{ "aboutHtml": "

voyage-code-4 ialah model embedding khusus kod Voyage AI untuk carian repositori dan pemerolehan semula ejen pengekodan. Ia direka untuk membantu mencari sumber relevan apabila titik mula ialah soalan, gejala atau penerangan tugas, bukannya pengecam yang diketahui. Ia mewakili kod dan maklumat teks sebagai vektor berangka untuk pemerolehan semula; ia tidak menyunting repositori atau menjana pembetulan.

Dapatkan kod berdasarkan masalah yang disiasat

Pembuat menerangkan korpus latihan yang dikurasi daripada pull request yang telah diselesaikan, menghubungkan pertanyaan bahasa semula jadi dengan kod. Ini perbezaan bermakna daripada contoh latihan yang dibina terutamanya berdasarkan fail sumber dan docstringnya: tugas pemerolehan semula boleh bermula dengan tingkah laku yang perlu disiasat.

Sediakan pertanyaan seperti “Cari tempat hasil kosong menyebabkan operasi yang berjaya dilaporkan sebagai kegagalan.” Indeks bahagian sumber yang boleh dibaca bersama laluan fail dan komen berkaitan. Simpan syarat sekeliling fungsi apabila ia menerangkan tingkah lakunya. Calon yang dikembalikan patut membawa pembaca atau ejen kembali kepada bahagian sumber yang diwakilinya.

Pemerolehan semula semantik boleh melengkapi carian pengecam tepat dan teks penuh. Jika nama fungsi sudah diketahui, carian tepat masih berguna. Jika hanya gejala diketahui, carian vektor boleh menyediakan calon untuk diperiksa dan diperhalus dengan pertanyaan lain.

Peranan query dan document

Panduan pemerolehan semula Voyage membezakan pertanyaan daripada dokumen korpus melalui jenis input query/document. Untuk carian kod, gunakan penerangan masalah atau tugas sebagai query dan sumber atau dokumentasi berindeks sebagai document. Kaedah yang diterbitkan menambah arahan pemerolehan semula khusus peranan ketika menghasilkan embedding.

Simpan pemformatan asal kod, nama dan dokumentasi berkaitan di luar vektor. Untuk bahagian sumber, simpan laluan fail dan lokasinya; untuk panduan pengaturcaraan, simpan tajuknya. Selepas pemerolehan semula, periksa kod sebenar dan bahagian yang memanggilnya sebelum memilih suntingan. Kerelevanan calon tidak membuktikan bahawa ia satu-satunya punca masalah yang dilaporkan.

Pilihan konteks dan perwakilan

Panjang konteks model tepat yang diterbitkan ialah 32,000 token. Embedding lalainya mempunyai 1024 dimensi, dengan 256, 512 dan 2048 dimensi turut disokong melalui pembelajaran Matryoshka. Pengumuman mendokumenkan perwakilan titik terapung 32 bit, integer 8 bit bertanda dan tanpa tanda serta binari.

Pilih satu dimensi dan perwakilan untuk koleksi dan simpan bersama metadatanya. Vektor titik terapung dan perwakilan terkuantum memerlukan pengendalian penyimpanan serta perbandingan yang sepadan. Perwakilan binari mengekod maklumat vektor secara berbeza daripada senarai koordinat titik terapung biasa; kekalkan perbezaan itu ketika menyediakan hasil untuk carian.

Untuk fail panjang, pilih bahagian koheren dengan lokasi sumber yang dapat dijejaki semula. Fungsi mungkin memerlukan takrif jenis atau komen bersebelahan untuk menjelaskan syarat, manakala seluruh fail terlalu besar mungkin mengandungi bahan tidak berkaitan. Selaraskan bahagian dengan tugas yang akan dicari, bukannya menganggap konteks maksimum sebagai saiz segmen yang disyorkan.

Gunakan sumber yang diperoleh semula sebagai bukti

Aliran kerja ejen pengekodan praktikal mendapatkan sumber calon, membaca fail itu, mengikuti rujukan berkaitan dan mengecilkan skop carian sepanjang penyiasatan. Teks yang diperoleh semula menjadi konteks untuk peringkat penaakulan atau penyuntingan. Kekalkan perkaitannya dengan revisi repositori berindeks supaya calon diperiksa berdasarkan sumber yang betul.

Sumbangan khusus edisi voyage-code-4 ialah tumpuan pada langkah pemerolehan semula daripada masalah kepada kod yang digunakan ejen pengekodan, bersama dimensi dan perwakilan fleksibel. Outputnya ialah vektor pemerolehan semula, manakala diagnosis, penyuntingan dan pengesahan kekal tugas berasingan yang berasaskan repositori sebenar.

