{ "aboutHtml": "

voyage-4 är Voyage AI:s mellanstora textinbäddningsmodell i Voyage 4-familjen. Den omvandlar fråge- och dokumenttext till numeriska vektorer för generell och flerspråkig informationssökning. Familjens kännetecknande förmåga är ett gemensamt inbäddningsrum: voyage-4, voyage-4-large, voyage-4-lite och voyage-4-nano producerar kompatibla representationer, vilket låter fråge- och dokumentsidorna i en sökuppgift använda olika modeller i familjen.

Gemensamt rum och asymmetrisk sökning

Tillverkaren kallar användning av olika fråge- och korpusmodeller asymmetrisk sökning. Ett dokumenterat mönster är att förbereda korpusen med voyage-4-large och söka i den med frågeinbäddningar från voyage-4. Korpusen bäddas in en gång eller när källmaterialet ändras, medan frågevektorer skapas när sökningar kommer in. Det gemensamma rummet låter modellvalet på frågesidan ändras inom familjen utan att korpusen måste bäddas in igen enbart för bytet.

Håll resultatdimension och representation kompatibla mellan vektorerna som jämförs. Uttalandet om gemensamt rum gäller de namngivna Voyage 4-textmodellerna; det fastställs inte bara av att två obesläktade modeller returnerar arrayer med samma längd. En praktisk uppgift kan därför använda voyage-4 på båda sidor av sökningen eller använda dess frågevektorer med ett befintligt voyage-4-large-dokumentindex när deras representationsinställningar stämmer överens.

Query- och document-roller

För sökning rekommenderar Voyage att ange indatatext som typen query eller document. Indatarollsalternativet ger motsvarande sökinstruktion före vektorisering. Förbered korpuspassager som dokument och användarens sökformulering som en fråga, med den faktiska källtexten och identifierarna bredvid varje lagrad vektor.

Till exempel kan en kunskapssöksamling indexera tekniska instruktioner och produktförklaringar. En fråga om vad som händer efter en misslyckad import bör returnera källpassagen som beskriver beteendet. Bevara rubriker, relevanta villkor och källplatsen tillsammans med passagen så att sökträffen kan granskas eller användas av ett senare RAG-svarssteg. Inbäddningen är den numeriska sökrepresentationen; den underliggande passagen är evidensen i det senare steget.

Dimensioner och resultatdatatyper

Det dokumenterade kontextfönstret per text är 32 000 token. Valbara dimensioner är 256, 512, 1024 och 2048, med 1024 som standard. Matryoshka-inlärning ger dessa nästlade representationsstorlekar. Resultatet kan använda 32-bitars flyttal, 8-bitars heltal med eller utan tecken eller packade binärvärden, möjliggjort av familjens kvantiseringsmedvetna förberedelse.

Med packat binärresultat lagrar varje returnerad byte åtta inbäddningsbitar, så bytelistans längd är en åttondel av den valda dimensionen. Byteantalet och inbäddningsdimensionen har olika betydelser. Välj representationen som ditt sökindex kan tolka och granska kandidatrelevans på frågorna och språken som samlingen faktiskt använder innan en komprimerad konfiguration väljs.

Indatalängd, batchbehandling och kapning

Tillverkarens aktuella textinbäddningsguide tillåter upp till 1000 strängar och 320 000 token totalt i en voyage-4-begäran. Batchutrymmet är separat från fönstret på 32 000 token för varje inmatning. Kapning är aktiverad som standard: För lång text kortas för att passa. Om kapning stängs av ger ett för långt objekt ett fel i stället.

För en lång rapport eller transkription förbereder du medvetet passager som innehåller svar i stället för att förlita dig på ett snitt vid indatagränsen. Håll varje passage kopplad till sitt överordnade dokument och källversion. Vanliga voyage-4-inbäddningsindata är enskilda texter; kontextualiserad behandling av grupper av dokumentdelar hör till de separat dokumenterade kontextuella inbäddningsmodellerna.

