{
  "aboutHtml": "<p>Voyage 3 Large to model embeddingów tekstowych do znajdowania istotnych informacji w zbiorze dokumentów. Przedstawia każdy dostarczony tekst jako wektor liczbowy, pozwalając aplikacji porównywać zapytanie z fragmentami, które mogą używać innych sformułowań, lecz mają powiązane znaczenie. Voyage AI pozycjonuje tę edycję do wyszukiwania ogólnego zastosowania i wielojęzycznego, obejmującego materiały takie jak dokumentacja techniczna, rozmowy i długie dokumenty.</p><p>Zbuduj przeszukiwany zbiór z informacji, które ludzie rzeczywiście potrzebują odnaleźć. W bazie wiedzy o produkcie zachowaj objaśnienie funkcji wraz z jej warunkami wstępnymi i istotnymi wyjątkami. W zapisach spotkań zachowaj oznaczenia mówców i wystarczająco dużo otaczającej dyskusji, aby temat był zrozumiały. Dziel obszerne źródło w użytecznych miejscach i zachowuj tytuł źródła, identyfikator dokumentu oraz położenie fragmentu przy każdym wektorze.</p><p>Przygotuj pytanie wyszukiwania jako zapytanie, a indeksowany materiał jako dokumenty. W procesie embeddingów tekstowych producenta typ wejścia określa rolę tekstu w wyszukiwaniu. Zapytanie takie jak „Jak członek może odzyskać dostęp po utracie klucza bezpieczeństwa?” można następnie porównać z fragmentami materiałów wsparcia opisującymi procedurę odzyskiwania, nawet jeśli używają innych sformułowań. Zachowaj dostęp do oryginalnego fragmentu, aby wynik wyszukiwania mógł pokazać dowody stojące za dopasowaniem.</p><p>Model ma okno kontekstu 32 000 tokenów. Długie wejście pozwala zachować kompletną sekcję, ale cały dokument nie zawsze jest najbardziej użyteczną jednostką wyszukiwania. Ogólny wektor może wskazać właściwy plik, pozostawiając czytelnikowi znalezienie dokładnej odpowiedzi. Dobieraj granice fragmentów do wyniku, który chcesz wyświetlić, i zachowuj nagłówki, zastrzeżenia oraz definicje przy treści, którą objaśniają.</p><p>Voyage 3 Large obsługuje wektory o 2 048, 1 024, 512 lub 256 wymiarach. Producent dokumentuje również reprezentacje zmiennoprzecinkowe, ośmiobitowe ze znakiem lub bez znaku oraz binarne. Te wybory pozwalają systemowi wyszukiwania porównać szczegółowość wektora z rozmiarem indeksu i zachowaniem wyszukiwania. Wybierz format obsługiwany przez docelowy magazyn wektorów, a następnie oceń go na rzeczywistym korpusie i reprezentatywnych pytaniach przed wyborem ustawień indeksu produkcyjnego.</p><p>Przy wyszukiwaniu wielojęzycznym uwzględnij pytania testowe w językach użytkowników i sprawdzaj wyszukane fragmenty źródłowe w ich oryginalnym języku. Wspólny interfejs wyszukiwania może obsługiwać kilka zbiorów językowych, a metadane dokumentów nadal wskazują język i wersję źródła. Podczas wyodrębniania zachowuj znaczące nazwy, skróty i terminy dziedzinowe, zamiast zastępować je ogólnym streszczeniem przed utworzeniem embeddingu.</p><p>Używaj wektorów do wyszukiwania kandydatów na fragmenty dla strony wyszukiwania, asystenta wiedzy lub etapu wyboru dokumentów. Zachowaj ten sam model i ustawienia wektorów dla indeksowanego zbioru i jego zapytań. Przy zastępowaniu modelu embeddingów lub zmianie liczby wymiarów świadomie przebuduj i porównaj odpowiedni indeks; sama długość wektora nie wskazuje sposobu jego powstania.</p><p>Oceniaj wynik przez przydatność wyszukiwania: czy pojawia się właściwy fragment, czy bliskie, lecz mylące fragmenty zajmują wyższe pozycje i czy wyświetlony wycinek zawiera odpowiedź. Zachowaj niewielki zestaw rzeczywistych pytań z oczekiwanymi źródłami, w tym niejednoznaczne sformułowania i niemal zduplikowane dokumenty. Embedding daje przeszukiwalną reprezentację; aplikacja zachowuje tekst źródłowy, uprawnienia i odnośniki potrzebne, aby zamienić dopasowanie w użyteczny wynik.</p>",
  "aboutText": "Voyage 3 Large to model embeddingów tekstowych do znajdowania istotnych informacji w zbiorze dokumentów. Przedstawia każdy dostarczony tekst jako wektor liczbowy, pozwalając aplikacji porównywać zapytanie z fragmentami, które mogą używać innych sformułowań, lecz mają powiązane znaczenie. Voyage AI pozycjonuje tę edycję do wyszukiwania ogólnego zastosowania i wielojęzycznego, obejmującego materiały takie jak dokumentacja techniczna, rozmowy i długie dokumenty.\n\nZbuduj przeszukiwany zbiór z informacji, które ludzie rzeczywiście potrzebują odnaleźć. W bazie wiedzy o produkcie zachowaj objaśnienie funkcji wraz z jej warunkami wstępnymi i istotnymi wyjątkami. W zapisach spotkań zachowaj oznaczenia mówców i wystarczająco dużo otaczającej dyskusji, aby temat był zrozumiały. Dziel obszerne źródło w użytecznych miejscach i zachowuj tytuł źródła, identyfikator dokumentu oraz położenie fragmentu przy każdym wektorze.