", "aboutText": "voyage-code-4 ialah model embedding khusus kod Voyage AI untuk carian repositori dan pemerolehan semula ejen pengekodan. Ia direka untuk membantu mencari sumber relevan apabila titik mula ialah soalan, gejala atau penerangan tugas, bukannya pengecam yang diketahui. Ia mewakili kod dan maklumat teks sebagai vektor berangka untuk pemerolehan semula; ia tidak menyunting repositori atau menjana pembetulan.\n\n### Dapatkan kod berdasarkan masalah yang disiasat\n\nPembuat menerangkan korpus latihan yang dikurasi daripada pull request yang telah diselesaikan, menghubungkan pertanyaan bahasa semula jadi dengan kod. Ini perbezaan bermakna daripada contoh latihan yang dibina terutamanya berdasarkan fail sumber dan docstringnya: tugas pemerolehan semula boleh bermula dengan tingkah laku yang perlu disiasat.\n\nSediakan pertanyaan seperti “Cari tempat hasil kosong menyebabkan operasi yang berjaya dilaporkan sebagai kegagalan.” Indeks bahagian sumber yang boleh dibaca bersama laluan fail dan komen berkaitan. Simpan syarat sekeliling fungsi apabila ia menerangkan tingkah lakunya. Calon yang dikembalikan patut membawa pembaca atau ejen kembali kepada bahagian sumber yang diwakilinya.\n\nPemerolehan semula semantik boleh melengkapi carian pengecam tepat dan teks penuh. Jika nama fungsi sudah diketahui, carian tepat masih berguna. Jika hanya gejala diketahui, carian vektor boleh menyediakan calon untuk diperiksa dan diperhalus dengan pertanyaan lain.\n\n### Peranan query dan document\n\nPanduan pemerolehan semula Voyage membezakan pertanyaan daripada dokumen korpus melalui jenis input query/document. Untuk carian kod, gunakan penerangan masalah atau tugas sebagai query dan sumber atau dokumentasi berindeks sebagai document. Kaedah yang diterbitkan menambah arahan pemerolehan semula khusus peranan ketika menghasilkan embedding.\n\nSimpan pemformatan asal kod, nama dan dokumentasi berkaitan di luar vektor. Untuk bahagian sumber, simpan laluan fail dan lokasinya; untuk panduan pengaturcaraan, simpan tajuknya. Selepas pemerolehan semula, periksa kod sebenar dan bahagian yang memanggilnya sebelum memilih suntingan. Kerelevanan calon tidak membuktikan bahawa ia satu-satunya punca masalah yang dilaporkan.\n\n### Pilihan konteks dan perwakilan\n\nPanjang konteks model tepat yang diterbitkan ialah 32,000 token. Embedding lalainya mempunyai 1024 dimensi, dengan 256, 512 dan 2048 dimensi turut disokong melalui pembelajaran Matryoshka. Pengumuman mendokumenkan perwakilan titik terapung 32 bit, integer 8 bit bertanda dan tanpa tanda serta binari.\n\nPilih satu dimensi dan perwakilan untuk koleksi dan simpan bersama metadatanya. Vektor titik terapung dan perwakilan terkuantum memerlukan pengendalian penyimpanan serta perbandingan yang sepadan. Perwakilan binari mengekod maklumat vektor secara berbeza daripada senarai koordinat titik terapung biasa; kekalkan perbezaan itu ketika menyediakan hasil untuk carian.\n\nUntuk fail panjang, pilih bahagian koheren dengan lokasi sumber yang dapat dijejaki semula. Fungsi mungkin memerlukan takrif jenis atau komen bersebelahan untuk menjelaskan syarat, manakala seluruh fail terlalu besar mungkin mengandungi bahan tidak berkaitan. Selaraskan bahagian dengan tugas yang akan dicari, bukannya menganggap konteks maksimum sebagai saiz segmen yang disyorkan.\n\n### Gunakan sumber yang diperoleh semula sebagai bukti\n\nAliran kerja ejen pengekodan praktikal mendapatkan sumber calon, membaca fail itu, mengikuti rujukan berkaitan dan mengecilkan skop carian sepanjang penyiasatan. Teks yang diperoleh semula menjadi konteks untuk peringkat penaakulan atau penyuntingan. Kekalkan perkaitannya dengan revisi repositori berindeks supaya calon diperiksa berdasarkan sumber yang betul.\n\nSumbangan khusus edisi voyage-code-4 ialah tumpuan pada langkah pemerolehan semula daripada masalah kepada kod yang digunakan ejen pengekodan, bersama dimensi dan perwakilan fleksibel. Outputnya ialah vektor pemerolehan semula, manakala diagnosis, penyuntingan dan pengesahan kekal tugas berasingan yang berasaskan repositori sebenar.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "674040a7a791d625a3e2fed733203e207f116d12ea7e27757ac34566ece74f2e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-code-4

