Το voyage-4-large είναι το κορυφαίο μοντέλο embeddings κειμένου της Voyage AI στην οικογένεια Voyage 4. Αναπαριστά αποσπάσματα πηγής και ερωτήματα ως αριθμητικά διανύσματα για ανάκτηση γενικής χρήσης και πολυγλωσσική ανάκτηση. Τα δύο διακριτικά χαρακτηριστικά του είναι ο σχεδιασμός μοντέλου μείγματος ειδικών και ο κοινός χώρος embeddings που χρησιμοποιούν τα voyage-4-large, voyage-4, voyage-4-lite και voyage-4-nano.
Ο κατασκευαστής περιγράφει ασύμμετρη ανάκτηση: τα έγγραφα μπορούν να αποκτούν embeddings με voyage-4-large ενώ διαφορετικό μοντέλο της οικογένειας Voyage 4 προετοιμάζει τα διανύσματα ερωτημάτων. Για παράδειγμα, ένα corpus που αναπαρίσταται από Large μπορεί να αναζητηθεί με ερωτήματα voyage-4. Αυτό επιτρέπει στις δύο πλευρές αναζήτησης να έχουν διαφορετικές επιλογές μοντέλου, παραμένοντας στον τεκμηριωμένο συμβατό χώρο.
Μια πρακτική συλλογή μπορεί επομένως να χρησιμοποιεί Large για προετοιμασία σταθερών αποσπασμάτων εγγράφων και να επιλέγει ανεξάρτητα μοντέλο στην πλευρά ερωτήματος. Τα embeddings εγγράφων δημιουργούνται όταν κατασκευάζεται ή ενημερώνεται το corpus, ενώ τα ερωτήματα διανυσματοποιούνται καθώς οι χρήστες αναζητούν. Η ανακοίνωση της οικογένειας περιγράφει αλλαγή μοντέλου ερωτήματος μέσα στη συμβατή οικογένεια χωρίς εκ νέου διανυσματοποίηση του corpus εγγράφων αποκλειστικά για αυτή την αλλαγή. Κρατήστε τα συγκρινόμενα διανύσματα σε ίδιες διαστάσεις και αναπαραστάσεις που το σύστημα αναζήτησης μπορεί να ερμηνεύει μαζί.
Μια πυκνή στρώση feed-forward επεξεργάζεται κάθε token με ολόκληρο το σύνολο παραμέτρων της. Η προσέγγιση MoE που περιγράφεται για το voyage-4-large χρησιμοποιεί δρομολογητή και δίκτυα feed-forward ειδικών, επιλέγοντας τους ειδικούς που επεξεργάζονται κάθε token. Αυτό διαχωρίζει τη συνολική χωρητικότητα μοντέλου από τις ενεργές παραμέτρους για συγκεκριμένο token. Η Voyage αναφέρει αναλογία ενεργοποίησης 1/10 για τον σχεδιασμό MoE του μοντέλου, με δρομολόγηση top-k.
Η τεχνική εξήγηση του κατασκευαστή περιγράφει επίσης δύο επιλογές ανάπτυξης. Η χωρητικότητα ειδικών επηρεάζει αν τα πλεονάζοντα tokens παρακάμπτουν μια στρώση ειδικών μέσω υπολειμματικής διαδρομής· η ομάδα επέλεξε τον μεγαλύτερο εφικτό συντελεστή χωρητικότητας για να αποφύγει απώλεια ποιότητας ανάκτησης. Στο τελικό στάδιο εκπαίδευσης, οι παράμετροι δρομολογητή παγώνουν πριν τη συγχώνευση μοντέλων, ώστε η παρεμβολή των μοντέλων πηγής να μην αλλάζει την εκπαιδευμένη δρομολόγηση επιλογής ειδικών. Αυτά είναι χαρακτηριστικά προετοιμασίας μοντέλου, διακριτά από τις ρυθμίσεις μήκους κειμένου ή περικοπής που χρησιμοποιούνται κατά την προετοιμασία εισόδου.
