{ "aboutHtml": "

voyage-multimodal-3.5 ialah model embedding Voyage AI untuk pemerolehan semula merentas teks, imej dan video. Ia memproses teks dan kandungan visual berselang-seli melalui satu pengekod transformer, lalu mewakili input multimodal lengkap dalam ruang vektor bersama. Edisi 3.5 menambah sokongan bingkai video secara jelas dan dimensi embedding fleksibel.

Kekalkan hubungan antara teks dan visual

Sediakan halaman atau bahagian dokumen dalam bentuk yang mengekalkan maklumat visual bergunanya. Slaid yang mengandungi carta dan penjelasan pendek boleh diwakili dengan imej slaid serta teks iringan dalam input bertertib yang sama. Untuk koleksi berasaskan PDF, input visual yang didokumenkan ialah tangkapan skrin halaman atau perwakilan imej lain bagi dokumen.

Untuk carta laporan, simpan tajuk, label paksi dan petunjuk dalam imej. Lampirkan teks penjelasan apabila ia membekalkan konteks yang diperlukan untuk mentafsir visual. Simpan nombor halaman dan pengecam sumber di sisi vektor hasil supaya calon yang diperoleh semula dapat membuka halaman relevan, bukannya sekadar mengembalikan nama dokumen.

Format input pembuat menyokong jujukan teks, imej dan video. Format imej yang diterbitkan ialah PNG, JPEG, WebP dan GIF, dengan MP4 untuk video. Kandungan visual boleh diwakili melalui URL atau data Base64 dalam kaedah yang didokumenkan; gunakan satu gaya perwakilan secara konsisten dalam satu permintaan.

Dapatkan adegan, bukannya seluruh video panjang

Model mewakili video sebagai jujukan bingkai bertertib. Pembuat mengesyorkan pembahagian video panjang kepada adegan berkaitan, menyelaraskan sempadan adegan dengan cap masa transkrip yang tersedia dan mengekalkan teks transkrip yang sepadan. Resolusi lebih rendah atau kadar bingkai dikurangkan boleh membantu adegan yang berterusan secara semantik muat dalam peruntukan konteksnya.

Untuk koleksi video latihan, pertanyaan mungkin meminta adegan yang menunjukkan pelarasan kawalan tertentu. Kaitkan setiap adegan berindeks dengan julat masanya. Kembalikan adegan sepadan dan periksa bingkai atau klip asal untuk tindakan sebenar, bukannya menganggap vektor yang diperoleh semula sebagai penerangan bertulis tentang segala-galanya dalam rakaman.

Teks transkrip boleh menyumbang apabila disediakan sebagai sebahagian daripada input multimodal. Embedding bingkai video sendiri tidak membekalkan transkrip pertuturan.

Had konteks dan penyediaan

Panjang konteks yang dinyatakan ialah 32,000 token bagi setiap input. Voyage mengira setiap 560 piksel imej dan setiap 1120 piksel video sebagai satu token dalam pengiraan yang diterbitkan, maka kandungan visual berkongsi peruntukan itu dengan teks. Had yang didokumenkan turut merangkumi 16 juta piksel dan 20 MB bagi setiap imej, serta 20 MB bagi setiap video. Senarai mengandungi paling banyak 1000 input dan 320,000 token gabungan.

Tetapan pemotongan lalai memotong input terlalu panjang; jika sempadan itu jatuh dalam imej, seluruh imej dibuang. Oleh itu, penyediaan halaman atau adegan lengkap dalam peruntukan mengekalkan kandungan input yang lebih boleh dijangka. Tetapan alternatif yang didokumenkan menolak input terlalu panjang, bukannya memotongnya.

Dimensi vektor dan peranan pemerolehan semula

Dimensi output lalai ialah 1024, dengan 256, 512 dan 2048 dimensi turut didokumenkan bagi edisi ini. Pengumuman menerangkan embedding Matryoshka serta perwakilan titik terapung, 8 bit bertanda atau tanpa tanda dan binari. Simpan dimensi serta perwakilan terpilih bersama indeks.

