{ "aboutHtml": "

voyage-4-large — Voyage AI’ning Voyage 4 oilasidagi yetakchi matn embedding modeli. U umumiy maqsadli va koʻp tilli qidiruv uchun manba parchalari hamda soʻrovlarni sonli vektorlar sifatida ifodalaydi. Uning ikki oʻziga xos xususiyati — ekspertlar aralashmasiga asoslangan model dizayni va voyage-4-large, voyage-4, voyage-4-lite hamda voyage-4-nano ishlatadigan umumiy embedding fazosi.

Umumiy fazo: korpus va soʻrov uchun alohida tanlovlar

Ishlab chiqaruvchi assimetrik qidiruvni tavsiflaydi: hujjatlar voyage-4-large bilan embedding qilinishi, boshqa Voyage 4 oilasi modeli esa soʻrov vektorlarini tayyorlashi mumkin. Masalan, Large bilan ifodalangan korpusda voyage-4 soʻrovlari orqali qidirish mumkin. Bu qidiruvning ikki tomoniga hujjatlashtirilgan mos fazoda qolgan holda turli model tanlovlarini ishlatish imkonini beradi.

Shu sabab amaliy toʻplam barqaror hujjat parchalarini tayyorlashda Large’dan foydalanib, soʻrov tomonidagi modelni mustaqil tanlashi mumkin. Korpus yaratilganda yoki yangilanganda hujjat embedding’lari olinadi, soʻrovlar esa foydalanuvchi qidirayotgan paytda vektorlanadi. Oila eʼloni mos oila ichida soʻrov modelini almashtirishni, faqat shu oʻzgarish uchun hujjat korpusini qayta vektorlamaslikni tavsiflaydi. Solishtiriladigan vektorlarni bir xil oʻlchamda va qidiruv tizimi birgalikda talqin qila oladigan ifodalarda saqlang.

Ekspertlar aralashmasi embedding dizayni

Zich oldinga uzatish qatlami har bir tokenni oʻzining toʻliq parametrlar toʻplamidan oʻtkazadi. voyage-4-large uchun tavsiflangan MoE yondashuvi marshrutlagich va ekspert oldinga uzatish tarmoqlaridan foydalanib, har bir tokenni qayta ishlaydigan ekspertlarni tanlaydi. Bu umumiy model sigʻimini muayyan tokenda faol parametrlaridan ajratadi. Voyage modelning MoE dizayni uchun top-k marshrutlash bilan 1/10 faollashish nisbatini koʻrsatadi.

Ishlab chiqaruvchining texnik tushuntirishi ikkita ishlab chiqish tanlovini ham tavsiflaydi. Ekspert sigʻimi ortiqcha tokenlar qoldiq yoʻl orqali ekspert qatlamini chetlab oʻtish-oʻtmasligiga taʼsir qiladi; jamoa qidiruv sifati yoʻqolishini oldini olish uchun imkon qadar eng katta sigʻim koeffitsiyentini tanlagan. Yakuniy oʻqitish bosqichida model birlashtirishidan oldin marshrutlagich parametrlari qotiriladi, shunda manba modellari interpolatsiyasi oʻrganilgan ekspert tanlash yoʻnalishini oʻzgartirmaydi. Bular model tayyorlash xususiyatlari, kirish tayyorlashdagi matn uzunligi yoki qisqartirish sozlamalaridan alohida.

Oʻlchamlar va chiqish ifodasi

Rasmiy model jadvali 32,000 tokenli kontekst oynasi va tanlanadigan 256, 512, 1024 hamda 2048 oʻlchamli embedding’larni belgilaydi; standart oʻlcham 1024. Oila ichma-ich ifoda oʻlchamlari uchun Matryoshka oʻqitishidan foydalanadi va kvantlash tanlovlarini qoʻllaydi: 32 bitli suzuvchi nuqta, ishorali yoki ishorasiz 8 bitli butun sonlar hamda qadoqlangan ikkilik chiqish.

Ikkilik chiqishda qaytarilgan baytlar roʻyxati uzunligi tanlangan oʻlchamning sakkizdan biriga teng, chunki har bir baytda sakkiz embedding biti bor. Indeks bilan oʻlcham va maʼlumot turi tanlovlarini saqlang va shu ifodani qoʻllaydigan solishtirish usulidan foydalaning. Kichikroq yoki siqilgan vektor qidiruvda ishlatiladigan ifodani oʻzgartiradi; toʻplam uchun tanlashdan oldin haqiqiy savollarda qaytgan tegishli parchalarni baholang.

Hujjat va soʻrov kirishlarini tayyorlang

Voyage korpus parchalari uchun document rolidan, qidiruv ifodasi uchun esa query rolidan foydalanishni tavsiya etadi. Rol tanlovi embedding olishdan oldin mos qidiruv koʻrsatmasini qoʻshadi. Parchaning foydali sarlavhasi, shartlari va manba joyini saqlang, keyin qaytarilgan vektorni asl matn va barqaror identifikator bilan saqlang.