Använd sökresultatet

Lagra vektorerna med passagetexten och stabila källidentifierare, jämför varje frågevektor med kompatibla dokumentvektorer och returnera kandidatpassager. Familjeutgåvan utvärderar sökning över material som omfattar tekniska dokument, konversationer, långa dokument, kod, juridik, finans och webbtext. En separat omrankare kan förfina kandidater och ett senare svarssteg kan använda deras text. Bedöm de returnerade passagerna mot uppgiften; kompatibilitet i gemensamt rum möjliggör modellkombinationen, medan nyttan av ett resultat fortfarande beror på källmaterialet och frågan.

", "aboutText": "voyage-4 är Voyage AI:s mellanstora textinbäddningsmodell i Voyage 4-familjen. Den omvandlar fråge- och dokumenttext till numeriska vektorer för generell och flerspråkig informationssökning. Familjens kännetecknande förmåga är ett gemensamt inbäddningsrum: voyage-4, voyage-4-large, voyage-4-lite och voyage-4-nano producerar kompatibla representationer, vilket låter fråge- och dokumentsidorna i en sökuppgift använda olika modeller i familjen.\n\n### Gemensamt rum och asymmetrisk sökning\n\nTillverkaren kallar användning av olika fråge- och korpusmodeller asymmetrisk sökning. Ett dokumenterat mönster är att förbereda korpusen med voyage-4-large och söka i den med frågeinbäddningar från voyage-4. Korpusen bäddas in en gång eller när källmaterialet ändras, medan frågevektorer skapas när sökningar kommer in. Det gemensamma rummet låter modellvalet på frågesidan ändras inom familjen utan att korpusen måste bäddas in igen enbart för bytet.\n\nHåll resultatdimension och representation kompatibla mellan vektorerna som jämförs. Uttalandet om gemensamt rum gäller de namngivna Voyage 4-textmodellerna; det fastställs inte bara av att två obesläktade modeller returnerar arrayer med samma längd. En praktisk uppgift kan därför använda voyage-4 på båda sidor av sökningen eller använda dess frågevektorer med ett befintligt voyage-4-large-dokumentindex när deras representationsinställningar stämmer överens.\n\n### Query- och document-roller\n\nFör sökning rekommenderar Voyage att ange indatatext som typen query eller document. Indatarollsalternativet ger motsvarande sökinstruktion före vektorisering. Förbered korpuspassager som dokument och användarens sökformulering som en fråga, med den faktiska källtexten och identifierarna bredvid varje lagrad vektor.\n\nTill exempel kan en kunskapssöksamling indexera tekniska instruktioner och produktförklaringar. En fråga om vad som händer efter en misslyckad import bör returnera källpassagen som beskriver beteendet. Bevara rubriker, relevanta villkor och källplatsen tillsammans med passagen så att sökträffen kan granskas eller användas av ett senare RAG-svarssteg. Inbäddningen är den numeriska sökrepresentationen; den underliggande passagen är evidensen i det senare steget.\n\n### Dimensioner och resultatdatatyper\n\nDet dokumenterade kontextfönstret per text är 32 000 token. Valbara dimensioner är 256, 512, 1024 och 2048, med 1024 som standard. Matryoshka-inlärning ger dessa nästlade representationsstorlekar. Resultatet kan använda 32-bitars flyttal, 8-bitars heltal med eller utan tecken eller packade binärvärden, möjliggjort av familjens kvantiseringsmedvetna förberedelse.\n\nMed packat binärresultat lagrar varje returnerad byte åtta inbäddningsbitar, så bytelistans längd är en åttondel av den valda dimensionen. Byteantalet och inbäddningsdimensionen har olika betydelser. Välj representationen som ditt sökindex kan tolka och granska kandidatrelevans på frågorna och språken som samlingen faktiskt använder innan en komprimerad konfiguration väljs.\n\n### Indatalängd, batchbehandling och kapning\n\nTillverkarens aktuella textinbäddningsguide tillåter upp till 1000 strängar och 320 000 token totalt i en voyage-4-begäran. Batchutrymmet är separat från fönstret på 32 000 token för varje inmatning. Kapning är aktiverad som standard: För lång text kortas för att passa. Om kapning stängs av ger ett för långt objekt ett fel i stället.\n\nFör en lång rapport eller transkription förbereder du medvetet passager som innehåller svar i stället för att förlita dig på ett snitt vid indatagränsen. Håll varje passage kopplad till sitt överordnade dokument och källversion. Vanliga voyage-4-inbäddningsindata är enskilda texter; kontextualiserad behandling av grupper av dokumentdelar hör till de separat dokumenterade kontextuella inbäddningsmodellerna.\n\n### Använd sökresultatet\n\nLagra vektorerna med passagetexten och stabila källidentifierare, jämför varje frågevektor med kompatibla dokumentvektorer och returnera kandidatpassager. Familjeutgåvan utvärderar sökning över material som omfattar tekniska dokument, konversationer, långa dokument, kod, juridik, finans och webbtext. En separat omrankare kan förfina kandidater och ett senare svarssteg kan använda deras text. Bedöm de returnerade passagerna mot uppgiften; kompatibilitet i gemensamt rum möjliggör modellkombinationen, medan nyttan av ett resultat fortfarande beror på källmaterialet och frågan.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ebb781ada8232ce63fbc995aeb0e488ff924264cc6d8c264be45c6b31566fb29", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-4

