Voyage 3 Large ist ein Text-Embedding-Modell zum Finden relevanter Informationen in einer Dokumentensammlung. Es stellt jeden bereitgestellten Text als numerischen Vektor dar, sodass eine Anwendung eine Suchanfrage mit Passagen vergleichen kann, deren Wortlaut anders, deren Bedeutung aber verwandt ist. Voyage AI positioniert diese Edition für allgemeine und mehrsprachige Informationssuche und umfasst dabei Material wie technische Dokumentation, Gespräche und lange Dokumente.
Bauen Sie die durchsuchbare Sammlung aus den Informationen auf, die Menschen tatsächlich wiederfinden müssen. Bewahren Sie für eine Produktwissensdatenbank die Erklärung einer Funktion zusammen mit ihren Voraussetzungen und relevanten Ausnahmen auf. Erhalten Sie bei Besprechungsprotokollen Sprecherkennzeichnungen und genügend umgebende Diskussion, damit das Thema verständlich bleibt. Teilen Sie eine grosse Quelle an sinnvollen Grenzen und speichern Sie Quelltitel, Dokumentkennung und Passagenposition zusammen mit jedem Vektor.
Bereiten Sie eine Suchfrage als Anfrage und indexiertes Material als Dokumente vor. Im Text-Embedding-Ablauf des Herstellers gibt der Eingabetyp dem Modell die Suchrolle des Textes an. Eine Anfrage wie «Wie erhält ein Mitglied nach dem Verlust eines Sicherheitsschlüssels wieder Zugriff?» lässt sich dann mit Supportpassagen zum Wiederherstellungsverfahren vergleichen, auch wenn diese anders formuliert sind. Halten Sie die Originalpassage verfügbar, damit das Suchergebnis die Belege für seine Übereinstimmung zeigen kann.
Das Modell hat ein Kontextfenster von 32’000 Token. Eine lange Eingabe kann einen vollständigen Abschnitt erhalten, doch ein ganzes Dokument ist nicht immer die hilfreichste Sucheinheit. Ein breit angelegter Vektor kann auf die richtige Datei zeigen, während der Leser die genaue Antwort noch suchen muss. Wählen Sie Passagengrenzen anhand des anzuzeigenden Ergebnisses und erhalten Sie Überschriften, Einschränkungen und Definitionen zusammen mit dem Inhalt, den sie erläutern.
Voyage 3 Large unterstützt Vektoren mit 2’048, 1’024, 512 oder 256 Dimensionen. Der Hersteller dokumentiert ausserdem Gleitkommadarstellungen, vorzeichenbehaftete oder vorzeichenlose Acht-Bit-Darstellungen sowie Binärdarstellungen. Diese Optionen lassen ein Suchsystem Vektordetail mit Indexgrösse und Suchverhalten vergleichen. Wählen Sie das vom vorgesehenen Vektorspeicher unterstützte Format und bewerten Sie es anhand des tatsächlichen Korpus und repräsentativer Fragen, bevor Sie die Einstellungen des Produktionsindex festlegen.
Nehmen Sie für mehrsprachige Suche Testfragen in den Sprachen Ihrer Nutzer auf und prüfen Sie die gefundenen Quellpassagen in ihrer Originalsprache. Eine gemeinsame Suchoberfläche kann mehrere Sprachsammlungen bedienen, während Dokumentmetadaten weiterhin Quellsprache und Version benennen. Erhalten Sie bei der Extraktion bedeutungsvolle Namen, Abkürzungen und Fachbegriffe, statt sie vor der Embedding-Erzeugung durch eine allgemeine Zusammenfassung zu ersetzen.
Verwenden Sie die Vektoren zum Abruf möglicher Passagen für eine Suchseite, einen Wissensassistenten oder einen Dokumentauswahlschritt. Behalten Sie für die indexierte Sammlung und ihre Anfragen dasselbe Modell und dieselben Vektoreinstellungen bei. Bauen Sie beim Ersetzen eines Embedding-Modells oder Ändern der Vektordimensionen den betroffenen Index bewusst neu auf und vergleichen Sie ihn; die Länge eines Vektors allein kennzeichnet nicht seine Entstehung.