Kaedah pemerolehan semula Voyage membezakan input query dan document. Pertanyaan boleh berupa teks atau imej, dan dokumen berindeks boleh menggabungkan teks serta visual. Satu vektor mewakili setiap jujukan input lengkap; simpan perkaitannya dengan halaman sumber, imej atau adegan supaya hasil berperingkat kekal boleh diperiksa.

Gunakan sumber visual yang dikembalikan

Peringkat pemerolehan semula boleh mencari halaman laporan, jadual, slaid atau adegan yang relevan kepada pertanyaan. Peringkat penulisan jawapan atau analisis kemudian membaca bahan sumber itu. Untuk jadual, periksa pengepala dan nilai sebenar sebelum menggunakan hasil; untuk adegan, periksa bingkai relevan dan teks berkaitan.

Perbezaan substantif daripada voyage-multimodal-3 ialah sokongan video yang jelas dan pilihan perwakilan tambahan edisi 3.5. Ini keupayaan embedding untuk mencari bahan sumber, dengan vektor berangka sebagai output, bukannya imej, video atau jawapan naratif terjana.

", "aboutText": "voyage-multimodal-3.5 ialah model embedding Voyage AI untuk pemerolehan semula merentas teks, imej dan video. Ia memproses teks dan kandungan visual berselang-seli melalui satu pengekod transformer, lalu mewakili input multimodal lengkap dalam ruang vektor bersama. Edisi 3.5 menambah sokongan bingkai video secara jelas dan dimensi embedding fleksibel.\n\n### Kekalkan hubungan antara teks dan visual\n\nSediakan halaman atau bahagian dokumen dalam bentuk yang mengekalkan maklumat visual bergunanya. Slaid yang mengandungi carta dan penjelasan pendek boleh diwakili dengan imej slaid serta teks iringan dalam input bertertib yang sama. Untuk koleksi berasaskan PDF, input visual yang didokumenkan ialah tangkapan skrin halaman atau perwakilan imej lain bagi dokumen.\n\nUntuk carta laporan, simpan tajuk, label paksi dan petunjuk dalam imej. Lampirkan teks penjelasan apabila ia membekalkan konteks yang diperlukan untuk mentafsir visual. Simpan nombor halaman dan pengecam sumber di sisi vektor hasil supaya calon yang diperoleh semula dapat membuka halaman relevan, bukannya sekadar mengembalikan nama dokumen.\n\nFormat input pembuat menyokong jujukan teks, imej dan video. Format imej yang diterbitkan ialah PNG, JPEG, WebP dan GIF, dengan MP4 untuk video. Kandungan visual boleh diwakili melalui URL atau data Base64 dalam kaedah yang didokumenkan; gunakan satu gaya perwakilan secara konsisten dalam satu permintaan.\n\n### Dapatkan adegan, bukannya seluruh video panjang\n\nModel mewakili video sebagai jujukan bingkai bertertib. Pembuat mengesyorkan pembahagian video panjang kepada adegan berkaitan, menyelaraskan sempadan adegan dengan cap masa transkrip yang tersedia dan mengekalkan teks transkrip yang sepadan. Resolusi lebih rendah atau kadar bingkai dikurangkan boleh membantu adegan yang berterusan secara semantik muat dalam peruntukan konteksnya.\n\nUntuk koleksi video latihan, pertanyaan mungkin meminta adegan yang menunjukkan pelarasan kawalan tertentu. Kaitkan setiap adegan berindeks dengan julat masanya. Kembalikan adegan sepadan dan periksa bingkai atau klip asal untuk tindakan sebenar, bukannya menganggap vektor yang diperoleh semula sebagai penerangan bertulis tentang segala-galanya dalam rakaman.\n\nTeks transkrip boleh menyumbang apabila disediakan sebagai sebahagian daripada input multimodal. Embedding bingkai video sendiri tidak membekalkan transkrip pertuturan.\n\n### Had konteks dan penyediaan\n\nPanjang konteks yang dinyatakan ialah 32,000 token bagi setiap input. Voyage mengira setiap 560 piksel imej dan setiap 1120 piksel video sebagai satu token dalam pengiraan yang diterbitkan, maka kandungan visual berkongsi peruntukan itu dengan teks. Had yang didokumenkan turut merangkumi 16 juta piksel dan 20 MB bagi setiap imej, serta 20 MB bagi setiap video. Senarai mengandungi paling banyak 1000 input dan 320,000 token gabungan.\n\nTetapan pemotongan lalai memotong input terlalu panjang; jika sempadan itu jatuh dalam imej, seluruh imej dibuang. Oleh itu, penyediaan halaman atau adegan lengkap dalam peruntukan mengekalkan kandungan input yang lebih boleh dijangka. Tetapan alternatif yang didokumenkan menolak input terlalu panjang, bukannya memotongnya.\n\n### Dimensi vektor dan peranan pemerolehan semula\n\nDimensi output lalai ialah 1024, dengan 256, 512 dan 2048 dimensi turut didokumenkan bagi edisi ini. Pengumuman menerangkan embedding Matryoshka serta perwakilan titik terapung, 8 bit bertanda atau tanpa tanda dan binari. Simpan dimensi serta perwakilan terpilih bersama indeks.\n\nKaedah pemerolehan semula Voyage membezakan input query dan document. Pertanyaan boleh berupa teks atau imej, dan dokumen berindeks boleh menggabungkan teks serta visual. Satu vektor mewakili setiap jujukan input lengkap; simpan perkaitannya dengan halaman sumber, imej atau adegan supaya hasil berperingkat kekal boleh diperiksa.\n\n### Gunakan sumber visual yang dikembalikan\n\nPeringkat pemerolehan semula boleh mencari halaman laporan, jadual, slaid atau adegan yang relevan kepada pertanyaan. Peringkat penulisan jawapan atau analisis kemudian membaca bahan sumber itu. Untuk jadual, periksa pengepala dan nilai sebenar sebelum menggunakan hasil; untuk adegan, periksa bingkai relevan dan teks berkaitan.\n\nPerbezaan substantif daripada voyage-multimodal-3 ialah sokongan video yang jelas dan pilihan perwakilan tambahan edisi 3.5. Ini keupayaan embedding untuk mencari bahan sumber, dengan vektor berangka sebagai output, bukannya imej, video atau jawapan naratif terjana.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c50b728e3f5503d54195516cc713e92d16bba1b82337a186f205d6c8dee7661b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-multimodal-3.5