\n\nPrzygotuj pytanie wyszukiwania jako zapytanie, a indeksowany materiał jako dokumenty. W procesie embeddingów tekstowych producenta typ wejścia określa rolę tekstu w wyszukiwaniu. Zapytanie takie jak „Jak członek może odzyskać dostęp po utracie klucza bezpieczeństwa?” można następnie porównać z fragmentami materiałów wsparcia opisującymi procedurę odzyskiwania, nawet jeśli używają innych sformułowań. Zachowaj dostęp do oryginalnego fragmentu, aby wynik wyszukiwania mógł pokazać dowody stojące za dopasowaniem.\n\nModel ma okno kontekstu 32 000 tokenów. Długie wejście pozwala zachować kompletną sekcję, ale cały dokument nie zawsze jest najbardziej użyteczną jednostką wyszukiwania. Ogólny wektor może wskazać właściwy plik, pozostawiając czytelnikowi znalezienie dokładnej odpowiedzi. Dobieraj granice fragmentów do wyniku, który chcesz wyświetlić, i zachowuj nagłówki, zastrzeżenia oraz definicje przy treści, którą objaśniają.\n\nVoyage 3 Large obsługuje wektory o 2 048, 1 024, 512 lub 256 wymiarach. Producent dokumentuje również reprezentacje zmiennoprzecinkowe, ośmiobitowe ze znakiem lub bez znaku oraz binarne. Te wybory pozwalają systemowi wyszukiwania porównać szczegółowość wektora z rozmiarem indeksu i zachowaniem wyszukiwania. Wybierz format obsługiwany przez docelowy magazyn wektorów, a następnie oceń go na rzeczywistym korpusie i reprezentatywnych pytaniach przed wyborem ustawień indeksu produkcyjnego.\n\nPrzy wyszukiwaniu wielojęzycznym uwzględnij pytania testowe w językach użytkowników i sprawdzaj wyszukane fragmenty źródłowe w ich oryginalnym języku. Wspólny interfejs wyszukiwania może obsługiwać kilka zbiorów językowych, a metadane dokumentów nadal wskazują język i wersję źródła. Podczas wyodrębniania zachowuj znaczące nazwy, skróty i terminy dziedzinowe, zamiast zastępować je ogólnym streszczeniem przed utworzeniem embeddingu.\n\nUżywaj wektorów do wyszukiwania kandydatów na fragmenty dla strony wyszukiwania, asystenta wiedzy lub etapu wyboru dokumentów. Zachowaj ten sam model i ustawienia wektorów dla indeksowanego zbioru i jego zapytań. Przy zastępowaniu modelu embeddingów lub zmianie liczby wymiarów świadomie przebuduj i porównaj odpowiedni indeks; sama długość wektora nie wskazuje sposobu jego powstania.\n\nOceniaj wynik przez przydatność wyszukiwania: czy pojawia się właściwy fragment, czy bliskie, lecz mylące fragmenty zajmują wyższe pozycje i czy wyświetlony wycinek zawiera odpowiedź. Zachowaj niewielki zestaw rzeczywistych pytań z oczekiwanymi źródłami, w tym niejednoznaczne sformułowania i niemal zduplikowane dokumenty. Embedding daje przeszukiwalną reprezentację; aplikacja zachowuje tekst źródłowy, uprawnienia i odnośniki potrzebne, aby zamienić dopasowanie w użyteczny wynik.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "e64552f66a7d1d5257b7f63c62a94575761d360159cf2f168ec626160fecce4e",
    "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06",
    "raw_model_unchanged": true,
    "schema": "ailoot-native-model-editorial-v1"
  },
  "locale": "pl",
  "methods": [
    {
      "html": "<div class=\"sheet-head\"><span class=\"mav\" aria-hidden=\"true\">•</span><h2 id=\"sheet-title\">Voyage AI: Voyage 3 Large</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Zamknij\">×</button></div><div class=\"idline\"><span>Voyage AI /</span><code>voyage-3-large</code><button type=\"button\" id=\"copy-id\">Kopiuj ID</button></div><nav class=\"card-jump-nav\" aria-label=\"Sekcje karty modelu\"><button type=\"button\" data-card-jump=\"overview\">Start</button><button type=\"button\" data-card-jump=\"methods\">Dane wejściowe i metody</button><button type=\"button\" data-card-jump=\"pricing\">Cennik</button><button type=\"button\" data-card-jump=\"examples\">Przykłady</button><button type=\"button\" data-card-jump=\"results\">Wyniki</button><button type=\"button\" data-card-jump=\"aliases\">Aliasy</button></nav><div class=\"card-method-tabs\" role=\"tablist\" aria-label=\"Metody API\"><button type=\"button\" role=\"tab\" tabindex=\"0\" aria-controls=\"card-method-content\" aria-selected=\"true\" id=\"card-method-tab-0\" data-card-method=\"Ultra|embeddings|/v1/embeddings|voyage-3-large\">Reprezentacje wektorowe</button></div><div id=\"card-method-content\" role=\"tabpanel\" aria-labelledby=\"card-method-tab-0\"><section class=\"card-section\" data-card-section=\"overview\"><h3 tabindex=\"-1\">Start</h3><p class=\"mdesc-full\">Voyage 3 Large przekształca tekst w wektory do wyszukiwania ogólnego zastosowania i wielojęzycznego. Okno wejściowe 32 000 tokenów, wybór liczby wymiarów wektora i formaty skwantowane wspierają przeszukiwalne bazy wiedzy, odnajdywanie dokumentów i generowanie wspomagane wyszukiwaniem.</p><dl class=\"card-io\" data-card-io><div><dt>Akceptowane dane wejściowe</dt><dd>Tekst</dd></div><div><dt>Wyniki</dt><dd>embedding</dd></div></dl><details class=\"card-about\"><summary>O modelu</summary><p class=\"note-s\" data-model-method-boundary>Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.