voyage-4-large es el modelo insignia de embeddings de texto de Voyage AI en la familia Voyage 4. Representa pasajes de origen y consultas como vectores numéricos para recuperación de uso general y multilingüe. Sus dos características distintivas son un diseño de modelo de mezcla de expertos y el espacio compartido de embeddings que utilizan voyage-4-large, voyage-4, voyage-4-lite y voyage-4-nano.
El fabricante describe recuperación asimétrica: los documentos pueden tener embeddings generados con voyage-4-large mientras otro modelo de la familia Voyage 4 prepara los vectores de consulta. Por ejemplo, un corpus representado por Large puede buscarse con consultas voyage-4. Esto permite que los dos lados de la búsqueda tengan elecciones de modelo diferentes sin salir del espacio compatible documentado.
Por tanto, una colección práctica puede utilizar Large para preparar pasajes documentales estables y elegir de forma independiente el modelo del lado de consulta. Los embeddings de documentos se generan al crear o actualizar el corpus, mientras que las consultas se vectorizan cuando los usuarios buscan. El anuncio de la familia describe el cambio del modelo de consulta dentro de la familia compatible sin volver a vectorizar el corpus documental únicamente por ese cambio. Mantén los vectores comparados en dimensiones coincidentes y representaciones que el sistema de búsqueda pueda interpretar conjuntamente.
Una capa densa feed-forward procesa cada token con su conjunto completo de parámetros. El enfoque MoE descrito para voyage-4-large utiliza un enrutador y redes feed-forward de expertos, seleccionando los expertos que procesan cada token. Esto separa la capacidad total del modelo de los parámetros activos para un token particular. Voyage comunica una proporción de activación de 1/10 para el diseño MoE del modelo, utilizando enrutamiento top-k.
La explicación técnica del fabricante también describe dos decisiones de desarrollo. La capacidad de expertos afecta a si los tokens sobrantes evitan una capa de expertos mediante una vía residual; el equipo eligió el mayor factor de capacidad viable para evitar pérdidas de calidad de recuperación. En la etapa final de entrenamiento, los parámetros del enrutador se congelan antes de fusionar los modelos para que la interpolación de los modelos de origen no cambie el enrutamiento aprendido de selección de expertos. Son características de preparación del modelo, distintas de los ajustes de longitud textual o truncamiento utilizados al preparar una entrada.
La tabla oficial del modelo especifica una ventana de contexto de 32,000 tokens y embeddings seleccionables de 256, 512, 1024 y 2048 dimensiones, con 1024 como valor predeterminado. La familia utiliza aprendizaje Matryoshka para tamaños anidados de representación y admite opciones de cuantización: punto flotante de 32 bits, enteros de 8 bits con o sin signo y salida binaria empaquetada.
Con salida binaria, la longitud de la lista de bytes devuelta es un octavo de la dimensión seleccionada porque cada byte contiene ocho bits de embedding. Conserva las elecciones de dimensión y tipo de datos junto con el índice y utiliza un método de comparación compatible con esa representación. Un vector más pequeño o comprimido cambia la representación utilizada para búsqueda; evalúa los pasajes pertinentes devueltos ante preguntas reales antes de elegirlo para una colección.
Voyage recomienda utilizar el rol document para pasajes del corpus y el rol query para la formulación de búsqueda. Su opción de rol añade la instrucción de recuperación correspondiente antes de generar embeddings. Conserva el encabezado útil, las condiciones y la ubicación de origen del pasaje y después guarda el vector devuelto junto con el texto original y un identificador estable.
Para una colección de conocimiento técnico, una pregunta sobre un modo de falla debe conducir al pasaje que describa ese modo y sus condiciones pertinentes. Para una colección documental de varios idiomas, conserva el idioma de origen y evalúa las preguntas y terminología que utilizarán los usuarios al buscar. La publicación cubre material de recuperación que incluye documentos técnicos, conversaciones, documentos largos, código, derecho, finanzas y texto web. El embedding localiza material candidato; un reranker o etapa de respuesta posteriores utilizan el texto original.
La guía actual del fabricante permite hasta 1000 cadenas y 120,000 tokens totales de entrada en una solicitud voyage-4-large. Esto difiere del límite de lote indicado para voyage-4, mientras que ambos tienen una ventana de 32,000 tokens por texto. El truncamiento predeterminado acorta una entrada demasiado larga para que quepa; desactivar el truncamiento devuelve un error ante un texto demasiado largo.
Elige deliberadamente los límites de pasajes que contengan respuestas para que una fuente larga no pierda un matiz pertinente en una parte final truncada. Mantén la asociación con la fuente al devolver resultados de búsqueda y examina el texto candidato real, en lugar de tratar la proximidad vectorial como verificación de su contenido. La compatibilidad de espacio compartido se aplica a la familia textual Voyage 4 documentada; el procesamiento contextualizado de grupos de fragmentos, los embeddings de imagen/video y las ediciones posteriores de modelos siguen siendo flujos específicos de cada modelo.