VoyageAI by MongoDB /voyageai/voyage-multimodal-3.5

Pengenalan

Voyage AI voyage-multimodal-3.5 menghasilkan embedding teks, imej dan bingkai video dalam ruang pemerolehan semula bersama. Ia mengendalikan kandungan berselang-seli seperti tangkapan skrin dokumen, jadual dan adegan, dengan input 32,000 token dan perwakilan lalai 1024 dimensi.

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-multimodal-3.5 ialah model embedding Voyage AI untuk pemerolehan semula merentas teks, imej dan video. Ia memproses teks dan kandungan visual berselang-seli melalui satu pengekod transformer, lalu mewakili input multimodal lengkap dalam ruang vektor bersama. Edisi 3.5 menambah sokongan bingkai video secara jelas dan dimensi embedding fleksibel.

Kekalkan hubungan antara teks dan visual

Sediakan halaman atau bahagian dokumen dalam bentuk yang mengekalkan maklumat visual bergunanya. Slaid yang mengandungi carta dan penjelasan pendek boleh diwakili dengan imej slaid serta teks iringan dalam input bertertib yang sama. Untuk koleksi berasaskan PDF, input visual yang didokumenkan ialah tangkapan skrin halaman atau perwakilan imej lain bagi dokumen.

Untuk carta laporan, simpan tajuk, label paksi dan petunjuk dalam imej. Lampirkan teks penjelasan apabila ia membekalkan konteks yang diperlukan untuk mentafsir visual. Simpan nombor halaman dan pengecam sumber di sisi vektor hasil supaya calon yang diperoleh semula dapat membuka halaman relevan, bukannya sekadar mengembalikan nama dokumen.