</p><div class=\"mabout\" id=\"m-about\"><p>Voyage 3 Large to model embeddingów tekstowych do znajdowania istotnych informacji w zbiorze dokumentów. Przedstawia każdy dostarczony tekst jako wektor liczbowy, pozwalając aplikacji porównywać zapytanie z fragmentami, które mogą używać innych sformułowań, lecz mają powiązane znaczenie. Voyage AI pozycjonuje tę edycję do wyszukiwania ogólnego zastosowania i wielojęzycznego, obejmującego materiały takie jak dokumentacja techniczna, rozmowy i długie dokumenty.</p><p>Zbuduj przeszukiwany zbiór z informacji, które ludzie rzeczywiście potrzebują odnaleźć. W bazie wiedzy o produkcie zachowaj objaśnienie funkcji wraz z jej warunkami wstępnymi i istotnymi wyjątkami. W zapisach spotkań zachowaj oznaczenia mówców i wystarczająco dużo otaczającej dyskusji, aby temat był zrozumiały. Dziel obszerne źródło w użytecznych miejscach i zachowuj tytuł źródła, identyfikator dokumentu oraz położenie fragmentu przy każdym wektorze.</p><p>Przygotuj pytanie wyszukiwania jako zapytanie, a indeksowany materiał jako dokumenty. W procesie embeddingów tekstowych producenta typ wejścia określa rolę tekstu w wyszukiwaniu. Zapytanie takie jak „Jak członek może odzyskać dostęp po utracie klucza bezpieczeństwa?” można następnie porównać z fragmentami materiałów wsparcia opisującymi procedurę odzyskiwania, nawet jeśli używają innych sformułowań. Zachowaj dostęp do oryginalnego fragmentu, aby wynik wyszukiwania mógł pokazać dowody stojące za dopasowaniem.</p><p>Model ma okno kontekstu 32 000 tokenów. Długie wejście pozwala zachować kompletną sekcję, ale cały dokument nie zawsze jest najbardziej użyteczną jednostką wyszukiwania. Ogólny wektor może wskazać właściwy plik, pozostawiając czytelnikowi znalezienie dokładnej odpowiedzi. Dobieraj granice fragmentów do wyniku, który chcesz wyświetlić, i zachowuj nagłówki, zastrzeżenia oraz definicje przy treści, którą objaśniają.</p><p>Voyage 3 Large obsługuje wektory o 2 048, 1 024, 512 lub 256 wymiarach. Producent dokumentuje również reprezentacje zmiennoprzecinkowe, ośmiobitowe ze znakiem lub bez znaku oraz binarne. Te wybory pozwalają systemowi wyszukiwania porównać szczegółowość wektora z rozmiarem indeksu i zachowaniem wyszukiwania. Wybierz format obsługiwany przez docelowy magazyn wektorów, a następnie oceń go na rzeczywistym korpusie i reprezentatywnych pytaniach przed wyborem ustawień indeksu produkcyjnego.</p><p>Przy wyszukiwaniu wielojęzycznym uwzględnij pytania testowe w językach użytkowników i sprawdzaj wyszukane fragmenty źródłowe w ich oryginalnym języku. Wspólny interfejs wyszukiwania może obsługiwać kilka zbiorów językowych, a metadane dokumentów nadal wskazują język i wersję źródła. Podczas wyodrębniania zachowuj znaczące nazwy, skróty i terminy dziedzinowe, zamiast zastępować je ogólnym streszczeniem przed utworzeniem embeddingu.</p><p>Używaj wektorów do wyszukiwania kandydatów na fragmenty dla strony wyszukiwania, asystenta wiedzy lub etapu wyboru dokumentów. Zachowaj ten sam model i ustawienia wektorów dla indeksowanego zbioru i jego zapytań. Przy zastępowaniu modelu embeddingów lub zmianie liczby wymiarów świadomie przebuduj i porównaj odpowiedni indeks; sama długość wektora nie wskazuje sposobu jego powstania.</p><p>Oceniaj wynik przez przydatność wyszukiwania: czy pojawia się właściwy fragment, czy bliskie, lecz mylące fragmenty zajmują wyższe pozycje i czy wyświetlony wycinek zawiera odpowiedź. Zachowaj niewielki zestaw rzeczywistych pytań z oczekiwanymi źródłami, w tym niejednoznaczne sformułowania i niemal zduplikowane dokumenty. Embedding daje przeszukiwalną reprezentację; aplikacja zachowuje tekst źródłowy, uprawnienia i odnośniki potrzebne, aby zamienić dopasowanie w użyteczny wynik.</p></div></details></section><section class=\"card-section\" data-card-section=\"methods\"><h3 tabindex=\"-1\">Dostępne w Ailoot · dane wejściowe i metody</h3><details class=\"card-method\" open><summary><b>Ailoot Ultra · Reprezentacje wektorowe</b> <code>POST /v1/embeddings</code></summary><dl class=\"method-capabilities\"><div><dt>Wejście</dt><dd><code>text</code></dd></div><div><dt>Wyjście</dt><dd><code>embedding</code></dd></div></dl><div class=\"tw\" data-card-parameters data-typed-parameters><table><thead><tr><th>Pole</th><th>Typ</th><th>Wymaganie</th><th>Wartości i limity</th><th>Domyślnie</th></tr></thead><tbody><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>string</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Wymagane</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>voyage-3-large</div><div>Warunki: Użyj dokładnego selektora modelu Ailoot.