Ο επίσημος πίνακας μοντέλων ορίζει παράθυρο συμφραζομένων 32.000 tokens και επιλέξιμα embeddings 256, 512, 1024 και 2048 διαστάσεων, με προεπιλογή 1024. Η οικογένεια χρησιμοποιεί μάθηση Matryoshka για εμφωλευμένα μεγέθη αναπαράστασης και υποστηρίζει επιλογές κβαντισμού: κινητή υποδιαστολή 32 bits, προσημασμένους ή μη προσημασμένους ακεραίους 8 bits και συσκευασμένη δυαδική έξοδο.
Με δυαδική έξοδο, το μήκος της επιστρεφόμενης λίστας bytes είναι το ένα όγδοο της επιλεγμένης διάστασης, επειδή κάθε byte περιέχει οκτώ bits embedding. Διατηρήστε τη διάσταση και τον τύπο δεδομένων μαζί με το ευρετήριο και χρησιμοποιήστε μέθοδο σύγκρισης που υποστηρίζει αυτή την αναπαράσταση. Ένα μικρότερο ή συμπιεσμένο διάνυσμα αλλάζει την αναπαράσταση που χρησιμοποιείται για αναζήτηση· αξιολογήστε τα σχετικά αποσπάσματα που επιστρέφονται σε πραγματικά ερωτήματα πριν το επιλέξετε για συλλογή.
Η Voyage συνιστά τον ρόλο document για αποσπάσματα του corpus και τον ρόλο query για τη διατύπωση αναζήτησης. Η επιλογή ρόλου προσθέτει την αντίστοιχη οδηγία ανάκτησης πριν τη δημιουργία embedding. Διατηρήστε τη χρήσιμη επικεφαλίδα, τις συνθήκες και τη θέση πηγής του αποσπάσματος και έπειτα αποθηκεύστε το επιστρεφόμενο διάνυσμα με το αρχικό κείμενο και σταθερό αναγνωριστικό.
Για συλλογή τεχνικής γνώσης, ένα ερώτημα για τρόπο αστοχίας πρέπει να οδηγεί στο απόσπασμα που περιγράφει αυτόν τον τρόπο και τις σχετικές συνθήκες του. Για συλλογή εγγράφων σε πολλές γλώσσες, κρατήστε τη γλώσσα πηγής και αξιολογήστε τα ερωτήματα και την ορολογία με τα οποία θα αναζητούν οι χρήστες. Η έκδοση καλύπτει υλικό ανάκτησης που περιλαμβάνει τεχνικά έγγραφα, συνομιλίες, μεγάλα έγγραφα, κώδικα, νομικά, χρηματοοικονομικά και κείμενο ιστού. Το embedding εντοπίζει υποψήφιο υλικό· μεταγενέστερος reranker ή στάδιο απάντησης χρησιμοποιεί το αρχικό κείμενο.
Ο τρέχων οδηγός του κατασκευαστή επιτρέπει έως 1000 συμβολοσειρές και 120.000 συνολικά tokens εισόδου σε αίτημα voyage-4-large. Αυτό διαφέρει από το όριο παρτίδας που αναφέρεται για voyage-4, ενώ και τα δύο έχουν παράθυρο 32.000 tokens ανά κείμενο. Η προεπιλεγμένη περικοπή συντομεύει υπερβολικά μεγάλη είσοδο για να χωρέσει· η απενεργοποίηση περικοπής επιστρέφει σφάλμα για υπερβολικά μεγάλο κείμενο.
Επιλέξτε συνειδητά όρια αποσπασμάτων που περιέχουν απαντήσεις ώστε μια μεγάλη πηγή να μη χάνει σχετική επιφύλαξη σε περικομμένη ουρά. Κρατήστε τη συσχέτιση πηγής κατά την επιστροφή αποτελεσμάτων αναζήτησης και εξετάστε το πραγματικό υποψήφιο κείμενο αντί να θεωρείτε τη διανυσματική εγγύτητα επαλήθευση του περιεχομένου του. Η συμβατότητα κοινού χώρου ισχύει για την τεκμηριωμένη οικογένεια κειμένου Voyage 4· η συμφραστική επεξεργασία ομάδων τμημάτων, τα embeddings εικόνας/βίντεο και οι μεταγενέστερες εκδόσεις μοντέλων παραμένουν δικές τους, ειδικές για κάθε μοντέλο, ροές.
