voyage-4-lite ist das auf geringe Latenz ausgerichtete Text-Embedding-Modell der Voyage-4-Familie von Voyage AI. Es repräsentiert Anfragen und Dokumente als numerische Vektoren für allgemeine Informationssuche. Sein besonderes Familienmerkmal ist ein gemeinsamer Embedding-Raum mit voyage-4, voyage-4-large und voyage-4-nano, der es ermöglicht, Anfrage- und Dokumentmodelle getrennt zu wählen.
Bereiten Sie den Informationsbedarf des Nutzers als Anfrage und das durchsuchbare Material als Dokumente vor. Voyage empfiehlt für die Informationssuche die Eingabetypen query/document; sein veröffentlichtes Rezept ergänzt beim Vektorisieren des Textes die entsprechende Suchinstruktion.
Bei einer Sammlung von Mitarbeiterhandbüchern sollte eine Frage zur Übertragung nicht genommenen Urlaubs in den nächsten Zeitraum mit den konkreten Richtlinienabschnitten verglichen werden. Bewahren Sie die Regel, ihre Bedingungen und jede relevante Ausnahme in der indizierten Passage. Speichern Sie das Originaldokument und die Abschnittskennung bei dem Vektor, damit die Anwendung den tatsächlichen Richtlinientext zurückgeben kann.
Ein nicht angegebener Eingabetyp repräsentiert den Text direkt, während die query/document-Rollen ihn für die Informationssuche anpassen. Der Hersteller erklärt, dass Embeddings mit und ohne diese Rolleneinstellungen kompatibel sind; eine einheitliche Vorbereitungsrichtlinie erleichtert jedoch die Bewertung der Sammlung.
Voyage dokumentiert ausdrücklich einen asymmetrischen Suchworkflow: Dokumente können mit voyage-4-large kodiert und mit Anfragevektoren von voyage-4-lite durchsucht werden. Dies ist eine Kompatibilitätsaussage auf Familienebene und keine Schlussfolgerung daraus, dass zwei Modelle dieselbe Vektorlänge zurückgeben.
Halten Sie die gewählte Vektordimension und Repräsentation zwischen Sammlung und Anfrageseite aufeinander abgestimmt. Der gemeinsame Raum erlaubt ausserdem, das Anfragemodell innerhalb dieser benannten Voyage-4-Textfamilie zu wechseln, ohne vorhandene Dokumente erneut zu vektorisieren. Bewerten Sie die resultierende Rangfolge anhand repräsentativer Fragen, wenn Sie die Modellvariante für Anfragen wählen.
Die Rolle der Lite-Ausgabe ist die kleinere, auf geringe Latenz ausgerichtete Option für Anfragen und Text-Embeddings. Der Hersteller ordnet die Mixture-of-Experts-Architektur ausdrücklich voyage-4-large zu; der Familienname belegt diese Architektur nicht für Lite.
Die veröffentlichte Kontextlänge beträgt 32’000 Tokens pro Text. Der Standardvektor hat 1024 Dimensionen; durch Matryoshka-Lernen sind auch 256, 512 und 2048 verfügbar. Der Text-Embedding-Ablauf des Herstellers dokumentiert für voyage-4-lite Gleitkomma-, vorzeichenbehaftete und vorzeichenlose 8-Bit-Ganzzahl- sowie bitgepackte binäre Repräsentationen.
Für gewöhnliche Gleitkommavektoren beschreiben Voyages Ähnlichkeitshinweise Embeddings mit Einheitslänge, sodass Kosinus- und Skalarproduktähnlichkeit gleichwertig sind. Quantisierte Formen benötigen die zu ihrer Repräsentation passende Verarbeitung. Eine bitgepackte binäre Liste speichert beispielsweise acht Embedding-Bits in jedem Byte; ihre Listenlänge unterscheidet sich von der semantischen Vektordimension.
In Voyages dokumentiertem Batch-Rezept enthält eine Liste für genau diese Lite-Ausgabe höchstens 1000 Texte und insgesamt eine Million Tokens. Das Standardverhalten bei Überlänge kürzt einzelne Texte an der Kontextgrenze; die alternative Einstellung weist überlange Eingaben zurück. Diese Batch- und Einzeltextgrenzen sind voneinander getrennt.
Teilen Sie langes Quellmaterial in zusammenhängende Abschnitte auf, die als Belege zurückgegeben werden können. Ein Kontext von 32’000 Tokens erlaubt eine lange Eingabe, aber eine nützliche Sucheinheit sollte weiterhin zum relevanten Quellabschnitt führen. Fügen Sie die Überschrift oder das identifizierende Detail ein, das zum Verständnis einer Regel nötig ist.