Format input pembuat menyokong jujukan teks, imej dan video. Format imej yang diterbitkan ialah PNG, JPEG, WebP dan GIF, dengan MP4 untuk video. Kandungan visual boleh diwakili melalui URL atau data Base64 dalam kaedah yang didokumenkan; gunakan satu gaya perwakilan secara konsisten dalam satu permintaan.

Dapatkan adegan, bukannya seluruh video panjang

Model mewakili video sebagai jujukan bingkai bertertib. Pembuat mengesyorkan pembahagian video panjang kepada adegan berkaitan, menyelaraskan sempadan adegan dengan cap masa transkrip yang tersedia dan mengekalkan teks transkrip yang sepadan. Resolusi lebih rendah atau kadar bingkai dikurangkan boleh membantu adegan yang berterusan secara semantik muat dalam peruntukan konteksnya.

Untuk koleksi video latihan, pertanyaan mungkin meminta adegan yang menunjukkan pelarasan kawalan tertentu. Kaitkan setiap adegan berindeks dengan julat masanya. Kembalikan adegan sepadan dan periksa bingkai atau klip asal untuk tindakan sebenar, bukannya menganggap vektor yang diperoleh semula sebagai penerangan bertulis tentang segala-galanya dalam rakaman.

Teks transkrip boleh menyumbang apabila disediakan sebagai sebahagian daripada input multimodal. Embedding bingkai video sendiri tidak membekalkan transkrip pertuturan.

Had konteks dan penyediaan

Panjang konteks yang dinyatakan ialah 32,000 token bagi setiap input. Voyage mengira setiap 560 piksel imej dan setiap 1120 piksel video sebagai satu token dalam pengiraan yang diterbitkan, maka kandungan visual berkongsi peruntukan itu dengan teks. Had yang didokumenkan turut merangkumi 16 juta piksel dan 20 MB bagi setiap imej, serta 20 MB bagi setiap video. Senarai mengandungi paling banyak 1000 input dan 320,000 token gabungan.

Tetapan pemotongan lalai memotong input terlalu panjang; jika sempadan itu jatuh dalam imej, seluruh imej dibuang. Oleh itu, penyediaan halaman atau adegan lengkap dalam peruntukan mengekalkan kandungan input yang lebih boleh dijangka. Tetapan alternatif yang didokumenkan menolak input terlalu panjang, bukannya memotongnya.

Dimensi vektor dan peranan pemerolehan semula

Dimensi output lalai ialah 1024, dengan 256, 512 dan 2048 dimensi turut didokumenkan bagi edisi ini. Pengumuman menerangkan embedding Matryoshka serta perwakilan titik terapung, 8 bit bertanda atau tanpa tanda dan binari. Simpan dimensi serta perwakilan terpilih bersama indeks.

Kaedah pemerolehan semula Voyage membezakan input query dan document. Pertanyaan boleh berupa teks atau imej, dan dokumen berindeks boleh menggabungkan teks serta visual. Satu vektor mewakili setiap jujukan input lengkap; simpan perkaitannya dengan halaman sumber, imej atau adegan supaya hasil berperingkat kekal boleh diperiksa.

Gunakan sumber visual yang dikembalikan

Peringkat pemerolehan semula boleh mencari halaman laporan, jadual, slaid atau adegan yang relevan kepada pertanyaan. Peringkat penulisan jawapan atau analisis kemudian membaca bahan sumber itu. Untuk jadual, periksa pengepala dan nilai sebenar sebelum menggunakan hasil; untuk adegan, periksa bingkai relevan dan teks berkaitan.

Perbezaan substantif daripada voyage-multimodal-3 ialah sokongan video yang jelas dan pilihan perwakilan tambahan edisi 3.5. Ini keupayaan embedding untuk mencari bahan sumber, dengan vektor berangka sebagai output, bukannya imej, video atau jawapan naratif terjana.