", "aboutText": "Το voyage-4-large είναι το κορυφαίο μοντέλο embeddings κειμένου της Voyage AI στην οικογένεια Voyage 4. Αναπαριστά αποσπάσματα πηγής και ερωτήματα ως αριθμητικά διανύσματα για ανάκτηση γενικής χρήσης και πολυγλωσσική ανάκτηση. Τα δύο διακριτικά χαρακτηριστικά του είναι ο σχεδιασμός μοντέλου μείγματος ειδικών και ο κοινός χώρος embeddings που χρησιμοποιούν τα voyage-4-large, voyage-4, voyage-4-lite και voyage-4-nano.\n\n### Κοινός χώρος: χωριστές επιλογές corpus και ερωτήματος\n\nΟ κατασκευαστής περιγράφει ασύμμετρη ανάκτηση: τα έγγραφα μπορούν να αποκτούν embeddings με voyage-4-large ενώ διαφορετικό μοντέλο της οικογένειας Voyage 4 προετοιμάζει τα διανύσματα ερωτημάτων. Για παράδειγμα, ένα corpus που αναπαρίσταται από Large μπορεί να αναζητηθεί με ερωτήματα voyage-4. Αυτό επιτρέπει στις δύο πλευρές αναζήτησης να έχουν διαφορετικές επιλογές μοντέλου, παραμένοντας στον τεκμηριωμένο συμβατό χώρο.\n\nΜια πρακτική συλλογή μπορεί επομένως να χρησιμοποιεί Large για προετοιμασία σταθερών αποσπασμάτων εγγράφων και να επιλέγει ανεξάρτητα μοντέλο στην πλευρά ερωτήματος. Τα embeddings εγγράφων δημιουργούνται όταν κατασκευάζεται ή ενημερώνεται το corpus, ενώ τα ερωτήματα διανυσματοποιούνται καθώς οι χρήστες αναζητούν. Η ανακοίνωση της οικογένειας περιγράφει αλλαγή μοντέλου ερωτήματος μέσα στη συμβατή οικογένεια χωρίς εκ νέου διανυσματοποίηση του corpus εγγράφων αποκλειστικά για αυτή την αλλαγή. Κρατήστε τα συγκρινόμενα διανύσματα σε ίδιες διαστάσεις και αναπαραστάσεις που το σύστημα αναζήτησης μπορεί να ερμηνεύει μαζί.\n\n### Σχεδιασμός embeddings με μείγμα ειδικών\n\nΜια πυκνή στρώση feed-forward επεξεργάζεται κάθε token με ολόκληρο το σύνολο παραμέτρων της. Η προσέγγιση MoE που περιγράφεται για το voyage-4-large χρησιμοποιεί δρομολογητή και δίκτυα feed-forward ειδικών, επιλέγοντας τους ειδικούς που επεξεργάζονται κάθε token. Αυτό διαχωρίζει τη συνολική χωρητικότητα μοντέλου από τις ενεργές παραμέτρους για συγκεκριμένο token. Η Voyage αναφέρει αναλογία ενεργοποίησης 1/10 για τον σχεδιασμό MoE του μοντέλου, με δρομολόγηση top-k.\n\nΗ τεχνική εξήγηση του κατασκευαστή περιγράφει επίσης δύο επιλογές ανάπτυξης. Η χωρητικότητα ειδικών επηρεάζει αν τα πλεονάζοντα tokens παρακάμπτουν μια στρώση ειδικών μέσω υπολειμματικής διαδρομής· η ομάδα επέλεξε τον μεγαλύτερο εφικτό συντελεστή χωρητικότητας για να αποφύγει απώλεια ποιότητας ανάκτησης. Στο τελικό στάδιο εκπαίδευσης, οι παράμετροι δρομολογητή παγώνουν πριν τη συγχώνευση μοντέλων, ώστε η παρεμβολή των μοντέλων πηγής να μην αλλάζει την εκπαιδευμένη δρομολόγηση επιλογής ειδικών. Αυτά είναι χαρακτηριστικά προετοιμασίας μοντέλου, διακριτά από τις ρυθμίσεις μήκους κειμένου ή περικοπής που χρησιμοποιούνται κατά την προετοιμασία εισόδου.