Beurteilen Sie das Ergebnis anhand nützlicher Suche: ob die richtige Passage erscheint, ob nahe liegende, aber irreführende Passagen darüber eingestuft werden und ob der angezeigte Auszug die Antwort enthält. Bewahren Sie eine kleine Sammlung realer Fragen mit erwarteten Quellen auf, einschliesslich mehrdeutiger Formulierungen und nahezu gleicher Dokumente. Das Embedding liefert eine durchsuchbare Darstellung; die Anwendung erhält Quelltext, Berechtigungen und Links, die eine Übereinstimmung zu einem nutzbaren Ergebnis machen.
", "aboutText": "Voyage 3 Large ist ein Text-Embedding-Modell zum Finden relevanter Informationen in einer Dokumentensammlung. Es stellt jeden bereitgestellten Text als numerischen Vektor dar, sodass eine Anwendung eine Suchanfrage mit Passagen vergleichen kann, deren Wortlaut anders, deren Bedeutung aber verwandt ist. Voyage AI positioniert diese Edition für allgemeine und mehrsprachige Informationssuche und umfasst dabei Material wie technische Dokumentation, Gespräche und lange Dokumente.\n\nBauen Sie die durchsuchbare Sammlung aus den Informationen auf, die Menschen tatsächlich wiederfinden müssen. Bewahren Sie für eine Produktwissensdatenbank die Erklärung einer Funktion zusammen mit ihren Voraussetzungen und relevanten Ausnahmen auf. Erhalten Sie bei Besprechungsprotokollen Sprecherkennzeichnungen und genügend umgebende Diskussion, damit das Thema verständlich bleibt. Teilen Sie eine grosse Quelle an sinnvollen Grenzen und speichern Sie Quelltitel, Dokumentkennung und Passagenposition zusammen mit jedem Vektor.\n\nBereiten Sie eine Suchfrage als Anfrage und indexiertes Material als Dokumente vor. Im Text-Embedding-Ablauf des Herstellers gibt der Eingabetyp dem Modell die Suchrolle des Textes an. Eine Anfrage wie «Wie erhält ein Mitglied nach dem Verlust eines Sicherheitsschlüssels wieder Zugriff?» lässt sich dann mit Supportpassagen zum Wiederherstellungsverfahren vergleichen, auch wenn diese anders formuliert sind. Halten Sie die Originalpassage verfügbar, damit das Suchergebnis die Belege für seine Übereinstimmung zeigen kann.\n\nDas Modell hat ein Kontextfenster von 32’000 Token. Eine lange Eingabe kann einen vollständigen Abschnitt erhalten, doch ein ganzes Dokument ist nicht immer die hilfreichste Sucheinheit. Ein breit angelegter Vektor kann auf die richtige Datei zeigen, während der Leser die genaue Antwort noch suchen muss. Wählen Sie Passagengrenzen anhand des anzuzeigenden Ergebnisses und erhalten Sie Überschriften, Einschränkungen und Definitionen zusammen mit dem Inhalt, den sie erläutern.\n\nVoyage 3 Large unterstützt Vektoren mit 2’048, 1’024, 512 oder 256 Dimensionen. Der Hersteller dokumentiert ausserdem Gleitkommadarstellungen, vorzeichenbehaftete oder vorzeichenlose Acht-Bit-Darstellungen sowie Binärdarstellungen. Diese Optionen lassen ein Suchsystem Vektordetail mit Indexgrösse und Suchverhalten vergleichen. Wählen Sie das vom vorgesehenen Vektorspeicher unterstützte Format und bewerten Sie es anhand des tatsächlichen Korpus und repräsentativer Fragen, bevor Sie die Einstellungen des Produktionsindex festlegen.