Rufen Sie für RAG mögliche Abschnitte ab und übergeben Sie deren Originaltext mit Quellzuordnungen an den Antwortschreibschritt. Das Embedding-Modell erzeugt Vektoren und keine Antwort zu einer Richtlinie. Ähnlichkeit ordnet Kandidaten unter dem gewählten Modell und Vergleichsaufbau; prüfen Sie die tatsächliche Passage auf die genau erfragte Bedingung.
Die nützliche ausgabespezifische Kombination von voyage-4-lite besteht aus einem auf geringe Latenz ausgerichteten Textmodell, flexiblen Repräsentationen, einem Kontext von 32’000 Tokens und dokumentierter Kompatibilität innerhalb der Voyage-4-Textfamilie. Bewahren Sie diese Eigenschaften zusammen mit der indizierten Sammlung und verwenden Sie durch Quellen gestützte Suchergebnisse zur Unterstützung der umgebenden Anwendung.
", "aboutText": "voyage-4-lite ist das auf geringe Latenz ausgerichtete Text-Embedding-Modell der Voyage-4-Familie von Voyage AI. Es repräsentiert Anfragen und Dokumente als numerische Vektoren für allgemeine Informationssuche. Sein besonderes Familienmerkmal ist ein gemeinsamer Embedding-Raum mit voyage-4, voyage-4-large und voyage-4-nano, der es ermöglicht, Anfrage- und Dokumentmodelle getrennt zu wählen.\n\n### Mit den Suchrollen beginnen\n\nBereiten Sie den Informationsbedarf des Nutzers als Anfrage und das durchsuchbare Material als Dokumente vor. Voyage empfiehlt für die Informationssuche die Eingabetypen query/document; sein veröffentlichtes Rezept ergänzt beim Vektorisieren des Textes die entsprechende Suchinstruktion.\n\nBei einer Sammlung von Mitarbeiterhandbüchern sollte eine Frage zur Übertragung nicht genommenen Urlaubs in den nächsten Zeitraum mit den konkreten Richtlinienabschnitten verglichen werden. Bewahren Sie die Regel, ihre Bedingungen und jede relevante Ausnahme in der indizierten Passage. Speichern Sie das Originaldokument und die Abschnittskennung bei dem Vektor, damit die Anwendung den tatsächlichen Richtlinientext zurückgeben kann.\n\nEin nicht angegebener Eingabetyp repräsentiert den Text direkt, während die query/document-Rollen ihn für die Informationssuche anpassen. Der Hersteller erklärt, dass Embeddings mit und ohne diese Rolleneinstellungen kompatibel sind; eine einheitliche Vorbereitungsrichtlinie erleichtert jedoch die Bewertung der Sammlung.\n\n### Gemeinsamer Raum innerhalb der Voyage-4-Textfamilie\n\nVoyage dokumentiert ausdrücklich einen asymmetrischen Suchworkflow: Dokumente können mit voyage-4-large kodiert und mit Anfragevektoren von voyage-4-lite durchsucht werden. Dies ist eine Kompatibilitätsaussage auf Familienebene und keine Schlussfolgerung daraus, dass zwei Modelle dieselbe Vektorlänge zurückgeben.\n\nHalten Sie die gewählte Vektordimension und Repräsentation zwischen Sammlung und Anfrageseite aufeinander abgestimmt. Der gemeinsame Raum erlaubt ausserdem, das Anfragemodell innerhalb dieser benannten Voyage-4-Textfamilie zu wechseln, ohne vorhandene Dokumente erneut zu vektorisieren. Bewerten Sie die resultierende Rangfolge anhand repräsentativer Fragen, wenn Sie die Modellvariante für Anfragen wählen.\n\nDie Rolle der Lite-Ausgabe ist die kleinere, auf geringe Latenz ausgerichtete Option für Anfragen und Text-Embeddings. Der Hersteller ordnet die Mixture-of-Experts-Architektur ausdrücklich voyage-4-large zu; der Familienname belegt diese Architektur nicht für Lite.\n\n### Kontext, Dimensionen und Ergebnisformat\n\nDie veröffentlichte Kontextlänge beträgt 32’000 Tokens pro Text. Der Standardvektor hat 1024 Dimensionen; durch Matryoshka-Lernen sind auch 256, 512 und 2048 verfügbar. Der Text-Embedding-Ablauf des Herstellers dokumentiert für voyage-4-lite Gleitkomma-, vorzeichenbehaftete und vorzeichenlose 8-Bit-Ganzzahl- sowie bitgepackte binäre Repräsentationen.\n\nFür gewöhnliche Gleitkommavektoren beschreiben Voyages Ähnlichkeitshinweise Embeddings mit Einheitslänge, sodass Kosinus- und Skalarproduktähnlichkeit gleichwertig sind. Quantisierte Formen benötigen die zu ihrer Repräsentation passende Verarbeitung. Eine bitgepackte binäre Liste speichert beispielsweise acht Embedding-Bits in jedem Byte; ihre Listenlänge unterscheidet sich von der semantischen Vektordimension.