\n\n### Διαστάσεις και αναπαράσταση εξόδου\n\nΟ επίσημος πίνακας μοντέλων ορίζει παράθυρο συμφραζομένων 32.000 tokens και επιλέξιμα embeddings 256, 512, 1024 και 2048 διαστάσεων, με προεπιλογή 1024. Η οικογένεια χρησιμοποιεί μάθηση Matryoshka για εμφωλευμένα μεγέθη αναπαράστασης και υποστηρίζει επιλογές κβαντισμού: κινητή υποδιαστολή 32 bits, προσημασμένους ή μη προσημασμένους ακεραίους 8 bits και συσκευασμένη δυαδική έξοδο.\n\nΜε δυαδική έξοδο, το μήκος της επιστρεφόμενης λίστας bytes είναι το ένα όγδοο της επιλεγμένης διάστασης, επειδή κάθε byte περιέχει οκτώ bits embedding. Διατηρήστε τη διάσταση και τον τύπο δεδομένων μαζί με το ευρετήριο και χρησιμοποιήστε μέθοδο σύγκρισης που υποστηρίζει αυτή την αναπαράσταση. Ένα μικρότερο ή συμπιεσμένο διάνυσμα αλλάζει την αναπαράσταση που χρησιμοποιείται για αναζήτηση· αξιολογήστε τα σχετικά αποσπάσματα που επιστρέφονται σε πραγματικά ερωτήματα πριν το επιλέξετε για συλλογή.\n\n### Προετοιμάστε εισόδους εγγράφου και ερωτήματος\n\nΗ Voyage συνιστά τον ρόλο document για αποσπάσματα του corpus και τον ρόλο query για τη διατύπωση αναζήτησης. Η επιλογή ρόλου προσθέτει την αντίστοιχη οδηγία ανάκτησης πριν τη δημιουργία embedding. Διατηρήστε τη χρήσιμη επικεφαλίδα, τις συνθήκες και τη θέση πηγής του αποσπάσματος και έπειτα αποθηκεύστε το επιστρεφόμενο διάνυσμα με το αρχικό κείμενο και σταθερό αναγνωριστικό.\n\nΓια συλλογή τεχνικής γνώσης, ένα ερώτημα για τρόπο αστοχίας πρέπει να οδηγεί στο απόσπασμα που περιγράφει αυτόν τον τρόπο και τις σχετικές συνθήκες του. Για συλλογή εγγράφων σε πολλές γλώσσες, κρατήστε τη γλώσσα πηγής και αξιολογήστε τα ερωτήματα και την ορολογία με τα οποία θα αναζητούν οι χρήστες. Η έκδοση καλύπτει υλικό ανάκτησης που περιλαμβάνει τεχνικά έγγραφα, συνομιλίες, μεγάλα έγγραφα, κώδικα, νομικά, χρηματοοικονομικά και κείμενο ιστού. Το embedding εντοπίζει υποψήφιο υλικό· μεταγενέστερος reranker ή στάδιο απάντησης χρησιμοποιεί το αρχικό κείμενο.\n\n### Όρια συμφραζομένων, παρτίδων και περικοπής\n\nΟ τρέχων οδηγός του κατασκευαστή επιτρέπει έως 1000 συμβολοσειρές και 120.000 συνολικά tokens εισόδου σε αίτημα voyage-4-large. Αυτό διαφέρει από το όριο παρτίδας που αναφέρεται για voyage-4, ενώ και τα δύο έχουν παράθυρο 32.000 tokens ανά κείμενο. Η προεπιλεγμένη περικοπή συντομεύει υπερβολικά μεγάλη είσοδο για να χωρέσει· η απενεργοποίηση περικοπής επιστρέφει σφάλμα για υπερβολικά μεγάλο κείμενο.\n\nΕπιλέξτε συνειδητά όρια αποσπασμάτων που περιέχουν απαντήσεις ώστε μια μεγάλη πηγή να μη χάνει σχετική επιφύλαξη σε περικομμένη ουρά. Κρατήστε τη συσχέτιση πηγής κατά την επιστροφή αποτελεσμάτων αναζήτησης και εξετάστε το πραγματικό υποψήφιο κείμενο αντί να θεωρείτε τη διανυσματική εγγύτητα επαλήθευση του περιεχομένου του. Η συμβατότητα κοινού χώρου ισχύει για την τεκμηριωμένη οικογένεια κειμένου Voyage 4· η συμφραστική επεξεργασία ομάδων τμημάτων, τα embeddings εικόνας/βίντεο και οι μεταγενέστερες εκδόσεις μοντέλων παραμένουν δικές τους, ειδικές για κάθε μοντέλο, ροές.