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-multimodal-3.5
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-multimodal-3.5", "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-multimodal-3.5

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

voyageai/voyage-multimodal-3.5

", "method_identity": { "effective_request_model_id": "voyageai/voyage-multimodal-3.5", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-multimodal-3.5", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-multimodal-3.5", "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-multimodal-3.5" ], "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-multimodal-3.5\", \"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-multimodal-3.5',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-multimodal-3.5", "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-multimodal-3.5", "nativeProvenance": { "input_facts_canonical_sha256": "26c0388f7326cfa089658a27e3818c37059d03b3d3fbdb43073d5b5de44730b3", "input_html_sha256": "fa62b788f6ebaae9bb2505167a9eb08daf1f66c9664ce96b47919d30fff901f6", "private_audit_sha256": "b4687162c1afc12ed1c9ef47ea7efe731f3f7f06fb5a8893a5b6659369492966", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/voyageai-voyage-multimodal-3-5/", "description": "Voyage AI voyage-multimodal-3.5 menghasilkan embedding teks, imej dan bingkai video dalam ruang pemerolehan semula bersama. Ia mengendalikan kandungan berselang-seli seperti tangkapan skrin dokumen, jadual dan adegan, dengan input 32,000 token dan perwakilan lalai 1024 dimensi.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/voyageai-voyage-multimodal-3-5/index.md", "title": "VoyageAI by MongoDB: voyage-multimodal-3.5 — Ailoot", "url": "https://ailoot.ai/models/ms/voyageai-voyage-multimodal-3-5/" }, "rawModel": { "about": "voyage-multimodal-3.5 ialah model embedding Voyage AI untuk pemerolehan semula merentas teks, imej dan video. Ia memproses teks dan kandungan visual berselang-seli melalui satu pengekod transformer, lalu mewakili input multimodal lengkap dalam ruang vektor bersama. Edisi 3.5 menambah sokongan bingkai video secara jelas dan dimensi embedding fleksibel.\n\n### Kekalkan hubungan antara teks dan visual\n\nSediakan halaman atau bahagian dokumen dalam bentuk yang mengekalkan maklumat visual bergunanya. Slaid yang mengandungi carta dan penjelasan pendek boleh diwakili dengan imej slaid serta teks iringan dalam input bertertib yang sama. Untuk koleksi berasaskan PDF, input visual yang didokumenkan ialah tangkapan skrin halaman atau perwakilan imej lain bagi dokumen.\n\nUntuk carta laporan, simpan tajuk, label paksi dan petunjuk dalam imej. Lampirkan teks penjelasan apabila ia membekalkan konteks yang diperlukan untuk mentafsir visual. Simpan nombor halaman dan pengecam sumber di sisi vektor hasil supaya calon yang diperoleh semula dapat membuka halaman relevan, bukannya sekadar mengembalikan nama dokumen.\n\nFormat input pembuat menyokong jujukan teks, imej dan video. Format imej yang diterbitkan ialah PNG, JPEG, WebP dan GIF, dengan MP4 untuk video. Kandungan visual boleh diwakili melalui URL atau data Base64 dalam kaedah yang didokumenkan; gunakan satu gaya perwakilan secara konsisten dalam satu permintaan.\n\n### Dapatkan adegan, bukannya seluruh video panjang\n\nModel mewakili video sebagai jujukan bingkai bertertib. Pembuat mengesyorkan pembahagian video panjang kepada adegan berkaitan, menyelaraskan sempadan adegan dengan cap masa transkrip yang tersedia dan mengekalkan teks transkrip yang sepadan. Resolusi lebih rendah atau kadar bingkai dikurangkan boleh membantu adegan yang berterusan secara semantik muat dalam peruntukan konteksnya.\n\nUntuk koleksi video latihan, pertanyaan mungkin meminta adegan yang menunjukkan pelarasan kawalan tertentu. Kaitkan setiap adegan berindeks dengan julat masanya. Kembalikan adegan sepadan dan periksa bingkai atau klip asal untuk tindakan sebenar, bukannya menganggap vektor yang diperoleh semula sebagai penerangan bertulis tentang segala-galanya dalam rakaman.