\n\nIn Voyages dokumentiertem Batch-Rezept enthält eine Liste für genau diese Lite-Ausgabe höchstens 1000 Texte und insgesamt eine Million Tokens. Das Standardverhalten bei Überlänge kürzt einzelne Texte an der Kontextgrenze; die alternative Einstellung weist überlange Eingaben zurück. Diese Batch- und Einzeltextgrenzen sind voneinander getrennt.\n\n### Suchergebnisse vorbereiten und prüfen\n\nTeilen Sie langes Quellmaterial in zusammenhängende Abschnitte auf, die als Belege zurückgegeben werden können. Ein Kontext von 32’000 Tokens erlaubt eine lange Eingabe, aber eine nützliche Sucheinheit sollte weiterhin zum relevanten Quellabschnitt führen. Fügen Sie die Überschrift oder das identifizierende Detail ein, das zum Verständnis einer Regel nötig ist.\n\nRufen Sie für RAG mögliche Abschnitte ab und übergeben Sie deren Originaltext mit Quellzuordnungen an den Antwortschreibschritt. Das Embedding-Modell erzeugt Vektoren und keine Antwort zu einer Richtlinie. Ähnlichkeit ordnet Kandidaten unter dem gewählten Modell und Vergleichsaufbau; prüfen Sie die tatsächliche Passage auf die genau erfragte Bedingung.\n\nDie nützliche ausgabespezifische Kombination von voyage-4-lite besteht aus einem auf geringe Latenz ausgerichteten Textmodell, flexiblen Repräsentationen, einem Kontext von 32’000 Tokens und dokumentierter Kompatibilität innerhalb der Voyage-4-Textfamilie. Bewahren Sie diese Eigenschaften zusammen mit der indizierten Sammlung und verwenden Sie durch Quellen gestützte Suchergebnisse zur Unterstützung der umgebenden Anwendung.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3c0c78bf81ad4d49eefc3c82304bfb11fee5ae0a1407b47fd1286d1093bf5a42", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "voyageai/voyage-4-liteVoyage AI voyage-4-lite ist die auf geringe Latenz ausgerichtete Text-Embedding-Ausgabe der Voyage-4-Familie. Sie unterstützt Eingaben mit 32’000 Tokens, vier wählbare Vektordimensionen und quantisierte Repräsentationen in einem gemeinsamen Embedding-Raum, der mit den anderen Voyage-4-Textmodellen kompatibel ist.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
voyage-4-lite ist das auf geringe Latenz ausgerichtete Text-Embedding-Modell der Voyage-4-Familie von Voyage AI. Es repräsentiert Anfragen und Dokumente als numerische Vektoren für allgemeine Informationssuche. Sein besonderes Familienmerkmal ist ein gemeinsamer Embedding-Raum mit voyage-4, voyage-4-large und voyage-4-nano, der es ermöglicht, Anfrage- und Dokumentmodelle getrennt zu wählen.
Bereiten Sie den Informationsbedarf des Nutzers als Anfrage und das durchsuchbare Material als Dokumente vor. Voyage empfiehlt für die Informationssuche die Eingabetypen query/document; sein veröffentlichtes Rezept ergänzt beim Vektorisieren des Textes die entsprechende Suchinstruktion.
Bei einer Sammlung von Mitarbeiterhandbüchern sollte eine Frage zur Übertragung nicht genommenen Urlaubs in den nächsten Zeitraum mit den konkreten Richtlinienabschnitten verglichen werden. Bewahren Sie die Regel, ihre Bedingungen und jede relevante Ausnahme in der indizierten Passage. Speichern Sie das Originaldokument und die Abschnittskennung bei dem Vektor, damit die Anwendung den tatsächlichen Richtlinientext zurückgeben kann.
Ein nicht angegebener Eingabetyp repräsentiert den Text direkt, während die query/document-Rollen ihn für die Informationssuche anpassen. Der Hersteller erklärt, dass Embeddings mit und ohne diese Rolleneinstellungen kompatibel sind; eine einheitliche Vorbereitungsrichtlinie erleichtert jedoch die Bewertung der Sammlung.
Voyage dokumentiert ausdrücklich einen asymmetrischen Suchworkflow: Dokumente können mit voyage-4-large kodiert und mit Anfragevektoren von voyage-4-lite durchsucht werden. Dies ist eine Kompatibilitätsaussage auf Familienebene und keine Schlussfolgerung daraus, dass zwei Modelle dieselbe Vektorlänge zurückgeben.