", "aboutText": "voyage-4-large es el modelo insignia de embeddings de texto de Voyage AI en la familia Voyage 4. Representa pasajes de origen y consultas como vectores numéricos para recuperación de uso general y multilingüe. Sus dos características distintivas son un diseño de modelo de mezcla de expertos y el espacio compartido de embeddings que utilizan voyage-4-large, voyage-4, voyage-4-lite y voyage-4-nano.\n\n### Espacio compartido: elecciones separadas para corpus y consulta\n\nEl fabricante describe recuperación asimétrica: los documentos pueden tener embeddings generados con voyage-4-large mientras otro modelo de la familia Voyage 4 prepara los vectores de consulta. Por ejemplo, un corpus representado por Large puede buscarse con consultas voyage-4. Esto permite que los dos lados de la búsqueda tengan elecciones de modelo diferentes sin salir del espacio compatible documentado.\n\nPor tanto, una colección práctica puede utilizar Large para preparar pasajes documentales estables y elegir de forma independiente el modelo del lado de consulta. Los embeddings de documentos se generan al crear o actualizar el corpus, mientras que las consultas se vectorizan cuando los usuarios buscan. El anuncio de la familia describe el cambio del modelo de consulta dentro de la familia compatible sin volver a vectorizar el corpus documental únicamente por ese cambio. Mantén los vectores comparados en dimensiones coincidentes y representaciones que el sistema de búsqueda pueda interpretar conjuntamente.\n\n### Diseño de embeddings de mezcla de expertos\n\nUna capa densa feed-forward procesa cada token con su conjunto completo de parámetros. El enfoque MoE descrito para voyage-4-large utiliza un enrutador y redes feed-forward de expertos, seleccionando los expertos que procesan cada token. Esto separa la capacidad total del modelo de los parámetros activos para un token particular. Voyage comunica una proporción de activación de 1/10 para el diseño MoE del modelo, utilizando enrutamiento top-k.\n\nLa explicación técnica del fabricante también describe dos decisiones de desarrollo. La capacidad de expertos afecta a si los tokens sobrantes evitan una capa de expertos mediante una vía residual; el equipo eligió el mayor factor de capacidad viable para evitar pérdidas de calidad de recuperación. En la etapa final de entrenamiento, los parámetros del enrutador se congelan antes de fusionar los modelos para que la interpolación de los modelos de origen no cambie el enrutamiento aprendido de selección de expertos. Son características de preparación del modelo, distintas de los ajustes de longitud textual o truncamiento utilizados al preparar una entrada.\n\n### Dimensiones y representación de salida\n\nLa tabla oficial del modelo especifica una ventana de contexto de 32,000 tokens y embeddings seleccionables de 256, 512, 1024 y 2048 dimensiones, con 1024 como valor predeterminado. La familia utiliza aprendizaje Matryoshka para tamaños anidados de representación y admite opciones de cuantización: punto flotante de 32 bits, enteros de 8 bits con o sin signo y salida binaria empaquetada.\n\nCon salida binaria, la longitud de la lista de bytes devuelta es un octavo de la dimensión seleccionada porque cada byte contiene ocho bits de embedding. Conserva las elecciones de dimensión y tipo de datos junto con el índice y utiliza un método de comparación compatible con esa representación. Un vector más pequeño o comprimido cambia la representación utilizada para búsqueda; evalúa los pasajes pertinentes devueltos ante preguntas reales antes de elegirlo para una colección.\n\n### Prepara entradas de documento y consulta\n\nVoyage recomienda utilizar el rol document para pasajes del corpus y el rol query para la formulación de búsqueda. Su opción de rol añade la instrucción de recuperación correspondiente antes de generar embeddings. Conserva el encabezado útil, las condiciones y la ubicación de origen del pasaje y después guarda el vector devuelto junto con el texto original y un identificador estable.\n\nPara una colección de conocimiento técnico, una pregunta sobre un modo de falla debe conducir al pasaje que describa ese modo y sus condiciones pertinentes. Para una colección documental de varios idiomas, conserva el idioma de origen y evalúa las preguntas y terminología que utilizarán los usuarios al buscar. La publicación cubre material de recuperación que incluye documentos técnicos, conversaciones, documentos largos, código, derecho, finanzas y texto web. El embedding localiza material candidato; un reranker o etapa de respuesta posteriores utilizan el texto original.\n\n### Límites de contexto, lotes y truncamiento\n\nLa guía actual del fabricante permite hasta 1000 cadenas y 120,000 tokens totales de entrada en una solicitud voyage-4-large. Esto difiere del límite de lote indicado para voyage-4, mientras que ambos tienen una ventana de 32,000 tokens por texto. El truncamiento predeterminado acorta una entrada demasiado larga para que quepa; desactivar el truncamiento devuelve un error ante un texto demasiado largo.\n\nElige deliberadamente los límites de pasajes que contengan respuestas para que una fuente larga no pierda un matiz pertinente en una parte final truncada. Mantén la asociación con la fuente al devolver resultados de búsqueda y examina el texto candidato real, en lugar de tratar la proximidad vectorial como verificación de su contenido. La compatibilidad de espacio compartido se aplica a la familia textual Voyage 4 documentada; el procesamiento contextualizado de grupos de fragmentos, los embeddings de imagen/video y las ediciones posteriores de modelos siguen siendo flujos específicos de cada modelo.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c3caea5322eac8d6f3146d191b5eb13e0456d857feb05beb9ccae27779a470b1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "voyageai/voyage-4-largevoyage-4-large es el modelo de embeddings textuales de mezcla de expertos de Voyage AI para recuperación de uso general y multilingüe. Sus vectores comparten el espacio de la familia Voyage 4, lo que permite buscar embeddings del corpus generados con Large mediante embeddings compatibles de consulta de otros modelos de la familia.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
voyage-4-large es el modelo insignia de embeddings de texto de Voyage AI en la familia Voyage 4. Representa pasajes de origen y consultas como vectores numéricos para recuperación de uso general y multilingüe. Sus dos características distintivas son un diseño de modelo de mezcla de expertos y el espacio compartido de embeddings que utilizan voyage-4-large, voyage-4, voyage-4-lite y voyage-4-nano.