Texnik bilim toʻplamida nosozlik rejimi haqidagi savol shu rejim va tegishli shartlarini tavsiflaydigan parchaga olib borishi kerak. Turli tillardagi hujjatlar toʻplamida manba tilini saqlang va foydalanuvchilar qidiradigan savollar hamda atamalarni baholang. Reliz qidiruv materiallari, jumladan texnik hujjatlar, suhbatlar, uzun hujjatlar, kod, huquq, moliya va veb matnlarini qamrab oladi. Embedding nomzod materialni topadi; keyingi reranker yoki javob bosqichi asl matndan foydalanadi.

Kontekst, toʻplam va qisqartirish chegaralari

Ishlab chiqaruvchining joriy qoʻllanmasi bitta voyage-4-large soʻrovida 1,000 tagacha satr va jami 120,000 kirish tokenini ruxsat etadi. Bu voyage-4 uchun koʻrsatilgan toʻplam imkoniyatidan farq qiladi, garchi ikkalasida ham bitta matn uchun 32,000 tokenli oyna boʻlsa. Standart qisqartirish haddan tashqari uzun kirishni sigʻishi uchun qisqartiradi; qisqartirish oʻchirilsa, uzun matn xato qaytaradi.

Uzun manbaning kesilgan oxirida muhim shart yoʻqolmasligi uchun javobni oʻz ichiga olgan parcha chegaralarini ongli tanlang. Qidiruv natijalarini qaytarishda manbaga bogʻlanishni saqlang va vektorlar yaqinligini mazmun tekshiruvi deb bilmay, haqiqiy nomzod matnini koʻzdan kechiring. Umumiy fazo mosligi hujjatlashtirilgan Voyage 4 matn oilasiga tegishli; kontekstga mos boʻlak qayta ishlash, tasvir/video embedding’lari va keyingi model nashrlari oʻziga xos alohida jarayonlar boʻlib qoladi.