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ebefb915c34b3511245dfcf675b53b6b64a28bc3341bd045f2b094c0ae4654ca", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "voyageai/voyage-4-largeΤο voyage-4-large είναι το μοντέλο embeddings κειμένου με μείγμα ειδικών της Voyage AI για ανάκτηση γενικής χρήσης και πολυγλωσσική ανάκτηση. Τα διανύσματά του μοιράζονται τον χώρο της οικογένειας Voyage 4, επιτρέποντας αναζήτηση σε embeddings corpus από το Large με συμβατά embeddings ερωτημάτων από άλλα μοντέλα της οικογένειας.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το voyage-4-large είναι το κορυφαίο μοντέλο embeddings κειμένου της Voyage AI στην οικογένεια Voyage 4. Αναπαριστά αποσπάσματα πηγής και ερωτήματα ως αριθμητικά διανύσματα για ανάκτηση γενικής χρήσης και πολυγλωσσική ανάκτηση. Τα δύο διακριτικά χαρακτηριστικά του είναι ο σχεδιασμός μοντέλου μείγματος ειδικών και ο κοινός χώρος embeddings που χρησιμοποιούν τα voyage-4-large, voyage-4, voyage-4-lite και voyage-4-nano.
Ο κατασκευαστής περιγράφει ασύμμετρη ανάκτηση: τα έγγραφα μπορούν να αποκτούν embeddings με voyage-4-large ενώ διαφορετικό μοντέλο της οικογένειας Voyage 4 προετοιμάζει τα διανύσματα ερωτημάτων. Για παράδειγμα, ένα corpus που αναπαρίσταται από Large μπορεί να αναζητηθεί με ερωτήματα voyage-4. Αυτό επιτρέπει στις δύο πλευρές αναζήτησης να έχουν διαφορετικές επιλογές μοντέλου, παραμένοντας στον τεκμηριωμένο συμβατό χώρο.
Μια πρακτική συλλογή μπορεί επομένως να χρησιμοποιεί Large για προετοιμασία σταθερών αποσπασμάτων εγγράφων και να επιλέγει ανεξάρτητα μοντέλο στην πλευρά ερωτήματος. Τα embeddings εγγράφων δημιουργούνται όταν κατασκευάζεται ή ενημερώνεται το corpus, ενώ τα ερωτήματα διανυσματοποιούνται καθώς οι χρήστες αναζητούν. Η ανακοίνωση της οικογένειας περιγράφει αλλαγή μοντέλου ερωτήματος μέσα στη συμβατή οικογένεια χωρίς εκ νέου διανυσματοποίηση του corpus εγγράφων αποκλειστικά για αυτή την αλλαγή. Κρατήστε τα συγκρινόμενα διανύσματα σε ίδιες διαστάσεις και αναπαραστάσεις που το σύστημα αναζήτησης μπορεί να ερμηνεύει μαζί.
Μια πυκνή στρώση feed-forward επεξεργάζεται κάθε token με ολόκληρο το σύνολο παραμέτρων της. Η προσέγγιση MoE που περιγράφεται για το voyage-4-large χρησιμοποιεί δρομολογητή και δίκτυα feed-forward ειδικών, επιλέγοντας τους ειδικούς που επεξεργάζονται κάθε token. Αυτό διαχωρίζει τη συνολική χωρητικότητα μοντέλου από τις ενεργές παραμέτρους για συγκεκριμένο token. Η Voyage αναφέρει αναλογία ενεργοποίησης 1/10 για τον σχεδιασμό MoE του μοντέλου, με δρομολόγηση top-k.