</div></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">input</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>string or array&lt;string&gt;</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Wymagane</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>Warunki: Tekst lub lista tekstów; zachowaj po jednym wektorze dla każdego zwróconego elementu data wraz z jego indeksem.</div></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr></tbody></table></div><details class=\"note-s\" data-method-contract><summary>Parametry i cykl życia metody</summary><div class=\"tw\" data-card-table=\"contract\"><table><thead><tr><th>Parametr</th><th>Kontrakt</th></tr></thead><tbody><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>content_type</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>application/json</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>required</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>model, input</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>optional</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span></td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>material_types</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>text</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>conditions</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>Wyślij tekst z wybranym modelem; zachowaj każdy zwrócony wektor i jego indeks.</td></tr></tbody></table></div><p>Cykl życia: <code>synchronous</code></p></details></details></section><section class=\"card-section\" data-card-section=\"pricing\"><h3 tabindex=\"-1\">Cennik</h3><div data-native-semantic-method=\"v1\" data-tariff-reference-only><p class=\"note-s\" data-rate-support-note>Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.</p><dl data-price-conditions><dt>Tryb szybki</dt><dd>Nie określono <span class=\"note-s\">Gdy wybrany jest tryb szybki</span></dd><dt>Tryb flex</dt><dd>Nie określono <span class=\"note-s\">Gdy wybrany jest tryb flex</span></dd><dt>Maksymalna intensywność rozumowania</dt><dd>Nie określono <span class=\"note-s\">Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)</span></dd></dl></div><div data-declared-tariff-pricing><h4>Stawki Ailoot</h4><h4>Ceny według konfiguracji</h4><div class=\"tw\" data-pricing-profiles><table><thead><tr><th>Konfiguracja</th><th>Tabela stawek</th><th>Opłata</th></tr></thead><tbody><tr><th data-cell-label=\"Konfiguracja\" scope=\"row\"><span class=\"card-cell-label\">Konfiguracja</span>Bazowe stawki za tokeny</th><td data-cell-label=\"Tabela stawek\"><span class=\"card-cell-label\">Tabela stawek</span>Stawka podstawowa</td><td data-cell-label=\"Opłata\"><span class=\"card-cell-label\">Opłata</span><div><span>Wejście · Tokeny wejściowe</span> <b>$0.0004</b> <span class=\"price-unit\">/ 1K tokenów</span></div><div><span>Wyjście · Tokeny wyjściowe</span> <b>$0</b> <span class=\"price-unit\">/ 1K tokenów</span></div><div><span>Wejście · Odczyt cache</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenów</span></div><div><span>Wejście · Zapis do cache</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenów</span></div><div><span>Wejście · Zapis do cache, 1 godz.</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenów</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. <a href=\"/docs/pl/billing/reserve/\">Jak działają rezerwacja i rozliczenie →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Przykładowe żądania</h3><h4>Ailoot Ultra · Reprezentacje wektorowe</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Warianty kodu\"><button class=\"cg-tab\" id=\"model-code-2787-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-2787-panel-0\" aria-selected=\"true\" tabindex=\"0\">curl · zapisz wszystkie wektory i dane użycia</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Kopiuj kod\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-2787-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-2787-tab-0\"><pre data-lang=\"bash\"><code>set -eu\n: &quot;${AILOOT_API_KEY:?Set your Ailoot API key}&quot;\ncat &gt; request.json &lt;&lt;&#39;JSON&#39;\n{\n  &quot;model&quot;: &quot;voyage-3-large&quot;,\n  &quot;input&quot;: &quot;The quick brown fox jumps over the lazy dog&quot;\n}\nJSON\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H &quot;Authorization: Bearer $AILOOT_API_KEY&quot; -H &#39;Content-Type: application/json&#39; \\\n  --data-binary @request.json -D response-headers.txt -o embeddings.json\n# Keep every data item and its index, the full usage object and response headers.\n</code></pre></div></div></div></section><section class=\"card-section\" data-card-section=\"results\"><h3 tabindex=\"-1\">Odbieranie i zapisywanie wyników</h3></section><section class=\"card-section\" data-card-section=\"aliases\"><h3 tabindex=\"-1\">Aliasy</h3><h4>Aliasy modelu</h4><p class=\"note-s\"><span data-model-alias-route=\"Ultra\"><b>Ailoot Ultra</b> <a href=\"#m=voyage-3-large&amp;route=Ultra&amp;caller=voyage-3-large&amp;fmt=embeddings\"><code>voyage-3-large</code></a></span></p><h4>Aliasy ścieżek metod</h4><p class=\"note-s\">Użyj ścieżek metod podanych powyżej.</p><h4>Powiązane ID modeli</h4><p class=\"note-s\"><a href=\"#m=voyage-3-large&amp;route=Ultra&amp;caller=voyage-3-large&amp;fmt=embeddings\"><code>voyage-3-large</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "voyage-3-large",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "voyage-3-large",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|voyage-3-large",