Halten Sie die gewählte Vektordimension und Repräsentation zwischen Sammlung und Anfrageseite aufeinander abgestimmt. Der gemeinsame Raum erlaubt ausserdem, das Anfragemodell innerhalb dieser benannten Voyage-4-Textfamilie zu wechseln, ohne vorhandene Dokumente erneut zu vektorisieren. Bewerten Sie die resultierende Rangfolge anhand repräsentativer Fragen, wenn Sie die Modellvariante für Anfragen wählen.
Die Rolle der Lite-Ausgabe ist die kleinere, auf geringe Latenz ausgerichtete Option für Anfragen und Text-Embeddings. Der Hersteller ordnet die Mixture-of-Experts-Architektur ausdrücklich voyage-4-large zu; der Familienname belegt diese Architektur nicht für Lite.
Die veröffentlichte Kontextlänge beträgt 32’000 Tokens pro Text. Der Standardvektor hat 1024 Dimensionen; durch Matryoshka-Lernen sind auch 256, 512 und 2048 verfügbar. Der Text-Embedding-Ablauf des Herstellers dokumentiert für voyage-4-lite Gleitkomma-, vorzeichenbehaftete und vorzeichenlose 8-Bit-Ganzzahl- sowie bitgepackte binäre Repräsentationen.
Für gewöhnliche Gleitkommavektoren beschreiben Voyages Ähnlichkeitshinweise Embeddings mit Einheitslänge, sodass Kosinus- und Skalarproduktähnlichkeit gleichwertig sind. Quantisierte Formen benötigen die zu ihrer Repräsentation passende Verarbeitung. Eine bitgepackte binäre Liste speichert beispielsweise acht Embedding-Bits in jedem Byte; ihre Listenlänge unterscheidet sich von der semantischen Vektordimension.
In Voyages dokumentiertem Batch-Rezept enthält eine Liste für genau diese Lite-Ausgabe höchstens 1000 Texte und insgesamt eine Million Tokens. Das Standardverhalten bei Überlänge kürzt einzelne Texte an der Kontextgrenze; die alternative Einstellung weist überlange Eingaben zurück. Diese Batch- und Einzeltextgrenzen sind voneinander getrennt.
Teilen Sie langes Quellmaterial in zusammenhängende Abschnitte auf, die als Belege zurückgegeben werden können. Ein Kontext von 32’000 Tokens erlaubt eine lange Eingabe, aber eine nützliche Sucheinheit sollte weiterhin zum relevanten Quellabschnitt führen. Fügen Sie die Überschrift oder das identifizierende Detail ein, das zum Verständnis einer Regel nötig ist.
Rufen Sie für RAG mögliche Abschnitte ab und übergeben Sie deren Originaltext mit Quellzuordnungen an den Antwortschreibschritt. Das Embedding-Modell erzeugt Vektoren und keine Antwort zu einer Richtlinie. Ähnlichkeit ordnet Kandidaten unter dem gewählten Modell und Vergleichsaufbau; prüfen Sie die tatsächliche Passage auf die genau erfragte Bedingung.
Die nützliche ausgabespezifische Kombination von voyage-4-lite besteht aus einem auf geringe Latenz ausgerichteten Textmodell, flexiblen Repräsentationen, einem Kontext von 32’000 Tokens und dokumentierter Kompatibilität innerhalb der Voyage-4-Textfamilie. Bewahren Sie diese Eigenschaften zusammen mit der indizierten Sammlung und verwenden Sie durch Quellen gestützte Suchergebnisse zur Unterstützung der umgebenden Anwendung.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits voyageai/voyage-4-lite | Standard— |
Feldinput | Typstring|string[]|integer[]|integer[][] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Nicht leerer, homogener Batch. Token-IDs sind nichtnegative Ganzzahlen. Eingabebudget: Maximum: 32'000 · Texteinheit: UTF8-Bytes · Tokeneinheit: Elemente des Token-Arrays | Standard— |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float | Standardfloat |
Felddimensions | Typinteger | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input |
Parameterinput_shapes | Vertragstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Vertragfloat |
Parameterdimensions_override | Vertragfalse |
Parametermax_input_budget_units | Vertrag32000 |
Parametermultimodal_objects | Vertragfalse |
Parametermaterial_types | Vertragtext, token_ids |
Lebenszyklus: synchronous_json
Jeden Vektorindex und jede Dimension beibehalten.
Ein multimodaler Modellname erlaubt auf genau diesem Pfad keine Bildobjekte.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00004 / 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}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "voyageai/voyage-4-lite", "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\nfrom 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-lite',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jeden Vektor mit seinem Index beibehalten. Die Anzahl der Vektoren muss der Anzahl der Eingaben entsprechen; die Dimensionen müssen konsistent sein.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Feldobject | Typstring |
Feldmodel | Typstring |
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[] |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra voyageai/voyage-4-lite
Verwenden Sie die oben angezeigten Methodenpfade.