", "aboutText": "voyage-4-large — Voyage AI’ning Voyage 4 oilasidagi yetakchi matn embedding modeli. U umumiy maqsadli va koʻp tilli qidiruv uchun manba parchalari hamda soʻrovlarni sonli vektorlar sifatida ifodalaydi. Uning ikki oʻziga xos xususiyati — ekspertlar aralashmasiga asoslangan model dizayni va voyage-4-large, voyage-4, voyage-4-lite hamda voyage-4-nano ishlatadigan umumiy embedding fazosi.\n\n### Umumiy fazo: korpus va soʻrov uchun alohida tanlovlar\n\nIshlab chiqaruvchi assimetrik qidiruvni tavsiflaydi: hujjatlar voyage-4-large bilan embedding qilinishi, boshqa Voyage 4 oilasi modeli esa soʻrov vektorlarini tayyorlashi mumkin. Masalan, Large bilan ifodalangan korpusda voyage-4 soʻrovlari orqali qidirish mumkin. Bu qidiruvning ikki tomoniga hujjatlashtirilgan mos fazoda qolgan holda turli model tanlovlarini ishlatish imkonini beradi.\n\nShu sabab amaliy toʻplam barqaror hujjat parchalarini tayyorlashda Large’dan foydalanib, soʻrov tomonidagi modelni mustaqil tanlashi mumkin. Korpus yaratilganda yoki yangilanganda hujjat embedding’lari olinadi, soʻrovlar esa foydalanuvchi qidirayotgan paytda vektorlanadi. Oila eʼloni mos oila ichida soʻrov modelini almashtirishni, faqat shu oʻzgarish uchun hujjat korpusini qayta vektorlamaslikni tavsiflaydi. Solishtiriladigan vektorlarni bir xil oʻlchamda va qidiruv tizimi birgalikda talqin qila oladigan ifodalarda saqlang.\n\n### Ekspertlar aralashmasi embedding dizayni\n\nZich oldinga uzatish qatlami har bir tokenni oʻzining toʻliq parametrlar toʻplamidan oʻtkazadi. voyage-4-large uchun tavsiflangan MoE yondashuvi marshrutlagich va ekspert oldinga uzatish tarmoqlaridan foydalanib, har bir tokenni qayta ishlaydigan ekspertlarni tanlaydi. Bu umumiy model sigʻimini muayyan tokenda faol parametrlaridan ajratadi. Voyage modelning MoE dizayni uchun top-k marshrutlash bilan 1/10 faollashish nisbatini koʻrsatadi.\n\nIshlab chiqaruvchining texnik tushuntirishi ikkita ishlab chiqish tanlovini ham tavsiflaydi. Ekspert sigʻimi ortiqcha tokenlar qoldiq yoʻl orqali ekspert qatlamini chetlab oʻtish-oʻtmasligiga taʼsir qiladi; jamoa qidiruv sifati yoʻqolishini oldini olish uchun imkon qadar eng katta sigʻim koeffitsiyentini tanlagan. Yakuniy oʻqitish bosqichida model birlashtirishidan oldin marshrutlagich parametrlari qotiriladi, shunda manba modellari interpolatsiyasi oʻrganilgan ekspert tanlash yoʻnalishini oʻzgartirmaydi. Bular model tayyorlash xususiyatlari, kirish tayyorlashdagi matn uzunligi yoki qisqartirish sozlamalaridan alohida.\n\n### Oʻlchamlar va chiqish ifodasi\n\nRasmiy model jadvali 32,000 tokenli kontekst oynasi va tanlanadigan 256, 512, 1024 hamda 2048 oʻlchamli embedding’larni belgilaydi; standart oʻlcham 1024. Oila ichma-ich ifoda oʻlchamlari uchun Matryoshka oʻqitishidan foydalanadi va kvantlash tanlovlarini qoʻllaydi: 32 bitli suzuvchi nuqta, ishorali yoki ishorasiz 8 bitli butun sonlar hamda qadoqlangan ikkilik chiqish.\n\nIkkilik chiqishda qaytarilgan baytlar roʻyxati uzunligi tanlangan oʻlchamning sakkizdan biriga teng, chunki har bir baytda sakkiz embedding biti bor. Indeks bilan oʻlcham va maʼlumot turi tanlovlarini saqlang va shu ifodani qoʻllaydigan solishtirish usulidan foydalaning. Kichikroq yoki siqilgan vektor qidiruvda ishlatiladigan ifodani oʻzgartiradi; toʻplam uchun tanlashdan oldin haqiqiy savollarda qaytgan tegishli parchalarni baholang.\n\n### Hujjat va soʻrov kirishlarini tayyorlang\n\nVoyage korpus parchalari uchun document rolidan, qidiruv ifodasi uchun esa query rolidan foydalanishni tavsiya etadi. Rol tanlovi embedding olishdan oldin mos qidiruv koʻrsatmasini qoʻshadi. Parchaning foydali sarlavhasi, shartlari va manba joyini saqlang, keyin qaytarilgan vektorni asl matn va barqaror identifikator bilan saqlang.\n\nTexnik bilim toʻplamida nosozlik rejimi haqidagi savol shu rejim va tegishli shartlarini tavsiflaydigan parchaga olib borishi kerak. Turli tillardagi hujjatlar toʻplamida manba tilini saqlang va foydalanuvchilar qidiradigan savollar hamda atamalarni baholang. Reliz qidiruv materiallari, jumladan texnik hujjatlar, suhbatlar, uzun hujjatlar, kod, huquq, moliya va veb matnlarini qamrab oladi. Embedding nomzod materialni topadi; keyingi reranker yoki javob bosqichi asl matndan foydalanadi.\n\n### Kontekst, toʻplam va qisqartirish chegaralari\n\nIshlab chiqaruvchining joriy qoʻllanmasi bitta voyage-4-large soʻrovida 1,000 tagacha satr va jami 120,000 kirish tokenini ruxsat etadi. Bu voyage-4 uchun koʻrsatilgan toʻplam imkoniyatidan farq qiladi, garchi ikkalasida ham bitta matn uchun 32,000 tokenli oyna boʻlsa. Standart qisqartirish haddan tashqari uzun kirishni sigʻishi uchun qisqartiradi; qisqartirish oʻchirilsa, uzun matn xato qaytaradi.\n\nUzun manbaning kesilgan oxirida muhim shart yoʻqolmasligi uchun javobni oʻz ichiga olgan parcha chegaralarini ongli tanlang. Qidiruv natijalarini qaytarishda manbaga bogʻlanishni saqlang va vektorlar yaqinligini mazmun tekshiruvi deb bilmay, haqiqiy nomzod matnini koʻzdan kechiring. Umumiy fazo mosligi hujjatlashtirilgan Voyage 4 matn oilasiga tegishli; kontekstga mos boʻlak qayta ishlash, tasvir/video embedding’lari va keyingi model nashrlari oʻziga xos alohida jarayonlar boʻlib qoladi.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0005b596c821a713d519a5da85bfba187ba46fec1f40d48d259be3a3b4443454", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "uz", "methods": [ { "html": "
•

VoyageAI by MongoDB: voyage-4-large

VoyageAI by MongoDB /voyageai/voyage-4-large

Boshlash

voyage-4-large — umumiy maqsadli va ko‘p tilli qidiruv uchun Voyage AI’ning mixture-of-experts matn embedding modeli. Vektorlari Voyage 4 oilasining umumiy makonida bo‘ladi; Large bilan olingan korpus embeddinglarini shu oiladagi boshqa modellarning mos so‘rov embeddinglari bilan qidirish mumkin.