      "ordinal": 0,
      "rawMethod": {
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Save the complete JSON response, every vector with its index, all usage fields and request headers.",
            "lifecycle": {
              "content": [],
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "mode": "synchronous",
              "status": [],
              "unknown": "Zachowaj oryginalną odpowiedź i X-Client-Request-ID na potrzeby uzgodnienia danych. Niejednoznaczna odpowiedź nie uprawnia do ponownego wysłania tego samego żądania utworzenia.",
              "unknown_no_replay": true
            },
            "outputs": {
              "all_results": "Zapisz pełną odpowiedź JSON, każdy wektor wraz z jego indeksem, wszystkie pola z danymi o użyciu oraz nagłówki żądania.",
              "every_actual_output": true,
              "family": "embedding",
              "fields": [
                {
                  "name": "object",
                  "type": "string"
                },
                {
                  "name": "model",
                  "type": "string"
                },
                {
                  "name": "data[].index",
                  "type": "integer"
                },
                {
                  "name": "data[].embedding",
                  "type": "array<number>"
                },
                {
                  "name": "usage",
                  "type": "object"
                },
                {
                  "name": "usage.prompt_tokens",
                  "type": "integer"
                },
                {
                  "name": "usage.total_tokens",
                  "type": "integer"
                }
              ]
            },
            "parameters": [
              {
                "conditions": "Użyj dokładnego selektora modelu Ailoot.",
                "default_known": false,
                "enum": [
                  "voyage-3-large"
                ],
                "enum_known": true,
                "maximum_length": null,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "conditions": "Tekst lub lista tekstów; zachowaj po jednym wektorze dla każdego zwróconego elementu data wraz z jego indeksem.",
                "default_known": false,
                "enum_known": false,
                "maximum_length": null,
                "name": "input",
                "oneOf": [
                  {
                    "minLength": 1,
                    "type": "string"
                  },
                  {
                    "items": {
                      "minLength": 1,
                      "type": "string"
                    },
                    "minItems": 1,
                    "type": "array"
                  }
                ],
                "required": true,
                "type": "string or array<string>"
              }
            ],
            "request_schema": {
              "additionalProperties": true,
              "properties": {
                "input": {
                  "oneOf": [
                    {
                      "minLength": 1,
                      "type": "string"
                    },
                    {
                      "items": {
                        "minLength": 1,
                        "type": "string"
                      },
                      "minItems": 1,
                      "type": "array"
                    }
                  ]
                },
                "model": {
                  "enum": [
                    "voyage-3-large"
                  ],
                  "type": "string"
                }
              },
              "required": [
                "model",
                "input"
              ],
              "type": "object"
            },
            "schema_template": {
              "actual_file_preparation_required": false,
              "body": {
                "input": "The quick brown fox jumps over the lazy dog",
                "model": "voyage-3-large"
              },
              "content_type": "application/json"
            }
          },
          "input": {
            "conditions": [
              "Wyślij tekst z wybranym modelem; zachowaj każdy zwrócony wektor i jego indeks."