VoyageAI by MongoDB /voyageai/voyage-4

Start

voyage-4 bäddar in text för generell och flerspråkig informationssökning, med ett gemensamt vektorrum inom Voyage 4-familjen. Den stöder indata på 32 000 token, valbara resultat på 256–2048 dimensioner och query/document-roller för sökning och RAG.

Godkända indata
Text · token_ids
Resultat
embedding
Om modellen

Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.

voyage-4 är Voyage AI:s mellanstora textinbäddningsmodell i Voyage 4-familjen. Den omvandlar fråge- och dokumenttext till numeriska vektorer för generell och flerspråkig informationssökning. Familjens kännetecknande förmåga är ett gemensamt inbäddningsrum: voyage-4, voyage-4-large, voyage-4-lite och voyage-4-nano producerar kompatibla representationer, vilket låter fråge- och dokumentsidorna i en sökuppgift använda olika modeller i familjen.

Gemensamt rum och asymmetrisk sökning

Tillverkaren kallar användning av olika fråge- och korpusmodeller asymmetrisk sökning. Ett dokumenterat mönster är att förbereda korpusen med voyage-4-large och söka i den med frågeinbäddningar från voyage-4. Korpusen bäddas in en gång eller när källmaterialet ändras, medan frågevektorer skapas när sökningar kommer in. Det gemensamma rummet låter modellvalet på frågesidan ändras inom familjen utan att korpusen måste bäddas in igen enbart för bytet.

Håll resultatdimension och representation kompatibla mellan vektorerna som jämförs. Uttalandet om gemensamt rum gäller de namngivna Voyage 4-textmodellerna; det fastställs inte bara av att två obesläktade modeller returnerar arrayer med samma längd. En praktisk uppgift kan därför använda voyage-4 på båda sidor av sökningen eller använda dess frågevektorer med ett befintligt voyage-4-large-dokumentindex när deras representationsinställningar stämmer överens.

Query- och document-roller

För sökning rekommenderar Voyage att ange indatatext som typen query eller document. Indatarollsalternativet ger motsvarande sökinstruktion före vektorisering. Förbered korpuspassager som dokument och användarens sökformulering som en fråga, med den faktiska källtexten och identifierarna bredvid varje lagrad vektor.

Till exempel kan en kunskapssöksamling indexera tekniska instruktioner och produktförklaringar. En fråga om vad som händer efter en misslyckad import bör returnera källpassagen som beskriver beteendet. Bevara rubriker, relevanta villkor och källplatsen tillsammans med passagen så att sökträffen kan granskas eller användas av ett senare RAG-svarssteg. Inbäddningen är den numeriska sökrepresentationen; den underliggande passagen är evidensen i det senare steget.