\n\nNehmen Sie für mehrsprachige Suche Testfragen in den Sprachen Ihrer Nutzer auf und prüfen Sie die gefundenen Quellpassagen in ihrer Originalsprache. Eine gemeinsame Suchoberfläche kann mehrere Sprachsammlungen bedienen, während Dokumentmetadaten weiterhin Quellsprache und Version benennen. Erhalten Sie bei der Extraktion bedeutungsvolle Namen, Abkürzungen und Fachbegriffe, statt sie vor der Embedding-Erzeugung durch eine allgemeine Zusammenfassung zu ersetzen.\n\nVerwenden Sie die Vektoren zum Abruf möglicher Passagen für eine Suchseite, einen Wissensassistenten oder einen Dokumentauswahlschritt. Behalten Sie für die indexierte Sammlung und ihre Anfragen dasselbe Modell und dieselben Vektoreinstellungen bei. Bauen Sie beim Ersetzen eines Embedding-Modells oder Ändern der Vektordimensionen den betroffenen Index bewusst neu auf und vergleichen Sie ihn; die Länge eines Vektors allein kennzeichnet nicht seine Entstehung.\n\nBeurteilen Sie das Ergebnis anhand nützlicher Suche: ob die richtige Passage erscheint, ob nahe liegende, aber irreführende Passagen darüber eingestuft werden und ob der angezeigte Auszug die Antwort enthält. Bewahren Sie eine kleine Sammlung realer Fragen mit erwarteten Quellen auf, einschliesslich mehrdeutiger Formulierungen und nahezu gleicher Dokumente. Das Embedding liefert eine durchsuchbare Darstellung; die Anwendung erhält Quelltext, Berechtigungen und Links, die eine Übereinstimmung zu einem nutzbaren Ergebnis machen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "37afd9bc62cf9cb944fe15687d2eb24824c139b98abdbaf98f42b4e7d76b1987", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "voyage-3-largeVoyage 3 Large wandelt Text in Vektoren für allgemeine und mehrsprachige Informationssuche um. Sein Eingabefenster von 32’000 Token, wählbare Vektordimensionen und quantisierte Formate unterstützen durchsuchbare Wissensdatenbanken, Dokumentrecherche und retrievalgestützte Generierung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Voyage 3 Large ist ein Text-Embedding-Modell zum Finden relevanter Informationen in einer Dokumentensammlung. Es stellt jeden bereitgestellten Text als numerischen Vektor dar, sodass eine Anwendung eine Suchanfrage mit Passagen vergleichen kann, deren Wortlaut anders, deren Bedeutung aber verwandt ist. Voyage AI positioniert diese Edition für allgemeine und mehrsprachige Informationssuche und umfasst dabei Material wie technische Dokumentation, Gespräche und lange Dokumente.
Bauen Sie die durchsuchbare Sammlung aus den Informationen auf, die Menschen tatsächlich wiederfinden müssen. Bewahren Sie für eine Produktwissensdatenbank die Erklärung einer Funktion zusammen mit ihren Voraussetzungen und relevanten Ausnahmen auf. Erhalten Sie bei Besprechungsprotokollen Sprecherkennzeichnungen und genügend umgebende Diskussion, damit das Thema verständlich bleibt. Teilen Sie eine grosse Quelle an sinnvollen Grenzen und speichern Sie Quelltitel, Dokumentkennung und Passagenposition zusammen mit jedem Vektor.
Bereiten Sie eine Suchfrage als Anfrage und indexiertes Material als Dokumente vor. Im Text-Embedding-Ablauf des Herstellers gibt der Eingabetyp dem Modell die Suchrolle des Textes an. Eine Anfrage wie «Wie erhält ein Mitglied nach dem Verlust eines Sicherheitsschlüssels wieder Zugriff?» lässt sich dann mit Supportpassagen zum Wiederherstellungsverfahren vergleichen, auch wenn diese anders formuliert sind. Halten Sie die Originalpassage verfügbar, damit das Suchergebnis die Belege für seine Übereinstimmung zeigen kann.