Qabul qilinadigan kirish ma’lumotlari
Matn · token_ids
Natijalar
embedding
Model haqida

Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.

voyage-4-large — Voyage AI’ning Voyage 4 oilasidagi yetakchi matn embedding modeli. U umumiy maqsadli va koʻp tilli qidiruv uchun manba parchalari hamda soʻrovlarni sonli vektorlar sifatida ifodalaydi. Uning ikki oʻziga xos xususiyati — ekspertlar aralashmasiga asoslangan model dizayni va voyage-4-large, voyage-4, voyage-4-lite hamda voyage-4-nano ishlatadigan umumiy embedding fazosi.

Umumiy fazo: korpus va soʻrov uchun alohida tanlovlar

Ishlab chiqaruvchi assimetrik qidiruvni tavsiflaydi: hujjatlar voyage-4-large bilan embedding qilinishi, boshqa Voyage 4 oilasi modeli esa soʻrov vektorlarini tayyorlashi mumkin. Masalan, Large bilan ifodalangan korpusda voyage-4 soʻrovlari orqali qidirish mumkin. Bu qidiruvning ikki tomoniga hujjatlashtirilgan mos fazoda qolgan holda turli model tanlovlarini ishlatish imkonini beradi.

Shu sabab amaliy toʻplam barqaror hujjat parchalarini tayyorlashda Large’dan foydalanib, soʻrov tomonidagi modelni mustaqil tanlashi mumkin. Korpus yaratilganda yoki yangilanganda hujjat embedding’lari olinadi, soʻrovlar esa foydalanuvchi qidirayotgan paytda vektorlanadi. Oila eʼloni mos oila ichida soʻrov modelini almashtirishni, faqat shu oʻzgarish uchun hujjat korpusini qayta vektorlamaslikni tavsiflaydi. Solishtiriladigan vektorlarni bir xil oʻlchamda va qidiruv tizimi birgalikda talqin qila oladigan ifodalarda saqlang.

Ekspertlar aralashmasi embedding dizayni

Zich oldinga uzatish qatlami har bir tokenni oʻzining toʻliq parametrlar toʻplamidan oʻtkazadi. voyage-4-large uchun tavsiflangan MoE yondashuvi marshrutlagich va ekspert oldinga uzatish tarmoqlaridan foydalanib, har bir tokenni qayta ishlaydigan ekspertlarni tanlaydi. Bu umumiy model sigʻimini muayyan tokenda faol parametrlaridan ajratadi. Voyage modelning MoE dizayni uchun top-k marshrutlash bilan 1/10 faollashish nisbatini koʻrsatadi.

Ishlab chiqaruvchining texnik tushuntirishi ikkita ishlab chiqish tanlovini ham tavsiflaydi. Ekspert sigʻimi ortiqcha tokenlar qoldiq yoʻl orqali ekspert qatlamini chetlab oʻtish-oʻtmasligiga taʼsir qiladi; jamoa qidiruv sifati yoʻqolishini oldini olish uchun imkon qadar eng katta sigʻim koeffitsiyentini tanlagan. Yakuniy oʻqitish bosqichida model birlashtirishidan oldin marshrutlagich parametrlari qotiriladi, shunda manba modellari interpolatsiyasi oʻrganilgan ekspert tanlash yoʻnalishini oʻzgartirmaydi. Bular model tayyorlash xususiyatlari, kirish tayyorlashdagi matn uzunligi yoki qisqartirish sozlamalaridan alohida.

Oʻlchamlar va chiqish ifodasi

Rasmiy model jadvali 32,000 tokenli kontekst oynasi va tanlanadigan 256, 512, 1024 hamda 2048 oʻlchamli embedding’larni belgilaydi; standart oʻlcham 1024. Oila ichma-ich ifoda oʻlchamlari uchun Matryoshka oʻqitishidan foydalanadi va kvantlash tanlovlarini qoʻllaydi: 32 bitli suzuvchi nuqta, ishorali yoki ishorasiz 8 bitli butun sonlar hamda qadoqlangan ikkilik chiqish.

Ikkilik chiqishda qaytarilgan baytlar roʻyxati uzunligi tanlangan oʻlchamning sakkizdan biriga teng, chunki har bir baytda sakkiz embedding biti bor. Indeks bilan oʻlcham va maʼlumot turi tanlovlarini saqlang va shu ifodani qoʻllaydigan solishtirish usulidan foydalaning. Kichikroq yoki siqilgan vektor qidiruvda ishlatiladigan ifodani oʻzgartiradi; toʻplam uchun tanlashdan oldin haqiqiy savollarda qaytgan tegishli parchalarni baholang.

Hujjat va soʻrov kirishlarini tayyorlang

Voyage korpus parchalari uchun document rolidan, qidiruv ifodasi uchun esa query rolidan foydalanishni tavsiya etadi. Rol tanlovi embedding olishdan oldin mos qidiruv koʻrsatmasini qoʻshadi. Parchaning foydali sarlavhasi, shartlari va manba joyini saqlang, keyin qaytarilgan vektorni asl matn va barqaror identifikator bilan saqlang.