Dimensioner och resultatdatatyper

Det dokumenterade kontextfönstret per text är 32 000 token. Valbara dimensioner är 256, 512, 1024 och 2048, med 1024 som standard. Matryoshka-inlärning ger dessa nästlade representationsstorlekar. Resultatet kan använda 32-bitars flyttal, 8-bitars heltal med eller utan tecken eller packade binärvärden, möjliggjort av familjens kvantiseringsmedvetna förberedelse.

Med packat binärresultat lagrar varje returnerad byte åtta inbäddningsbitar, så bytelistans längd är en åttondel av den valda dimensionen. Byteantalet och inbäddningsdimensionen har olika betydelser. Välj representationen som ditt sökindex kan tolka och granska kandidatrelevans på frågorna och språken som samlingen faktiskt använder innan en komprimerad konfiguration väljs.

Indatalängd, batchbehandling och kapning

Tillverkarens aktuella textinbäddningsguide tillåter upp till 1000 strängar och 320 000 token totalt i en voyage-4-begäran. Batchutrymmet är separat från fönstret på 32 000 token för varje inmatning. Kapning är aktiverad som standard: För lång text kortas för att passa. Om kapning stängs av ger ett för långt objekt ett fel i stället.

För en lång rapport eller transkription förbereder du medvetet passager som innehåller svar i stället för att förlita dig på ett snitt vid indatagränsen. Håll varje passage kopplad till sitt överordnade dokument och källversion. Vanliga voyage-4-inbäddningsindata är enskilda texter; kontextualiserad behandling av grupper av dokumentdelar hör till de separat dokumenterade kontextuella inbäddningsmodellerna.

Använd sökresultatet

Lagra vektorerna med passagetexten och stabila källidentifierare, jämför varje frågevektor med kompatibla dokumentvektorer och returnera kandidatpassager. Familjeutgåvan utvärderar sökning över material som omfattar tekniska dokument, konversationer, långa dokument, kod, juridik, finans och webbtext. En separat omrankare kan förfina kandidater och ett senare svarssteg kan använda deras text. Bedöm de returnerade passagerna mot uppgiften; kompatibilitet i gemensamt rum möjliggör modellkombinationen, medan nyttan av ett resultat fortfarande beror på källmaterialet och frågan.

Tillgängligt i Ailoot · indata & metoder

Ailoot Ultra · Embeddings POST /v1/embeddings
Indatatyper
text, token_ids
Utdatatyper
embedding
Kontext
32 000 tokens
Utdataformat
json
FältTypKravVärden & gränserStandard
FältmodelTypstringKravObligatorisktVärden & gränser
voyageai/voyage-4
Standard—
FältinputTypstring|string[]|integer[]|integer[][]KravObligatorisktVärden & gränser
Minsta antal objekt: 1
Villkor: En homogen batch som inte är tom. Token-ID:n är heltal som är större än eller lika med noll.
Indatabudget: Maximum: 32 000 · Textenhet: UTF8-byte · Tokenenhet: element i en tokenarray
Standard—
Fältencoding_formatTypstringKravValfrittVärden & gränser
float
Standardfloat
FältdimensionsTypintegerKravStöds inteVärden & gränser
Minimum: 1
Standard—
FältuserTypjson_valueKravValfrittVärden & gränser
Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen.
Standard—
Fältsession_idTypjson_valueKravValfrittVärden & gränser
Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen.
Standard—
FälttraceTypjson_valueKravValfrittVärden & gränser
Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen.
Standard—
FältproviderTypobjectKravValfrittVärden & gränser
Villkor: provider.options avvisades
Standard—
Kombinationer av indatamaterial

text_to_embedding

Metodparametrar och livscykel
ParameterAvtal
Parametercontent_typeAvtalapplication/json
ParameterrequiredAvtalmodel, input
Parameterinput_shapesAvtalstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatAvtalfloat
Parameterdimensions_overrideAvtalfalse
Parametermax_input_budget_unitsAvtal32000
Parametermultimodal_objectsAvtalfalse
Parametermaterial_typesAvtaltext, token_ids

Livscykel: synchronous_json

Behåll varje vektorindex och dimension.