            ],
            "content_type": "application/json",
            "material_types": [
              "text"
            ],
            "optional": [],
            "required": [
              "model",
              "input"
            ]
          },
          "lifecycle": {
            "content": [],
            "create": {
              "http": "POST",
              "path": "/v1/embeddings"
            },
            "mode": "synchronous",
            "status": [],
            "unknown": "Keep the original response and X-Client-Request-ID for reconciliation. An ambiguous response is not permission to submit the same creation again.",
            "unknown_no_replay": true
          },
          "method": {
            "http": "POST",
            "path": "/v1/embeddings"
          },
          "output": {
            "all_results": "Save the complete JSON response, every vector with its index, all usage fields and request headers.",
            "every_actual_output": true,
            "family": "embedding",
            "fields": [
              {
                "name": "object",
                "type": "string"
              },
              {
                "name": "model",
                "type": "string"
              },
              {
                "name": "data[].index",
                "type": "integer"
              },
              {
                "name": "data[].embedding",
                "type": "array<number>"
              },
              {
                "name": "usage",
                "type": "object"
              },
              {
                "name": "usage.prompt_tokens",
                "type": "integer"
              },
              {
                "name": "usage.total_tokens",
                "type": "integer"
              }
            ]
          }
        },
        "ctx": null,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Bazowe stawki za tokeny",
            "units": [
              {
                "amount": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "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}\"\ncat > request.json <<'JSON'\n{\n  \"model\": \"voyage-3-large\",\n  \"input\": \"The quick brown fox jumps over the lazy dog\"\n}\nJSON\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 embeddings.json\n# Keep every data item and its index, the full usage object and response headers.\n",
            "label": "curl · save all vectors and usage",
            "language": "bash"
          }
        ],
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "embeddings",
        "http": "POST",
        "in": 0.4,
        "input": [
          "text"
        ],
        "label": "Reprezentacje wektorowe",
        "max_out": null,
        "max_reasoning_effort_multiplier": null,
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Fast mode",
            "value": "Not specified",
            "when": "When fast mode is selected"
          },
          {
            "label": "Flex mode",
            "value": "Not specified",
            "when": "When flex mode is selected"
          },
          {
            "label": "Maximum reasoning effort",
            "value": "Not specified",
            "when": "When maximum reasoning effort uses the default adjustment"
          }
        ],
        "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": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "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": "voyage-3-large",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.0004000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000004",
            "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": "voyage-3-large",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "2d288c1a51915ee4a7410696382c73553769737f18816308482f090b1ca93be1",
    "input_html_sha256": "72d40d6951058790d13ed75223f64c82b8995dfc11da8779b565b47f211bcb6c",
    "private_audit_sha256": "cf93e8216d47496159654a7356f806085484bf5a104c15541a51a3f0737e4efb",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/pl/voyage-3-large/",
    "description": "Voyage 3 Large przekształca tekst w wektory do wyszukiwania ogólnego zastosowania i wielojęzycznego. Okno wejściowe 32 000 tokenów, wybór liczby wymiarów wektora i formaty skwantowane wspierają przeszukiwalne bazy wiedzy, odnajdywanie dokumentów i generowanie wspomagane wyszukiwaniem.",
    "locale": "pl",
    "md_url": "https://ailoot.ai/models/pl/voyage-3-large/index.md",
    "title": "Voyage AI: Voyage 3 Large — Ailoot",
    "url": "https://ailoot.ai/models/pl/voyage-3-large/"
  },
  "rawModel": {
    "about": "Voyage 3 Large to model embeddingów tekstowych do znajdowania istotnych informacji w zbiorze dokumentów. Przedstawia każdy dostarczony tekst jako wektor liczbowy, pozwalając aplikacji porównywać zapytanie z fragmentami, które mogą używać innych sformułowań, lecz mają powiązane znaczenie. Voyage AI pozycjonuje tę edycję do wyszukiwania ogólnego zastosowania i wielojęzycznego, obejmującego materiały takie jak dokumentacja techniczna, rozmowy i długie dokumenty.\n\nZbuduj przeszukiwany zbiór z informacji, które ludzie rzeczywiście potrzebują odnaleźć. W bazie wiedzy o produkcie zachowaj objaśnienie funkcji wraz z jej warunkami wstępnymi i istotnymi wyjątkami. W zapisach spotkań zachowaj oznaczenia mówców i wystarczająco dużo otaczającej dyskusji, aby temat był zrozumiały. Dziel obszerne źródło w użytecznych miejscach i zachowuj tytuł źródła, identyfikator dokumentu oraz położenie fragmentu przy każdym wektorze.\n\nPrzygotuj pytanie wyszukiwania jako zapytanie, a indeksowany materiał jako dokumenty. W procesie embeddingów tekstowych producenta typ wejścia określa rolę tekstu w wyszukiwaniu. Zapytanie takie jak „Jak członek może odzyskać dostęp po utracie klucza bezpieczeństwa?” można następnie porównać z fragmentami materiałów wsparcia opisującymi procedurę odzyskiwania, nawet jeśli używają innych sformułowań. Zachowaj dostęp do oryginalnego fragmentu, aby wynik wyszukiwania mógł pokazać dowody stojące za dopasowaniem.\n\nModel ma okno kontekstu 32 000 tokenów. Długie wejście pozwala zachować kompletną sekcję, ale cały dokument nie zawsze jest najbardziej użyteczną jednostką wyszukiwania. Ogólny wektor może wskazać właściwy plik, pozostawiając czytelnikowi znalezienie dokładnej odpowiedzi. Dobieraj granice fragmentów do wyniku, który chcesz wyświetlić, i zachowuj nagłówki, zastrzeżenia oraz definicje przy treści, którą objaśniają.