VoyageAI by MongoDB /voyageai/voyage-code-4

Pengenalan

Voyage AI voyage-code-4 ialah model embedding kod untuk mencari sumber relevan daripada soalan, penerangan masalah dan matlamat ejen pengekodan. Ia menyokong input 32,000 token dan 256, 512, 1024 atau 2048 dimensi, dengan perwakilan titik terapung dan terkuantum.

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-code-4 ialah model embedding khusus kod Voyage AI untuk carian repositori dan pemerolehan semula ejen pengekodan. Ia direka untuk membantu mencari sumber relevan apabila titik mula ialah soalan, gejala atau penerangan tugas, bukannya pengecam yang diketahui. Ia mewakili kod dan maklumat teks sebagai vektor berangka untuk pemerolehan semula; ia tidak menyunting repositori atau menjana pembetulan.

Dapatkan kod berdasarkan masalah yang disiasat

Pembuat menerangkan korpus latihan yang dikurasi daripada pull request yang telah diselesaikan, menghubungkan pertanyaan bahasa semula jadi dengan kod. Ini perbezaan bermakna daripada contoh latihan yang dibina terutamanya berdasarkan fail sumber dan docstringnya: tugas pemerolehan semula boleh bermula dengan tingkah laku yang perlu disiasat.

Sediakan pertanyaan seperti “Cari tempat hasil kosong menyebabkan operasi yang berjaya dilaporkan sebagai kegagalan.” Indeks bahagian sumber yang boleh dibaca bersama laluan fail dan komen berkaitan. Simpan syarat sekeliling fungsi apabila ia menerangkan tingkah lakunya. Calon yang dikembalikan patut membawa pembaca atau ejen kembali kepada bahagian sumber yang diwakilinya.

Pemerolehan semula semantik boleh melengkapi carian pengecam tepat dan teks penuh. Jika nama fungsi sudah diketahui, carian tepat masih berguna. Jika hanya gejala diketahui, carian vektor boleh menyediakan calon untuk diperiksa dan diperhalus dengan pertanyaan lain.

Peranan query dan document

Panduan pemerolehan semula Voyage membezakan pertanyaan daripada dokumen korpus melalui jenis input query/document. Untuk carian kod, gunakan penerangan masalah atau tugas sebagai query dan sumber atau dokumentasi berindeks sebagai document. Kaedah yang diterbitkan menambah arahan pemerolehan semula khusus peranan ketika menghasilkan embedding.

Simpan pemformatan asal kod, nama dan dokumentasi berkaitan di luar vektor. Untuk bahagian sumber, simpan laluan fail dan lokasinya; untuk panduan pengaturcaraan, simpan tajuknya. Selepas pemerolehan semula, periksa kod sebenar dan bahagian yang memanggilnya sebelum memilih suntingan. Kerelevanan calon tidak membuktikan bahawa ia satu-satunya punca masalah yang dilaporkan.

Pilihan konteks dan perwakilan

Panjang konteks model tepat yang diterbitkan ialah 32,000 token. Embedding lalainya mempunyai 1024 dimensi, dengan 256, 512 dan 2048 dimensi turut disokong melalui pembelajaran Matryoshka. Pengumuman mendokumenkan perwakilan titik terapung 32 bit, integer 8 bit bertanda dan tanpa tanda serta binari.

Pilih satu dimensi dan perwakilan untuk koleksi dan simpan bersama metadatanya. Vektor titik terapung dan perwakilan terkuantum memerlukan pengendalian penyimpanan serta perbandingan yang sepadan. Perwakilan binari mengekod maklumat vektor secara berbeza daripada senarai koordinat titik terapung biasa; kekalkan perbezaan itu ketika menyediakan hasil untuk carian.

Untuk fail panjang, pilih bahagian koheren dengan lokasi sumber yang dapat dijejaki semula. Fungsi mungkin memerlukan takrif jenis atau komen bersebelahan untuk menjelaskan syarat, manakala seluruh fail terlalu besar mungkin mengandungi bahan tidak berkaitan. Selaraskan bahagian dengan tugas yang akan dicari, bukannya menganggap konteks maksimum sebagai saiz segmen yang disyorkan.