Att modellen har ett multimodalt namn innebär inte att bildobjekt tillåts på just denna anropsväg.

Priser

Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.

Snabbt läge
Standardpris När snabbt läge är valt
Flex-läge
Standardpris När läget flex är valt
Högsta resonemangsnivå
Standardpris När den högsta resonemangsnivån använder standardjusteringen (default)

Ailoot-priser

Priser efter konfiguration

KonfigurationPrislistaAvgift
KonfigurationGrundpriser för tokenPrislistaGrundprisAvgift
Indata · Indatatoken $0.00012 / 1K token
Utdata · Utdatatoken $0 / 1K token
Indata · Cacheläsning — / 1K token
Indata · Skrivning till cache — / 1K token
Indata · Skrivning till cache, 1 tim — / 1K token

Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →

Exempelbegäranden

Ailoot Ultra · Embeddings

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "voyageai/voyage-4", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

Ta emot och spara resultat

Ailoot Ultra · Embeddings

json

Behåll alla färdiga resultat

Behåll varje fullständigt returnerat svar, fil och innehållsdel.

Behåll varje vektor tillsammans med dess index. Antalet vektorer måste vara lika med antalet indataobjekt; dimensionerna måste vara konsekventa.

Om det ursprungliga svaret behöver kontrolleras

Ingen endpoint för inbäddningsjobb införs.

Svarsfält
FältTyp
FältobjectTypstring
FältmodelTypstring
Fältdata[].indexTypinteger
Fältdata[].embeddingTypfinite float[]
FältusageTypobject
Fel och nästa steg
SvarVillkorNästa steg
Svar400 · invalid_request_errorVillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärdeNästa stegKorrigera de angivna fälten före en ny begäran om att skapa.

Alias

Modellalias

Ailoot Ultra voyageai/voyage-4

Alias för metodsökvägar

Använd metodsökvägarna som visas ovan.