\n\nVoyage 3 Large obsługuje wektory o 2 048, 1 024, 512 lub 256 wymiarach. Producent dokumentuje również reprezentacje zmiennoprzecinkowe, ośmiobitowe ze znakiem lub bez znaku oraz binarne. Te wybory pozwalają systemowi wyszukiwania porównać szczegółowość wektora z rozmiarem indeksu i zachowaniem wyszukiwania. Wybierz format obsługiwany przez docelowy magazyn wektorów, a następnie oceń go na rzeczywistym korpusie i reprezentatywnych pytaniach przed wyborem ustawień indeksu produkcyjnego.\n\nPrzy wyszukiwaniu wielojęzycznym uwzględnij pytania testowe w językach użytkowników i sprawdzaj wyszukane fragmenty źródłowe w ich oryginalnym języku. Wspólny interfejs wyszukiwania może obsługiwać kilka zbiorów językowych, a metadane dokumentów nadal wskazują język i wersję źródła. Podczas wyodrębniania zachowuj znaczące nazwy, skróty i terminy dziedzinowe, zamiast zastępować je ogólnym streszczeniem przed utworzeniem embeddingu.\n\nUżywaj wektorów do wyszukiwania kandydatów na fragmenty dla strony wyszukiwania, asystenta wiedzy lub etapu wyboru dokumentów. Zachowaj ten sam model i ustawienia wektorów dla indeksowanego zbioru i jego zapytań. Przy zastępowaniu modelu embeddingów lub zmianie liczby wymiarów świadomie przebuduj i porównaj odpowiedni indeks; sama długość wektora nie wskazuje sposobu jego powstania.\n\nOceniaj wynik przez przydatność wyszukiwania: czy pojawia się właściwy fragment, czy bliskie, lecz mylące fragmenty zajmują wyższe pozycje i czy wyświetlony wycinek zawiera odpowiedź. Zachowaj niewielki zestaw rzeczywistych pytań z oczekiwanymi źródłami, w tym niejednoznaczne sformułowania i niemal zduplikowane dokumenty. Embedding daje przeszukiwalną reprezentację; aplikacja zachowuje tekst źródłowy, uprawnienia i odnośniki potrzebne, aby zamienić dopasowanie w użyteczny wynik.",
    "about_sha256": "f8a14551c12ad8f26e408dfc995cf463d79d159d38d8d98b1790a59c1789dcc3",
    "alias_of": null,
    "aliases": [],
    "author": "Voyage AI",
    "capabilities": {
      "context_length": 32000,
      "manufacturer_input": [
        "text"
      ],
      "manufacturer_output": [
        "embeddings"
      ]
    },
    "card_routes": [
      {
        "label": "Ultra",
        "rates": [
          {
            "amount": "0.0004000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000004",
            "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": "Pełny cennik konfiguracji w szczegółach."
      }
    ],
    "ctx": null,
    "display_name": "Voyage AI: Voyage 3 Large",
    "formats": [
      "embeddings"
    ],
    "id": "voyage-3-large",
    "input": [
      "text"
    ],
    "kind": "embedding",
    "locale": "en",
    "max_out": null,
    "methods": [
      {
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Save the complete JSON response, every vector with its index, all usage fields and request headers.",
            "lifecycle": {
              "content": [],
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "mode": "synchronous",
              "status": [],
              "unknown": "Zachowaj oryginalną odpowiedź i X-Client-Request-ID na potrzeby uzgodnienia danych. Niejednoznaczna odpowiedź nie uprawnia do ponownego wysłania tego samego żądania utworzenia.",
              "unknown_no_replay": true
            },
            "outputs": {
              "all_results": "Zapisz pełną odpowiedź JSON, każdy wektor wraz z jego indeksem, wszystkie pola z danymi o użyciu oraz nagłówki żądania.",
              "every_actual_output": true,
              "family": "embedding",
              "fields": [
                {
                  "name": "object",
                  "type": "string"
                },
                {
                  "name": "model",
                  "type": "string"
                },
                {
                  "name": "data[].index",
                  "type": "integer"
                },
                {
                  "name": "data[].embedding",
                  "type": "array<number>"
                },
                {
                  "name": "usage",
                  "type": "object"
                },
                {
                  "name": "usage.prompt_tokens",
                  "type": "integer"
                },
                {
                  "name": "usage.total_tokens",
                  "type": "integer"
                }
              ]
            },
            "parameters": [
              {
                "conditions": "Użyj dokładnego selektora modelu Ailoot.",
                "default_known": false,
                "enum": [
                  "voyage-3-large"
                ],
                "enum_known": true,
                "maximum_length": null,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "conditions": "Tekst lub lista tekstów; zachowaj po jednym wektorze dla każdego zwróconego elementu data wraz z jego indeksem.",
                "default_known": false,
                "enum_known": false,
                "maximum_length": null,
                "name": "input",
                "oneOf": [
                  {
                    "minLength": 1,
                    "type": "string"
                  },
                  {
                    "items": {
                      "minLength": 1,
                      "type": "string"
                    },
                    "minItems": 1,
                    "type": "array"
                  }
                ],
                "required": true,
                "type": "string or array<string>"
              }
            ],
            "request_schema": {
              "additionalProperties": true,
              "properties": {
                "input": {
                  "oneOf": [
                    {
                      "minLength": 1,
                      "type": "string"
                    },
                    {
                      "items": {
                        "minLength": 1,
                        "type": "string"
                      },
                      "minItems": 1,
                      "type": "array"
                    }
                  ]
                },
                "model": {
                  "enum": [
                    "voyage-3-large"
                  ],
                  "type": "string"
                }
              },
              "required": [
                "model",
                "input"
              ],
              "type": "object"
            },
            "schema_template": {
              "actual_file_preparation_required": false,
              "body": {
                "input": "The quick brown fox jumps over the lazy dog",
                "model": "voyage-3-large"
              },
              "content_type": "application/json"
            }
          },
          "input": {
            "conditions": [
              "Wyślij tekst z wybranym modelem; zachowaj każdy zwrócony wektor i jego indeks."