Texnik bilim toʻplamida nosozlik rejimi haqidagi savol shu rejim va tegishli shartlarini tavsiflaydigan parchaga olib borishi kerak. Turli tillardagi hujjatlar toʻplamida manba tilini saqlang va foydalanuvchilar qidiradigan savollar hamda atamalarni baholang. Reliz qidiruv materiallari, jumladan texnik hujjatlar, suhbatlar, uzun hujjatlar, kod, huquq, moliya va veb matnlarini qamrab oladi. Embedding nomzod materialni topadi; keyingi reranker yoki javob bosqichi asl matndan foydalanadi.

Kontekst, toʻplam va qisqartirish chegaralari

Ishlab chiqaruvchining joriy qoʻllanmasi bitta voyage-4-large soʻrovida 1,000 tagacha satr va jami 120,000 kirish tokenini ruxsat etadi. Bu voyage-4 uchun koʻrsatilgan toʻplam imkoniyatidan farq qiladi, garchi ikkalasida ham bitta matn uchun 32,000 tokenli oyna boʻlsa. Standart qisqartirish haddan tashqari uzun kirishni sigʻishi uchun qisqartiradi; qisqartirish oʻchirilsa, uzun matn xato qaytaradi.

Uzun manbaning kesilgan oxirida muhim shart yoʻqolmasligi uchun javobni oʻz ichiga olgan parcha chegaralarini ongli tanlang. Qidiruv natijalarini qaytarishda manbaga bogʻlanishni saqlang va vektorlar yaqinligini mazmun tekshiruvi deb bilmay, haqiqiy nomzod matnini koʻzdan kechiring. Umumiy fazo mosligi hujjatlashtirilgan Voyage 4 matn oilasiga tegishli; kontekstga mos boʻlak qayta ishlash, tasvir/video embedding’lari va keyingi model nashrlari oʻziga xos alohida jarayonlar boʻlib qoladi.

Ailoot da mavjud · kirish ma’lumotlari va usullar

Ailoot Ultra · Embeddinglar POST /v1/embeddings
Kirish
text, token_ids
Chiqish
embedding
Kontekst
32 000 tokens
Chiqish formati
json
MaydonTurTalabQiymatlar va cheklovlarStandart
MaydonmodelTurstringTalabMajburiyQiymatlar va cheklovlar
voyageai/voyage-4-large
Standart—
MaydoninputTurstring|string[]|integer[]|integer[][]TalabMajburiyQiymatlar va cheklovlar
Elementlarning eng kam soni: 1
Shartlar: Bo‘sh bo‘lmagan, bir xil turdagi elementlardan iborat paket. Token ID lari manfiy bo‘lmagan butun sonlardir.
Kirish budjeti: Eng ko‘p: 32 000 · Matn birligi: UTF8 baytlari · Token birligi: Tokenlar massivi elementlari
Standart—
Maydonencoding_formatTurstringTalabIxtiyoriyQiymatlar va cheklovlar
float
Standartfloat
MaydondimensionsTurintegerTalabQo‘llab-quvvatlanmaydiQiymatlar va cheklovlar
Eng kam: 1
Standart—
MaydonuserTurjson_valueTalabIxtiyoriyQiymatlar va cheklovlar
Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.
Standart—
Maydonsession_idTurjson_valueTalabIxtiyoriyQiymatlar va cheklovlar
Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.
Standart—
MaydontraceTurjson_valueTalabIxtiyoriyQiymatlar va cheklovlar
Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.
Standart—
MaydonproviderTurobjectTalabIxtiyoriyQiymatlar va cheklovlar
Shartlar: provider.options rad etildi
Standart—
Kirish materiallari birikmalari

text_to_embedding

Usul parametrlari va hayot sikli
ParametrParametr talablari
Parametrcontent_typeParametr talablariapplication/json
ParametrrequiredParametr talablarimodel, input
Parametrinput_shapesParametr talablaristring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parametrencoding_formatParametr talablarifloat
Parametrdimensions_overrideParametr talablarifalse
Parametrmax_input_budget_unitsParametr talablari32000
Parametrmultimodal_objectsParametr talablarifalse
Parametrmaterial_typesParametr talablaritext, token_ids

Hayot sikli: synchronous_json

Har bir vektorning indeksi va o‘lchamini saqlang.

Model nomida multimodal deyilgani aynan shu yo‘nalishda rasm obyektlariga ruxsat borligini anglatmaydi.

Tariflar

Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.