Η τεχνική εξήγηση του κατασκευαστή περιγράφει επίσης δύο επιλογές ανάπτυξης. Η χωρητικότητα ειδικών επηρεάζει αν τα πλεονάζοντα tokens παρακάμπτουν μια στρώση ειδικών μέσω υπολειμματικής διαδρομής· η ομάδα επέλεξε τον μεγαλύτερο εφικτό συντελεστή χωρητικότητας για να αποφύγει απώλεια ποιότητας ανάκτησης. Στο τελικό στάδιο εκπαίδευσης, οι παράμετροι δρομολογητή παγώνουν πριν τη συγχώνευση μοντέλων, ώστε η παρεμβολή των μοντέλων πηγής να μην αλλάζει την εκπαιδευμένη δρομολόγηση επιλογής ειδικών. Αυτά είναι χαρακτηριστικά προετοιμασίας μοντέλου, διακριτά από τις ρυθμίσεις μήκους κειμένου ή περικοπής που χρησιμοποιούνται κατά την προετοιμασία εισόδου.
Ο επίσημος πίνακας μοντέλων ορίζει παράθυρο συμφραζομένων 32.000 tokens και επιλέξιμα embeddings 256, 512, 1024 και 2048 διαστάσεων, με προεπιλογή 1024. Η οικογένεια χρησιμοποιεί μάθηση Matryoshka για εμφωλευμένα μεγέθη αναπαράστασης και υποστηρίζει επιλογές κβαντισμού: κινητή υποδιαστολή 32 bits, προσημασμένους ή μη προσημασμένους ακεραίους 8 bits και συσκευασμένη δυαδική έξοδο.
Με δυαδική έξοδο, το μήκος της επιστρεφόμενης λίστας bytes είναι το ένα όγδοο της επιλεγμένης διάστασης, επειδή κάθε byte περιέχει οκτώ bits embedding. Διατηρήστε τη διάσταση και τον τύπο δεδομένων μαζί με το ευρετήριο και χρησιμοποιήστε μέθοδο σύγκρισης που υποστηρίζει αυτή την αναπαράσταση. Ένα μικρότερο ή συμπιεσμένο διάνυσμα αλλάζει την αναπαράσταση που χρησιμοποιείται για αναζήτηση· αξιολογήστε τα σχετικά αποσπάσματα που επιστρέφονται σε πραγματικά ερωτήματα πριν το επιλέξετε για συλλογή.
Η Voyage συνιστά τον ρόλο document για αποσπάσματα του corpus και τον ρόλο query για τη διατύπωση αναζήτησης. Η επιλογή ρόλου προσθέτει την αντίστοιχη οδηγία ανάκτησης πριν τη δημιουργία embedding. Διατηρήστε τη χρήσιμη επικεφαλίδα, τις συνθήκες και τη θέση πηγής του αποσπάσματος και έπειτα αποθηκεύστε το επιστρεφόμενο διάνυσμα με το αρχικό κείμενο και σταθερό αναγνωριστικό.
Για συλλογή τεχνικής γνώσης, ένα ερώτημα για τρόπο αστοχίας πρέπει να οδηγεί στο απόσπασμα που περιγράφει αυτόν τον τρόπο και τις σχετικές συνθήκες του. Για συλλογή εγγράφων σε πολλές γλώσσες, κρατήστε τη γλώσσα πηγής και αξιολογήστε τα ερωτήματα και την ορολογία με τα οποία θα αναζητούν οι χρήστες. Η έκδοση καλύπτει υλικό ανάκτησης που περιλαμβάνει τεχνικά έγγραφα, συνομιλίες, μεγάλα έγγραφα, κώδικα, νομικά, χρηματοοικονομικά και κείμενο ιστού. Το embedding εντοπίζει υποψήφιο υλικό· μεταγενέστερος reranker ή στάδιο απάντησης χρησιμοποιεί το αρχικό κείμενο.