Das Modell hat ein Kontextfenster von 32’000 Token. Eine lange Eingabe kann einen vollständigen Abschnitt erhalten, doch ein ganzes Dokument ist nicht immer die hilfreichste Sucheinheit. Ein breit angelegter Vektor kann auf die richtige Datei zeigen, während der Leser die genaue Antwort noch suchen muss. Wählen Sie Passagengrenzen anhand des anzuzeigenden Ergebnisses und erhalten Sie Überschriften, Einschränkungen und Definitionen zusammen mit dem Inhalt, den sie erläutern.
Voyage 3 Large unterstützt Vektoren mit 2’048, 1’024, 512 oder 256 Dimensionen. Der Hersteller dokumentiert ausserdem Gleitkommadarstellungen, vorzeichenbehaftete oder vorzeichenlose Acht-Bit-Darstellungen sowie Binärdarstellungen. Diese Optionen lassen ein Suchsystem Vektordetail mit Indexgrösse und Suchverhalten vergleichen. Wählen Sie das vom vorgesehenen Vektorspeicher unterstützte Format und bewerten Sie es anhand des tatsächlichen Korpus und repräsentativer Fragen, bevor Sie die Einstellungen des Produktionsindex festlegen.
Nehmen Sie für mehrsprachige Suche Testfragen in den Sprachen Ihrer Nutzer auf und prüfen Sie die gefundenen Quellpassagen in ihrer Originalsprache. Eine gemeinsame Suchoberfläche kann mehrere Sprachsammlungen bedienen, während Dokumentmetadaten weiterhin Quellsprache und Version benennen. Erhalten Sie bei der Extraktion bedeutungsvolle Namen, Abkürzungen und Fachbegriffe, statt sie vor der Embedding-Erzeugung durch eine allgemeine Zusammenfassung zu ersetzen.
Verwenden Sie die Vektoren zum Abruf möglicher Passagen für eine Suchseite, einen Wissensassistenten oder einen Dokumentauswahlschritt. Behalten Sie für die indexierte Sammlung und ihre Anfragen dasselbe Modell und dieselben Vektoreinstellungen bei. Bauen Sie beim Ersetzen eines Embedding-Modells oder Ändern der Vektordimensionen den betroffenen Index bewusst neu auf und vergleichen Sie ihn; die Länge eines Vektors allein kennzeichnet nicht seine Entstehung.
Beurteilen Sie das Ergebnis anhand nützlicher Suche: ob die richtige Passage erscheint, ob nahe liegende, aber irreführende Passagen darüber eingestuft werden und ob der angezeigte Auszug die Antwort enthält. Bewahren Sie eine kleine Sammlung realer Fragen mit erwarteten Quellen auf, einschliesslich mehrdeutiger Formulierungen und nahezu gleicher Dokumente. Das Embedding liefert eine durchsuchbare Darstellung; die Anwendung erhält Quelltext, Berechtigungen und Links, die eine Übereinstimmung zu einem nutzbaren Ergebnis machen.
POST /v1/embeddingstextembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits voyage-3-large Bedingungen: Verwenden Sie die exakte Modellauswahl von Ailoot. | Standard— |
Feldinput | Typstring or array<string> | AnforderungErforderlich | Werte und Limits Bedingungen: Ein Text oder eine Liste von Texten; bewahren Sie für jedes zurückgegebene Datenelement einen Vektor und dessen Index auf. | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input |
Parameteroptional | Vertrag |
Parametermaterial_types | Vertragtext |
Parameterconditions | VertragSenden Sie Text mit dem ausgewählten Modell; bewahren Sie jeden zurückgegebenen Vektor und dessen Index auf. |
Lebenszyklus: synchronous
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationToken-Basistarife | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncat > request.json <<'JSON'\n{\n "model": "voyage-3-large",\n "input": "The quick brown fox jumps over the lazy dog"\n}\nJSON\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o embeddings.json\n# Keep every data item and its index, the full usage object and response headers.\nAiloot Ultra voyage-3-large
Verwenden Sie die oben angezeigten Methodenpfade.