Tezkor rejim
Standart tarif Tezkor rejim tanlanganda
Flex rejimi
Standart tarif flex rejimi tanlanganda
Maksimal fikrlash darajasi
Standart tarif Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda

Ailoot tariflari

Sozlamalar bo‘yicha narxlar

SozlamaTariflar jadvaliTo‘lov
SozlamaTokenlar uchun bazaviy tariflarTariflar jadvaliAsosiy tarifTo‘lov
Kirish · Kirish tokenlari $0.00024 / 1K token
Chiqish · Chiqish tokenlari $0 / 1K token
Kirish · Keshdan o‘qish — / 1K token
Kirish · Keshga yozish — / 1K token
Kirish · Keshga yozish, 1 soat — / 1K token

Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →

So‘rov namunalari

Ailoot Ultra · Embeddinglar

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-large", "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

Natijalarni olish va saqlash

Ailoot Ultra · Embeddinglar

json

Barcha tayyor natijalarni saqlash

Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.

Har bir vektorni indeksi bilan saqlang. Vektorlar soni kirish elementlari soniga teng bo‘lishi va o‘lchamlar bir xil bo‘lishi kerak.

Asl javobni tekshirish kerak bo‘lsa

Embedding vazifalari uchun endpoint qo‘shilmaydi.

Javob maydonlari
MaydonTur
MaydonobjectTurstring
MaydonmodelTurstring
Maydondata[].indexTurinteger
Maydondata[].embeddingTurfinite float[]
MaydonusageTurobject
Xatolar va keyingi qadamlar
JavobShartKeyingi qadam
Javob400 · invalid_request_errorShartMajburiy maydonlar, material ifodasi yoki parametr qiymati noto‘g‘riKeyingi qadamYangi yaratish so‘rovidan oldin ko‘rsatilgan maydonlarni tuzating.

Taxalluslar

Model taxalluslari

Ailoot Ultra voyageai/voyage-4-large

Usul yo‘llari taxalluslari

Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.