            ],
            "content_type": "application/json",
            "material_types": [
              "text"
            ],
            "optional": [],
            "required": [
              "model",
              "input"
            ]
          },
          "lifecycle": {
            "content": [],
            "create": {
              "http": "POST",
              "path": "/v1/embeddings"
            },
            "mode": "synchronous",
            "status": [],
            "unknown": "Keep the original response and X-Client-Request-ID for reconciliation. An ambiguous response is not permission to submit the same creation again.",
            "unknown_no_replay": true
          },
          "method": {
            "http": "POST",
            "path": "/v1/embeddings"
          },
          "output": {
            "all_results": "Save the complete JSON response, every vector with its index, all usage fields and request headers.",
            "every_actual_output": true,
            "family": "embedding",
            "fields": [
              {
                "name": "object",
                "type": "string"
              },
              {
                "name": "model",
                "type": "string"
              },
              {
                "name": "data[].index",
                "type": "integer"
              },
              {
                "name": "data[].embedding",
                "type": "array<number>"
              },
              {
                "name": "usage",
                "type": "object"
              },
              {
                "name": "usage.prompt_tokens",
                "type": "integer"
              },
              {
                "name": "usage.total_tokens",
                "type": "integer"
              }
            ]
          }
        },
        "ctx": null,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Bazowe stawki za tokeny",
            "units": [
              {
                "amount": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "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}\"\ncat > request.json <<'JSON'\n{\n  \"model\": \"voyage-3-large\",\n  \"input\": \"The quick brown fox jumps over the lazy dog\"\n}\nJSON\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 embeddings.json\n# Keep every data item and its index, the full usage object and response headers.\n",
            "label": "curl · save all vectors and usage",
            "language": "bash"
          }
        ],
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "embeddings",
        "http": "POST",
        "in": 0.4,
        "input": [
          "text"
        ],
        "label": "Reprezentacje wektorowe",
        "max_out": null,
        "max_reasoning_effort_multiplier": null,
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Fast mode",
            "value": "Not specified",
            "when": "When fast mode is selected"
          },
          {
            "label": "Flex mode",
            "value": "Not specified",
            "when": "When flex mode is selected"
          },
          {
            "label": "Maximum reasoning effort",
            "value": "Not specified",
            "when": "When maximum reasoning effort uses the default adjustment"
          }
        ],
        "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": "0.0004000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000004",
                "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": "voyage-3-large",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.0004000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000004",
            "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": "voyage-3-large",
        "request_model_id": "voyage-3-large",
        "route_label": "Ultra"
      }
    ],
    "name": "Voyage AI: Voyage 3 Large",
    "price": {
      "in": 0.4,
      "in_label": null,
      "out": 0,
      "out_label": null,
      "scope_label": "Token rates",
      "sort_in": 0.4,
      "sort_out": 0,
      "varies": false
    },
    "short": "Voyage 3 Large przekształca tekst w wektory do wyszukiwania ogólnego zastosowania i wielojęzycznego. Okno wejściowe 32 000 tokenów, wybór liczby wymiarów wektora i formaty skwantowane wspierają przeszukiwalne bazy wiedzy, odnajdywanie dokumentów i generowanie wspomagane wyszukiwaniem.",
    "short_sha256": "97e0e5100c1133c3a38a116210c6492617852a455c2338779be2ecc6f0754b10"
  },
  "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 3 Large przekształca tekst w wektory do wyszukiwania ogólnego zastosowania i wielojęzycznego. Okno wejściowe 32 000 tokenów, wybór liczby wymiarów wektora i formaty skwantowane wspierają przeszukiwalne bazy wiedzy, odnajdywanie dokumentów i generowanie wspomagane wyszukiwaniem.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "05a895d856d3786b3cbfb4fbbc1540ffb392c192970350bbf9626f96f88c9e9c",
    "renderer_sha256": "1217dcf19a93e99ac1d6fd7bf974dc19adc12fea4bd4470c2601f04e48f688cb"
  },
  "sourceRevision": "f554330b593d2dbe8c28590541061eaf977903d219a63bd5924a8a0fb8c07069"
}