Relaterade anropar-ID:n

voyageai/voyage-4

", "method_identity": { "effective_request_model_id": "voyageai/voyage-4", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-4", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-4", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Ogiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde", "http_status": 400, "recovery": "Korrigera de angivna fälten före en ny begäran om att skapa.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Ingen endpoint för inbäddningsjobb införs." }, "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": "Behåll varje vektor tillsammans med dess index. Antalet vektorer måste vara lika med antalet indataobjekt; dimensionerna måste vara konsekventa.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "voyageai/voyage-4" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32000, "text_unit": "UTF8-byte", "token_unit": "element i en tokenarray" }, "conditions": "En homogen batch som inte är tom. Token-ID:n är heltal som är större än eller lika med noll.", "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": "Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options avvisades", "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": [ "Behåll varje vektorindex och dimension.", "Att modellen har ett multimodalt namn innebär inte att bildobjekt tillåts på just denna anropsväg." ], "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": "Grundpriser för token", "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"voyageai/voyage-4\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='voyageai/voyage-4',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.12, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Snabbt läge", "value": "Standardpris", "when": "När snabbt läge är valt" }, { "label": "Flex-läge", "value": "Standardpris", "when": "När läget flex är valt" }, { "label": "Högsta resonemangsnivå", "value": "Standardpris", "when": "När den högsta resonemangsnivån använder standardjusteringen (default)" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "voyageai/voyage-4", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "voyageai/voyage-4", "nativeProvenance": { "input_facts_canonical_sha256": "fb9b50115e64ad6d838091f035c0fdffdee8ed7415d4f3980e7cd996f49ccbd0", "input_html_sha256": "48c36a3662e7994d7f8a3a515573762a9dc5009f7569f5354f01862173258537", "private_audit_sha256": "e533dba0d5fedffda14da1a33eacdadc8ed2cd643f160614cce3b9e66678ed7c", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/sv/voyageai-voyage-4/", "description": "voyage-4 bäddar in text för generell och flerspråkig informationssökning, med ett gemensamt vektorrum inom Voyage 4-familjen. Den stöder indata på 32 000 token, valbara resultat på 256–2048 dimensioner och query/document-roller för sökning och RAG.", "locale": "sv", "md_url": "https://ailoot.ai/models/sv/voyageai-voyage-4/index.md", "title": "VoyageAI by MongoDB: voyage-4 — Ailoot", "url": "https://ailoot.ai/models/sv/voyageai-voyage-4/" }, "rawModel": { "about": "voyage-4 är Voyage AI:s mellanstora textinbäddningsmodell i Voyage 4-familjen. Den omvandlar fråge- och dokumenttext till numeriska vektorer för generell och flerspråkig informationssökning. Familjens kännetecknande förmåga är ett gemensamt inbäddningsrum: voyage-4, voyage-4-large, voyage-4-lite och voyage-4-nano producerar kompatibla representationer, vilket låter fråge- och dokumentsidorna i en sökuppgift använda olika modeller i familjen.\n\n### Gemensamt rum och asymmetrisk sökning\n\nTillverkaren kallar användning av olika fråge- och korpusmodeller asymmetrisk sökning. Ett dokumenterat mönster är att förbereda korpusen med voyage-4-large och söka i den med frågeinbäddningar från voyage-4. Korpusen bäddas in en gång eller när källmaterialet ändras, medan frågevektorer skapas när sökningar kommer in. Det gemensamma rummet låter modellvalet på frågesidan ändras inom familjen utan att korpusen måste bäddas in igen enbart för bytet.\n\nHåll resultatdimension och representation kompatibla mellan vektorerna som jämförs. Uttalandet om gemensamt rum gäller de namngivna Voyage 4-textmodellerna; det fastställs inte bara av att två obesläktade modeller returnerar arrayer med samma längd. En praktisk uppgift kan därför använda voyage-4 på båda sidor av sökningen eller använda dess frågevektorer med ett befintligt voyage-4-large-dokumentindex när deras representationsinställningar stämmer överens.\n\n### Query- och document-roller\n\nFör sökning rekommenderar Voyage att ange indatatext som typen query eller document. Indatarollsalternativet ger motsvarande sökinstruktion före vektorisering. Förbered korpuspassager som dokument och användarens sökformulering som en fråga, med den faktiska källtexten och identifierarna bredvid varje lagrad vektor.\n\nTill exempel kan en kunskapssöksamling indexera tekniska instruktioner och produktförklaringar. En fråga om vad som händer efter en misslyckad import bör returnera källpassagen som beskriver beteendet. Bevara rubriker, relevanta villkor och källplatsen tillsammans med passagen så att sökträffen kan granskas eller användas av ett senare RAG-svarssteg. Inbäddningen är den numeriska sökrepresentationen; den underliggande passagen är evidensen i det senare steget.