Chaqirish uchun tegishli ID lar

voyageai/voyage-4-large

", "method_identity": { "effective_request_model_id": "voyageai/voyage-4-large", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "voyageai/voyage-4-large", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|voyageai%2Fvoyage-4-large", "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": "Majburiy maydonlar, material ifodasi yoki parametr qiymati noto‘g‘ri", "http_status": 400, "recovery": "Yangi yaratish so‘rovidan oldin ko‘rsatilgan maydonlarni tuzating.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Embedding vazifalari uchun endpoint qo‘shilmaydi." }, "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": "Har bir vektorni indeksi bilan saqlang. Vektorlar soni kirish elementlari soniga teng bo‘lishi va o‘lchamlar bir xil bo‘lishi kerak.", "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-large" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32000, "text_unit": "UTF8 baytlari", "token_unit": "Tokenlar massivi elementlari" }, "conditions": "Bo‘sh bo‘lmagan, bir xil turdagi elementlardan iborat paket. Token ID lari manfiy bo‘lmagan butun sonlardir.", "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": "Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options rad etildi", "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": [ "Har bir vektorning indeksi va o‘lchamini saqlang.", "Model nomida multimodal deyilgani aynan shu yo‘nalishda rasm obyektlariga ruxsat borligini anglatmaydi." ], "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": "Tokenlar uchun bazaviy tariflar", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"voyageai/voyage-4-large\", \"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-large',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.24, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Tezkor rejim", "value": "Standart tarif", "when": "Tezkor rejim tanlanganda" }, { "label": "Flex rejimi", "value": "Standart tarif", "when": "flex rejimi tanlanganda" }, { "label": "Maksimal fikrlash darajasi", "value": "Standart tarif", "when": "Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "voyageai/voyage-4-large", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "voyageai/voyage-4-large", "nativeProvenance": { "input_facts_canonical_sha256": "c16a03e83969e0c08b3a022d16589328de692dad27e81012ea508eb796bc7a09", "input_html_sha256": "9e58ef8225ce323fa22c6a65bf9e420388f5685a3e1f096de3899aea1e6c6f9c", "private_audit_sha256": "ddc910b17c969d09b25dcb1562a81dfd483f7d6803722dcfcdcaaef20c89bafb", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/uz/voyageai-voyage-4-large/", "description": "voyage-4-large — umumiy maqsadli va ko‘p tilli qidiruv uchun Voyage AI’ning mixture-of-experts matn embedding modeli. Vektorlari Voyage 4 oilasining umumiy makonida bo‘ladi; Large bilan olingan korpus embeddinglarini shu oiladagi boshqa modellarning mos so‘rov embeddinglari bilan qidirish mumkin.", "locale": "uz", "md_url": "https://ailoot.ai/models/uz/voyageai-voyage-4-large/index.md", "title": "VoyageAI by MongoDB: voyage-4-large — Ailoot", "url": "https://ailoot.ai/models/uz/voyageai-voyage-4-large/" }, "rawModel": { "about": "voyage-4-large — Voyage AI’ning Voyage 4 oilasidagi yetakchi matn embedding modeli. U umumiy maqsadli va koʻp tilli qidiruv uchun manba parchalari hamda soʻrovlarni sonli vektorlar sifatida ifodalaydi. Uning ikki oʻziga xos xususiyati — ekspertlar aralashmasiga asoslangan model dizayni va voyage-4-large, voyage-4, voyage-4-lite hamda voyage-4-nano ishlatadigan umumiy embedding fazosi.\n\n### Umumiy fazo: korpus va soʻrov uchun alohida tanlovlar\n\nIshlab chiqaruvchi assimetrik qidiruvni tavsiflaydi: hujjatlar voyage-4-large bilan embedding qilinishi, boshqa Voyage 4 oilasi modeli esa soʻrov vektorlarini tayyorlashi mumkin. Masalan, Large bilan ifodalangan korpusda voyage-4 soʻrovlari orqali qidirish mumkin. Bu qidiruvning ikki tomoniga hujjatlashtirilgan mos fazoda qolgan holda turli model tanlovlarini ishlatish imkonini beradi.\n\nShu sabab amaliy toʻplam barqaror hujjat parchalarini tayyorlashda Large’dan foydalanib, soʻrov tomonidagi modelni mustaqil tanlashi mumkin. Korpus yaratilganda yoki yangilanganda hujjat embedding’lari olinadi, soʻrovlar esa foydalanuvchi qidirayotgan paytda vektorlanadi. Oila eʼloni mos oila ichida soʻrov modelini almashtirishni, faqat shu oʻzgarish uchun hujjat korpusini qayta vektorlamaslikni tavsiflaydi. Solishtiriladigan vektorlarni bir xil oʻlchamda va qidiruv tizimi birgalikda talqin qila oladigan ifodalarda saqlang.\n\n### Ekspertlar aralashmasi embedding dizayni\n\nZich oldinga uzatish qatlami har bir tokenni oʻzining toʻliq parametrlar toʻplamidan oʻtkazadi. voyage-4-large uchun tavsiflangan MoE yondashuvi marshrutlagich va ekspert oldinga uzatish tarmoqlaridan foydalanib, har bir tokenni qayta ishlaydigan ekspertlarni tanlaydi. Bu umumiy model sigʻimini muayyan tokenda faol parametrlaridan ajratadi. Voyage modelning MoE dizayni uchun top-k marshrutlash bilan 1/10 faollashish nisbatini koʻrsatadi.\n\nIshlab chiqaruvchining texnik tushuntirishi ikkita ishlab chiqish tanlovini ham tavsiflaydi. Ekspert sigʻimi ortiqcha tokenlar qoldiq yoʻl orqali ekspert qatlamini chetlab oʻtish-oʻtmasligiga taʼsir qiladi; jamoa qidiruv sifati yoʻqolishini oldini olish uchun imkon qadar eng katta sigʻim koeffitsiyentini tanlagan. Yakuniy oʻqitish bosqichida model birlashtirishidan oldin marshrutlagich parametrlari qotiriladi, shunda manba modellari interpolatsiyasi oʻrganilgan ekspert tanlash yoʻnalishini oʻzgartirmaydi. Bular model tayyorlash xususiyatlari, kirish tayyorlashdagi matn uzunligi yoki qisqartirish sozlamalaridan alohida.\n\n### Oʻlchamlar va chiqish ifodasi\n\nRasmiy model jadvali 32,000 tokenli kontekst oynasi va tanlanadigan 256, 512, 1024 hamda 2048 oʻlchamli embedding’larni belgilaydi; standart oʻlcham 1024. Oila ichma-ich ifoda oʻlchamlari uchun Matryoshka oʻqitishidan foydalanadi va kvantlash tanlovlarini qoʻllaydi: 32 bitli suzuvchi nuqta, ishorali yoki ishorasiz 8 bitli butun sonlar hamda qadoqlangan ikkilik chiqish.