Gunakan sumber yang diperoleh semula sebagai bukti

Aliran kerja ejen pengekodan praktikal mendapatkan sumber calon, membaca fail itu, mengikuti rujukan berkaitan dan mengecilkan skop carian sepanjang penyiasatan. Teks yang diperoleh semula menjadi konteks untuk peringkat penaakulan atau penyuntingan. Kekalkan perkaitannya dengan revisi repositori berindeks supaya calon diperiksa berdasarkan sumber yang betul.

Sumbangan khusus edisi voyage-code-4 ialah tumpuan pada langkah pemerolehan semula daripada masalah kepada kod yang digunakan ejen pengekodan, bersama dimensi dan perwakilan fleksibel. Outputnya ialah vektor pemerolehan semula, manakala diagnosis, penyuntingan dan pengesahan kekal tugas berasingan yang berasaskan repositori sebenar.

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-code-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 $0.00024 / 1K token
Output · Token output $0 / 1K token
Input · Bacaan cache — / 1K token
Input · Penulisan cache — / 1K token
Input · Penulisan cache, 1 jam — / 1K token

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

Contoh permintaan

Ailoot Ultra · Pembenaman

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "voyageai/voyage-code-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-code-4

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

voyageai/voyage-code-4

", "method_identity": { "effective_request_model_id": "voyageai/voyage-code-4", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-code-4", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-code-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-code-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": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"voyageai/voyage-code-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-code-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": 0.24, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mod pantas", "value": "Kadar standard", "when": "Apabila mod pantas dipilih" }, { "label": "Mod flex", "value": "Kadar standard", "when": "Apabila mod flex dipilih" }, { "label": "Usaha penaakulan maksimum", "value": "Kadar standard", "when": "Apabila usaha penaakulan maksimum menggunakan pelarasan default" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "voyageai/voyage-code-4", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "voyageai/voyage-code-4", "nativeProvenance": { "input_facts_canonical_sha256": "074a4c4b9f4ae019f538df56de75cd27f59d906f2f5626d1f71ef8027e8a698f", "input_html_sha256": "a6d497445b2e39853445e4e1a82423818ae375910285be1fd8a0c9bfc399a39c", "private_audit_sha256": "90fb57f2683ecef28bcbb14734fb9615c50ba15ca825519a78fe18261190e51e", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/voyageai-voyage-code-4/", "description": "Voyage AI voyage-code-4 ialah model embedding kod untuk mencari sumber relevan daripada soalan, penerangan masalah dan matlamat ejen pengekodan. Ia menyokong input 32,000 token dan 256, 512, 1024 atau 2048 dimensi, dengan perwakilan titik terapung dan terkuantum.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/voyageai-voyage-code-4/index.md", "title": "VoyageAI by MongoDB: voyage-code-4 — Ailoot", "url": "https://ailoot.ai/models/ms/voyageai-voyage-code-4/" }, "rawModel": { "about": "voyage-code-4 ialah model embedding khusus kod Voyage AI untuk carian repositori dan pemerolehan semula ejen pengekodan. Ia direka untuk membantu mencari sumber relevan apabila titik mula ialah soalan, gejala atau penerangan tugas, bukannya pengecam yang diketahui. Ia mewakili kod dan maklumat teks sebagai vektor berangka untuk pemerolehan semula; ia tidak menyunting repositori atau menjana pembetulan.\n\n### Dapatkan kod berdasarkan masalah yang disiasat\n\nPembuat menerangkan korpus latihan yang dikurasi daripada pull request yang telah diselesaikan, menghubungkan pertanyaan bahasa semula jadi dengan kod. Ini perbezaan bermakna daripada contoh latihan yang dibina terutamanya berdasarkan fail sumber dan docstringnya: tugas pemerolehan semula boleh bermula dengan tingkah laku yang perlu disiasat.\n\nSediakan pertanyaan seperti “Cari tempat hasil kosong menyebabkan operasi yang berjaya dilaporkan sebagai kegagalan.” Indeks bahagian sumber yang boleh dibaca bersama laluan fail dan komen berkaitan. Simpan syarat sekeliling fungsi apabila ia menerangkan tingkah lakunya. Calon yang dikembalikan patut membawa pembaca atau ejen kembali kepada bahagian sumber yang diwakilinya.\n\nPemerolehan semula semantik boleh melengkapi carian pengecam tepat dan teks penuh. Jika nama fungsi sudah diketahui, carian tepat masih berguna. Jika hanya gejala diketahui, carian vektor boleh menyediakan calon untuk diperiksa dan diperhalus dengan pertanyaan lain.