\n\nTeks transkrip boleh menyumbang apabila disediakan sebagai sebahagian daripada input multimodal. Embedding bingkai video sendiri tidak membekalkan transkrip pertuturan.\n\n### Had konteks dan penyediaan\n\nPanjang konteks yang dinyatakan ialah 32,000 token bagi setiap input. Voyage mengira setiap 560 piksel imej dan setiap 1120 piksel video sebagai satu token dalam pengiraan yang diterbitkan, maka kandungan visual berkongsi peruntukan itu dengan teks. Had yang didokumenkan turut merangkumi 16 juta piksel dan 20 MB bagi setiap imej, serta 20 MB bagi setiap video. Senarai mengandungi paling banyak 1000 input dan 320,000 token gabungan.\n\nTetapan pemotongan lalai memotong input terlalu panjang; jika sempadan itu jatuh dalam imej, seluruh imej dibuang. Oleh itu, penyediaan halaman atau adegan lengkap dalam peruntukan mengekalkan kandungan input yang lebih boleh dijangka. Tetapan alternatif yang didokumenkan menolak input terlalu panjang, bukannya memotongnya.\n\n### Dimensi vektor dan peranan pemerolehan semula\n\nDimensi output lalai ialah 1024, dengan 256, 512 dan 2048 dimensi turut didokumenkan bagi edisi ini. Pengumuman menerangkan embedding Matryoshka serta perwakilan titik terapung, 8 bit bertanda atau tanpa tanda dan binari. Simpan dimensi serta perwakilan terpilih bersama indeks.\n\nKaedah pemerolehan semula Voyage membezakan input query dan document. Pertanyaan boleh berupa teks atau imej, dan dokumen berindeks boleh menggabungkan teks serta visual. Satu vektor mewakili setiap jujukan input lengkap; simpan perkaitannya dengan halaman sumber, imej atau adegan supaya hasil berperingkat kekal boleh diperiksa.\n\n### Gunakan sumber visual yang dikembalikan\n\nPeringkat pemerolehan semula boleh mencari halaman laporan, jadual, slaid atau adegan yang relevan kepada pertanyaan. Peringkat penulisan jawapan atau analisis kemudian membaca bahan sumber itu. Untuk jadual, periksa pengepala dan nilai sebenar sebelum menggunakan hasil; untuk adegan, periksa bingkai relevan dan teks berkaitan.\n\nPerbezaan substantif daripada voyage-multimodal-3 ialah sokongan video yang jelas dan pilihan perwakilan tambahan edisi 3.5. Ini keupayaan embedding untuk mencari bahan sumber, dengan vektor berangka sebagai output, bukannya imej, video atau jawapan naratif terjana.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-multimodal-3.5", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text", "image" ], "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-multimodal-3.5", "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-multimodal-3.5" ], "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-multimodal-3.5\", \"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-multimodal-3.5',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-multimodal-3.5", "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-multimodal-3.5", "request_model_id": "voyageai/voyage-multimodal-3.5", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-multimodal-3.5", "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-multimodal-3.5", "short": "Voyage AI voyage-multimodal-3.5 menghasilkan embedding teks, imej dan bingkai video dalam ruang pemerolehan semula bersama. Ia mengendalikan kandungan berselang-seli seperti tangkapan skrin dokumen, jadual dan adegan, dengan input 32,000 token dan perwakilan lalai 1024 dimensi." }, "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-multimodal-3.5 menghasilkan embedding teks, imej dan bingkai video dalam ruang pemerolehan semula bersama. Ia mengendalikan kandungan berselang-seli seperti tangkapan skrin dokumen, jadual dan adegan, dengan input 32,000 token dan perwakilan lalai 1024 dimensi.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "974ff71637341b953f83b7ca84303e32c0ca220ba6c63befdbee440f5edbb534", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "561028983a159599d61c2a4e99fa5adc753c67053d9f7eca1d6dc914fe93b421" }