\n\nIkkilik chiqishda qaytarilgan baytlar roʻyxati uzunligi tanlangan oʻlchamning sakkizdan biriga teng, chunki har bir baytda sakkiz embedding biti bor. Indeks bilan oʻlcham va maʼlumot turi tanlovlarini saqlang va shu ifodani qoʻllaydigan solishtirish usulidan foydalaning. Kichikroq yoki siqilgan vektor qidiruvda ishlatiladigan ifodani oʻzgartiradi; toʻplam uchun tanlashdan oldin haqiqiy savollarda qaytgan tegishli parchalarni baholang.\n\n### Hujjat va soʻrov kirishlarini tayyorlang\n\nVoyage korpus parchalari uchun document rolidan, qidiruv ifodasi uchun esa query rolidan foydalanishni tavsiya etadi. Rol tanlovi embedding olishdan oldin mos qidiruv koʻrsatmasini qoʻshadi. Parchaning foydali sarlavhasi, shartlari va manba joyini saqlang, keyin qaytarilgan vektorni asl matn va barqaror identifikator bilan saqlang.\n\nTexnik bilim toʻplamida nosozlik rejimi haqidagi savol shu rejim va tegishli shartlarini tavsiflaydigan parchaga olib borishi kerak. Turli tillardagi hujjatlar toʻplamida manba tilini saqlang va foydalanuvchilar qidiradigan savollar hamda atamalarni baholang. Reliz qidiruv materiallari, jumladan texnik hujjatlar, suhbatlar, uzun hujjatlar, kod, huquq, moliya va veb matnlarini qamrab oladi. Embedding nomzod materialni topadi; keyingi reranker yoki javob bosqichi asl matndan foydalanadi.\n\n### Kontekst, toʻplam va qisqartirish chegaralari\n\nIshlab chiqaruvchining joriy qoʻllanmasi bitta voyage-4-large soʻrovida 1,000 tagacha satr va jami 120,000 kirish tokenini ruxsat etadi. Bu voyage-4 uchun koʻrsatilgan toʻplam imkoniyatidan farq qiladi, garchi ikkalasida ham bitta matn uchun 32,000 tokenli oyna boʻlsa. Standart qisqartirish haddan tashqari uzun kirishni sigʻishi uchun qisqartiradi; qisqartirish oʻchirilsa, uzun matn xato qaytaradi.\n\nUzun manbaning kesilgan oxirida muhim shart yoʻqolmasligi uchun javobni oʻz ichiga olgan parcha chegaralarini ongli tanlang. Qidiruv natijalarini qaytarishda manbaga bogʻlanishni saqlang va vektorlar yaqinligini mazmun tekshiruvi deb bilmay, haqiqiy nomzod matnini koʻzdan kechiring. Umumiy fazo mosligi hujjatlashtirilgan Voyage 4 matn oilasiga tegishli; kontekstga mos boʻlak qayta ishlash, tasvir/video embedding’lari va keyingi model nashrlari oʻziga xos alohida jarayonlar boʻlib qoladi.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/voyage-4-large", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Konfiguratsiya narxlari tafsilotlarda to‘liq ko‘rsatilgan." } ], "ctx": 32000, "entity_type": "model", "formats": [ "embeddings" ], "id": "voyageai/voyage-4-large", "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": "Majburiy maydonlar, material ifodasi yoki parametr qiymati noto‘g‘ri", "http_status": 400, "recovery": "Yangi yaratish so‘rovidan oldin ko‘rsatilgan maydonlarni tuzating.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Embedding vazifalari uchun endpoint qo‘shilmaydi." }, "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": "Har bir vektorni indeksi bilan saqlang. Vektorlar soni kirish elementlari soniga teng bo‘lishi va o‘lchamlar bir xil bo‘lishi kerak.", "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-large" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32000, "text_unit": "UTF8 baytlari", "token_unit": "Tokenlar massivi elementlari" }, "conditions": "Bo‘sh bo‘lmagan, bir xil turdagi elementlardan iborat paket. Token ID lari manfiy bo‘lmagan butun sonlardir.", "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": "Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options rad etildi", "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": [ "Har bir vektorning indeksi va o‘lchamini saqlang.", "Model nomida multimodal deyilgani aynan shu yo‘nalishda rasm obyektlariga ruxsat borligini anglatmaydi." ], "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": "Tokenlar uchun bazaviy tariflar", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"voyageai/voyage-4-large\", \"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-large',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.24, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Tezkor rejim", "value": "Standart tarif", "when": "Tezkor rejim tanlanganda" }, { "label": "Flex rejimi", "value": "Standart tarif", "when": "flex rejimi tanlanganda" }, { "label": "Maksimal fikrlash darajasi", "value": "Standart tarif", "when": "Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "voyageai/voyage-4-large", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "voyageai/voyage-4-large", "request_model_id": "voyageai/voyage-4-large", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: voyage-4-large", "price": { "in": 0.24, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.24, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00024000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000024", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "public_id": "voyageai/voyage-4-large", "short": "voyage-4-large — umumiy maqsadli va ko‘p tilli qidiruv uchun Voyage AI’ning mixture-of-experts matn embedding modeli. Vektorlari Voyage 4 oilasining umumiy makonida bo‘ladi; Large bilan olingan korpus embeddinglarini shu oiladagi boshqa modellarning mos so‘rov embeddinglari bilan qidirish mumkin." }, "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-large — umumiy maqsadli va ko‘p tilli qidiruv uchun Voyage AI’ning mixture-of-experts matn embedding modeli. Vektorlari Voyage 4 oilasining umumiy makonida bo‘ladi; Large bilan olingan korpus embeddinglarini shu oiladagi boshqa modellarning mos so‘rov embeddinglari bilan qidirish mumkin.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "db469bd02e0db82eb6d411c9db0bd4b0cfad1a89da96eccd60d8e7ea1fbc62df", "renderer_sha256": "aa8a0fca1bd770c042b64987512b6187fca2067aea3ddc877f68b163d80e7df6" }, "sourceRevision": "bdf6e0b76db0221014b965841348e7725124651d7c9870d583e9fd07fcafb6e0" }