\n\n### Peranan query dan document\n\nPanduan pemerolehan semula Voyage membezakan pertanyaan daripada dokumen korpus melalui jenis input query/document. Untuk carian kod, gunakan penerangan masalah atau tugas sebagai query dan sumber atau dokumentasi berindeks sebagai document. Kaedah yang diterbitkan menambah arahan pemerolehan semula khusus peranan ketika menghasilkan embedding.\n\nSimpan pemformatan asal kod, nama dan dokumentasi berkaitan di luar vektor. Untuk bahagian sumber, simpan laluan fail dan lokasinya; untuk panduan pengaturcaraan, simpan tajuknya. Selepas pemerolehan semula, periksa kod sebenar dan bahagian yang memanggilnya sebelum memilih suntingan. Kerelevanan calon tidak membuktikan bahawa ia satu-satunya punca masalah yang dilaporkan.\n\n### Pilihan konteks dan perwakilan\n\nPanjang konteks model tepat yang diterbitkan ialah 32,000 token. Embedding lalainya mempunyai 1024 dimensi, dengan 256, 512 dan 2048 dimensi turut disokong melalui pembelajaran Matryoshka. Pengumuman mendokumenkan perwakilan titik terapung 32 bit, integer 8 bit bertanda dan tanpa tanda serta binari.\n\nPilih satu dimensi dan perwakilan untuk koleksi dan simpan bersama metadatanya. Vektor titik terapung dan perwakilan terkuantum memerlukan pengendalian penyimpanan serta perbandingan yang sepadan. Perwakilan binari mengekod maklumat vektor secara berbeza daripada senarai koordinat titik terapung biasa; kekalkan perbezaan itu ketika menyediakan hasil untuk carian.\n\nUntuk fail panjang, pilih bahagian koheren dengan lokasi sumber yang dapat dijejaki semula. Fungsi mungkin memerlukan takrif jenis atau komen bersebelahan untuk menjelaskan syarat, manakala seluruh fail terlalu besar mungkin mengandungi bahan tidak berkaitan. Selaraskan bahagian dengan tugas yang akan dicari, bukannya menganggap konteks maksimum sebagai saiz segmen yang disyorkan.\n\n### Gunakan sumber yang diperoleh semula sebagai bukti\n\nAliran kerja ejen pengekodan praktikal mendapatkan sumber calon, membaca fail itu, mengikuti rujukan berkaitan dan mengecilkan skop carian sepanjang penyiasatan. Teks yang diperoleh semula menjadi konteks untuk peringkat penaakulan atau penyuntingan. Kekalkan perkaitannya dengan revisi repositori berindeks supaya calon diperiksa berdasarkan sumber yang betul.\n\nSumbangan khusus edisi voyage-code-4 ialah tumpuan pada langkah pemerolehan semula daripada masalah kepada kod yang digunakan ejen pengekodan, bersama dimensi dan perwakilan fleksibel. Outputnya ialah vektor pemerolehan semula, manakala diagnosis, penyuntingan dan pengesahan kekal tugas berasingan yang berasaskan repositori sebenar.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-code-4", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "ctx": 32000, "entity_type": "model", "formats": [ "embeddings" ], "id": "voyageai/voyage-code-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-code-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": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"voyageai/voyage-code-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-code-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": 0.24, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mod pantas", "value": "Kadar standard", "when": "Apabila mod pantas dipilih" }, { "label": "Mod flex", "value": "Kadar standard", "when": "Apabila mod flex dipilih" }, { "label": "Usaha penaakulan maksimum", "value": "Kadar standard", "when": "Apabila usaha penaakulan maksimum menggunakan pelarasan default" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "voyageai/voyage-code-4", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "voyageai/voyage-code-4", "request_model_id": "voyageai/voyage-code-4", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-code-4", "price": { "in": 0.24, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.24, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "public_id": "voyageai/voyage-code-4", "short": "Voyage AI voyage-code-4 ialah model embedding kod untuk mencari sumber relevan daripada soalan, penerangan masalah dan matlamat ejen pengekodan. Ia menyokong input 32,000 token dan 256, 512, 1024 atau 2048 dimensi, dengan perwakilan titik terapung dan terkuantum." }, "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-code-4 ialah model embedding kod untuk mencari sumber relevan daripada soalan, penerangan masalah dan matlamat ejen pengekodan. Ia menyokong input 32,000 token dan 256, 512, 1024 atau 2048 dimensi, dengan perwakilan titik terapung dan terkuantum.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "a3c6171a2e90f6b4cdfb9137fc126be31561ffb7ddfaedf79b2a3cffcea700ae", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "f2e78254370e578074deda06622f4a14215c9dbcf5f539e5c07c2d54bc3f0c8e" }