pemerolehan semula tidak simetri\n\nPengeluar menamakan penggunaan model pertanyaan dan korpus berbeza sebagai pemerolehan semula tidak simetri. Satu corak yang didokumenkan ialah menyediakan korpus dengan voyage-4-large dan mencarinya menggunakan embedding pertanyaan voyage-4. Korpus dihasilkan embeddingnya sekali atau apabila bahan sumber berubah, manakala vektor pertanyaan dicipta apabila carian diterima. Ruang bersama membolehkan pilihan model bahagian pertanyaan berubah dalam keluarga tanpa memerlukan korpus dihasilkan embeddingnya semula semata-mata kerana penukaran itu.\n\nPastikan dimensi output dan perwakilan serasi merentas vektor yang dibandingkan. Pernyataan ruang bersama berkenaan model teks Voyage 4 yang dinamakan; ia tidak terbukti hanya kerana dua model tidak berkaitan mengembalikan tatasusunan sama panjang. Oleh itu, tugas praktikal boleh menggunakan voyage-4 pada kedua-dua sisi carian atau menggunakan vektor pertanyaannya dengan indeks dokumen voyage-4-large sedia ada apabila tetapan perwakilannya sepadan.\n\n### Peranan query dan document\n\nUntuk pemerolehan semula, Voyage mengesyorkan pengenalpastian teks input sebagai query atau document. Pilihan peranan input membekalkan arahan pemerolehan semula yang sepadan sebelum pemvektoran. Sediakan petikan korpus sebagai dokumen dan ungkapan carian pengguna sebagai pertanyaan, sambil menyimpan teks sumber sebenar serta pengecam di sisi setiap vektor tersimpan.\n\nContohnya, koleksi carian pengetahuan boleh mengindeks arahan teknikal dan penerangan produk. Pertanyaan tentang perkara yang berlaku selepas import gagal patut mengembalikan petikan sumber yang menerangkan tingkah laku itu. Simpan tajuk, syarat berkaitan dan lokasi sumber bersama petikan supaya hasil carian dapat diperiksa atau digunakan peringkat jawapan RAG kemudian. Embedding ialah perwakilan pemerolehan semula berangka; petikan asal ialah bukti yang digunakan dalam peringkat kemudian itu.\n\n### Dimensi dan jenis data output\n\nTetingkap konteks setiap teks yang didokumenkan ialah 32,000 token. Dimensi yang boleh dipilih ialah 256, 512, 1024 dan 2048, dengan 1024 sebagai lalai. Pembelajaran Matryoshka menyediakan saiz perwakilan bersarang ini. Output boleh menggunakan titik terapung 32 bit, integer 8 bit bertanda atau tanpa tanda, atau nilai binari padat, yang dibolehkan oleh penyediaan keluarga yang mengambil kira pengkuantuman.\n\nDengan output binari padat, setiap bait yang dikembalikan menyimpan lapan bit embedding, maka panjang senarai bait ialah satu perlapan dimensi terpilih. Bilangan bait dan dimensi embedding mempunyai makna berbeza. Pilih perwakilan yang dapat ditafsirkan indeks carian anda dan periksa kerelevanan calon bagi soalan serta bahasa sebenar koleksi sebelum memilih konfigurasi dimampatkan.\n\n### Panjang input, batch dan pemotongan\n\nPanduan embedding teks semasa pembuat membenarkan sehingga 1,000 rentetan dan 320,000 token keseluruhan dalam permintaan voyage-4. Peruntukan batch berasingan daripada tetingkap 32,000 token untuk setiap input. Pemotongan didayakan secara lalai: teks terlalu panjang dipendekkan supaya muat. Jika pemotongan dinyahdayakan, item terlalu panjang menghasilkan ralat.\n\nUntuk laporan panjang atau transkrip, sediakan petikan yang mengandungi jawapan dengan sengaja, bukannya bergantung pada pemotongan di sempadan input. Pastikan setiap petikan dipautkan kepada dokumen induk dan versi sumber. Input embedding voyage-4 biasa ialah teks individu; pemprosesan kumpulan segmen berkonteks tergolong dalam model embedding kontekstual yang didokumenkan secara berasingan.\n\n### Gunakan hasil pemerolehan semula\n\nSimpan vektor bersama teks petikan dan pengecam sumber stabil, bandingkan setiap vektor pertanyaan dengan vektor dokumen serasi dan kembalikan petikan calon. Keluaran keluarga menilai pemerolehan semula merentas bahan termasuk dokumen teknikal, perbualan, dokumen panjang, kod, undang-undang, kewangan dan teks web. Reranker berasingan boleh memperhalus calon dan peringkat jawapan kemudian boleh menggunakan teksnya. Nilai petikan yang dikembalikan berdasarkan tugas; keserasian ruang bersama membolehkan gabungan model, manakala kegunaan hasil masih bergantung pada bahan sumber dan soalan.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-4", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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", "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" ], "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": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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\", \"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',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": 0.12, "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": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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", "request_model_id": "voyageai/voyage-4", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-4", "price": { "in": 0.12, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.12, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "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", "short": "voyage-4 menghasilkan embedding teks untuk pemerolehan semula kegunaan umum dan berbilang bahasa, dengan ruang vektor bersama merentas keluarga Voyage 4. Ia menyokong input 32,000 token, pilihan output 256–2048 dimensi dan peranan query/document untuk carian serta RAG." }, "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 menghasilkan embedding teks untuk pemerolehan semula kegunaan umum dan berbilang bahasa, dengan ruang vektor bersama merentas keluarga Voyage 4. Ia menyokong input 32,000 token, pilihan output 256–2048 dimensi dan peranan query/document untuk carian serta RAG.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "7dd6e09257569ddfbea5b09139b93bf1b11271da6d1bfa7b67546678f6eb0273", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "e8fcea027d42dbdea5c02054038ad63d81044f9e991d6f4a1ebf5302eba1e72e" }