Ο τρέχων οδηγός του κατασκευαστή επιτρέπει έως 1000 συμβολοσειρές και 120.000 συνολικά tokens εισόδου σε αίτημα voyage-4-large. Αυτό διαφέρει από το όριο παρτίδας που αναφέρεται για voyage-4, ενώ και τα δύο έχουν παράθυρο 32.000 tokens ανά κείμενο. Η προεπιλεγμένη περικοπή συντομεύει υπερβολικά μεγάλη είσοδο για να χωρέσει· η απενεργοποίηση περικοπής επιστρέφει σφάλμα για υπερβολικά μεγάλο κείμενο.
Επιλέξτε συνειδητά όρια αποσπασμάτων που περιέχουν απαντήσεις ώστε μια μεγάλη πηγή να μη χάνει σχετική επιφύλαξη σε περικομμένη ουρά. Κρατήστε τη συσχέτιση πηγής κατά την επιστροφή αποτελεσμάτων αναζήτησης και εξετάστε το πραγματικό υποψήφιο κείμενο αντί να θεωρείτε τη διανυσματική εγγύτητα επαλήθευση του περιεχομένου του. Η συμβατότητα κοινού χώρου ισχύει για την τεκμηριωμένη οικογένεια κειμένου Voyage 4· η συμφραστική επεξεργασία ομάδων τμημάτων, τα embeddings εικόνας/βίντεο και οι μεταγενέστερες εκδόσεις μοντέλων παραμένουν δικές τους, ειδικές για κάθε μοντέλο, ροές.
POST /v1/embeddingstext, token_idsembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια voyageai/voyage-4-large | Προεπιλογή— |
Πεδίοinput | Τύποςstring|string[]|integer[]|integer[][] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1 Συνθήκες: Μη κενή ομοιογενής παρτίδα. Τα ID των token είναι μη αρνητικοί ακέραιοι. Προϋπολογισμός εισόδου: Μέγιστο: 32.000 · Μονάδα κειμένου: byte UTF8 · Μονάδα token: στοιχεία πίνακα token | Προεπιλογή— |
Πεδίοencoding_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια float | Προεπιλογήfloat |
Πεδίοdimensions | Τύποςinteger | ΑπαίτησηΔεν υποστηρίζεται | Τιμές και όρια Ελάχιστο: 1 | Προεπιλογή— |
Πεδίοuser | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοsession_id | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοtrace | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοprovider | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το provider.options απορρίφθηκε | Προεπιλογή— |
text_to_embedding
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, input |
Παράμετροςinput_shapes | Σύμβασηstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Παράμετροςencoding_format | Σύμβασηfloat |
Παράμετροςdimensions_override | Σύμβασηfalse |
Παράμετροςmax_input_budget_units | Σύμβαση32000 |
Παράμετροςmultimodal_objects | Σύμβασηfalse |
Παράμετροςmaterial_types | Σύμβασηtext, token_ids |
Κύκλος ζωής: synchronous_json
Διατηρήστε τον δείκτη και τη διάσταση κάθε διανύσματος.
Το όνομα πολυτροπικού μοντέλου δεν επιτρέπει αντικείμενα εικόνας σε αυτήν ακριβώς τη διαδρομή.
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
| Διαμόρφωση | Πίνακας χρεώσεων | Χρέωση |
|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις ανά token | Πίνακας χρεώσεωνΒασική χρέωση | Χρέωση Είσοδος · Token εισόδου $0.00024 / 1K token Έξοδος · Token εξόδου $0 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
set -eu\n: "${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\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-large',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε κάθε διάνυσμα με τον δείκτη του. Το πλήθος των διανυσμάτων πρέπει να ισούται με το πλήθος των στοιχείων εισόδου· οι διαστάσεις πρέπει να είναι συνεπείς.
Δεν εισάγεται endpoint εργασιών ενσωμάτωσης.
| Πεδίο | Τύπος |
|---|---|
Πεδίοobject | Τύποςstring |
Πεδίοmodel | Τύποςstring |
Πεδίοdata[].index | Τύποςinteger |
Πεδίοdata[].embedding | Τύποςfinite float[] |
Πεδίοusage | Τύποςobject |
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Ailoot Ultra voyageai/voyage-4-large
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.