\n\n### Dimensioner och resultatdatatyper\n\nDet dokumenterade kontextfönstret per text är 32 000 token. Valbara dimensioner är 256, 512, 1024 och 2048, med 1024 som standard. Matryoshka-inlärning ger dessa nästlade representationsstorlekar. Resultatet kan använda 32-bitars flyttal, 8-bitars heltal med eller utan tecken eller packade binärvärden, möjliggjort av familjens kvantiseringsmedvetna förberedelse.\n\nMed packat binärresultat lagrar varje returnerad byte åtta inbäddningsbitar, så bytelistans längd är en åttondel av den valda dimensionen. Byteantalet och inbäddningsdimensionen har olika betydelser. Välj representationen som ditt sökindex kan tolka och granska kandidatrelevans på frågorna och språken som samlingen faktiskt använder innan en komprimerad konfiguration väljs.\n\n### Indatalängd, batchbehandling och kapning\n\nTillverkarens aktuella textinbäddningsguide tillåter upp till 1000 strängar och 320 000 token totalt i en voyage-4-begäran. Batchutrymmet är separat från fönstret på 32 000 token för varje inmatning. Kapning är aktiverad som standard: För lång text kortas för att passa. Om kapning stängs av ger ett för långt objekt ett fel i stället.\n\nFör en lång rapport eller transkription förbereder du medvetet passager som innehåller svar i stället för att förlita dig på ett snitt vid indatagränsen. Håll varje passage kopplad till sitt överordnade dokument och källversion. Vanliga voyage-4-inbäddningsindata är enskilda texter; kontextualiserad behandling av grupper av dokumentdelar hör till de separat dokumenterade kontextuella inbäddningsmodellerna.\n\n### Använd sökresultatet\n\nLagra vektorerna med passagetexten och stabila källidentifierare, jämför varje frågevektor med kompatibla dokumentvektorer och returnera kandidatpassager. Familjeutgåvan utvärderar sökning över material som omfattar tekniska dokument, konversationer, långa dokument, kod, juridik, finans och webbtext. En separat omrankare kan förfina kandidater och ett senare svarssteg kan använda deras text. Bedöm de returnerade passagerna mot uppgiften; kompatibilitet i gemensamt rum möjliggör modellkombinationen, medan nyttan av ett resultat fortfarande beror på källmaterialet och frågan.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-4", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Fullständig prissättning för konfigurationen finns i detaljerna." } ], "ctx": 32000, "entity_type": "model", "formats": [ "embeddings" ], "id": "voyageai/voyage-4", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Ogiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde", "http_status": 400, "recovery": "Korrigera de angivna fälten före en ny begäran om att skapa.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Ingen endpoint för inbäddningsjobb införs." }, "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": "Behåll varje vektor tillsammans med dess index. Antalet vektorer måste vara lika med antalet indataobjekt; dimensionerna måste vara konsekventa.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "voyageai/voyage-4" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32000, "text_unit": "UTF8-byte", "token_unit": "element i en tokenarray" }, "conditions": "En homogen batch som inte är tom. Token-ID:n är heltal som är större än eller lika med noll.", "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": "Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options avvisades", "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": [ "Behåll varje vektorindex och dimension.", "Att modellen har ett multimodalt namn innebär inte att bildobjekt tillåts på just denna anropsväg." ], "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": "Grundpriser för token", "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"voyageai/voyage-4\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='voyageai/voyage-4',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.12, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Snabbt läge", "value": "Standardpris", "when": "När snabbt läge är valt" }, { "label": "Flex-läge", "value": "Standardpris", "when": "När läget flex är valt" }, { "label": "Högsta resonemangsnivå", "value": "Standardpris", "when": "När den högsta resonemangsnivån använder standardjusteringen (default)" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "voyageai/voyage-4", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "voyageai/voyage-4", "request_model_id": "voyageai/voyage-4", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-4", "price": { "in": 0.12, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.12, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "public_id": "voyageai/voyage-4", "short": "voyage-4 bäddar in text för generell och flerspråkig informationssökning, med ett gemensamt vektorrum inom Voyage 4-familjen. Den stöder indata på 32 000 token, valbara resultat på 256–2048 dimensioner och query/document-roller för sökning och RAG." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "voyage-4 bäddar in text för generell och flerspråkig informationssökning, med ett gemensamt vektorrum inom Voyage 4-familjen. Den stöder indata på 32 000 token, valbara resultat på 256–2048 dimensioner och query/document-roller för sökning och RAG.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "d6a2a31f79f5414863dcb3f960b835fdb0e715590bb8088515a9dd3820b13091", "renderer_sha256": "8a45bb31b83d2551e6d975cf4683518c7cb445a54b9394a01947f4dd103f1051" }, "sourceRevision": "5abc7d5bba8b544f65abd9fbcb2caf11592f2bfae4e4bfc11f4625931f78ef1f" }