El fabricante describe recuperación asimétrica: los documentos pueden tener embeddings generados con voyage-4-large mientras otro modelo de la familia Voyage 4 prepara los vectores de consulta. Por ejemplo, un corpus representado por Large puede buscarse con consultas voyage-4. Esto permite que los dos lados de la búsqueda tengan elecciones de modelo diferentes sin salir del espacio compatible documentado.
Por tanto, una colección práctica puede utilizar Large para preparar pasajes documentales estables y elegir de forma independiente el modelo del lado de consulta. Los embeddings de documentos se generan al crear o actualizar el corpus, mientras que las consultas se vectorizan cuando los usuarios buscan. El anuncio de la familia describe el cambio del modelo de consulta dentro de la familia compatible sin volver a vectorizar el corpus documental únicamente por ese cambio. Mantén los vectores comparados en dimensiones coincidentes y representaciones que el sistema de búsqueda pueda interpretar conjuntamente.
Una capa densa feed-forward procesa cada token con su conjunto completo de parámetros. El enfoque MoE descrito para voyage-4-large utiliza un enrutador y redes feed-forward de expertos, seleccionando los expertos que procesan cada token. Esto separa la capacidad total del modelo de los parámetros activos para un token particular. Voyage comunica una proporción de activación de 1/10 para el diseño MoE del modelo, utilizando enrutamiento top-k.
La explicación técnica del fabricante también describe dos decisiones de desarrollo. La capacidad de expertos afecta a si los tokens sobrantes evitan una capa de expertos mediante una vía residual; el equipo eligió el mayor factor de capacidad viable para evitar pérdidas de calidad de recuperación. En la etapa final de entrenamiento, los parámetros del enrutador se congelan antes de fusionar los modelos para que la interpolación de los modelos de origen no cambie el enrutamiento aprendido de selección de expertos. Son características de preparación del modelo, distintas de los ajustes de longitud textual o truncamiento utilizados al preparar una entrada.
La tabla oficial del modelo especifica una ventana de contexto de 32,000 tokens y embeddings seleccionables de 256, 512, 1024 y 2048 dimensiones, con 1024 como valor predeterminado. La familia utiliza aprendizaje Matryoshka para tamaños anidados de representación y admite opciones de cuantización: punto flotante de 32 bits, enteros de 8 bits con o sin signo y salida binaria empaquetada.
Con salida binaria, la longitud de la lista de bytes devuelta es un octavo de la dimensión seleccionada porque cada byte contiene ocho bits de embedding. Conserva las elecciones de dimensión y tipo de datos junto con el índice y utiliza un método de comparación compatible con esa representación. Un vector más pequeño o comprimido cambia la representación utilizada para búsqueda; evalúa los pasajes pertinentes devueltos ante preguntas reales antes de elegirlo para una colección.
Voyage recomienda utilizar el rol document para pasajes del corpus y el rol query para la formulación de búsqueda. Su opción de rol añade la instrucción de recuperación correspondiente antes de generar embeddings. Conserva el encabezado útil, las condiciones y la ubicación de origen del pasaje y después guarda el vector devuelto junto con el texto original y un identificador estable.
Para una colección de conocimiento técnico, una pregunta sobre un modo de falla debe conducir al pasaje que describa ese modo y sus condiciones pertinentes. Para una colección documental de varios idiomas, conserva el idioma de origen y evalúa las preguntas y terminología que utilizarán los usuarios al buscar. La publicación cubre material de recuperación que incluye documentos técnicos, conversaciones, documentos largos, código, derecho, finanzas y texto web. El embedding localiza material candidato; un reranker o etapa de respuesta posteriores utilizan el texto original.
La guía actual del fabricante permite hasta 1000 cadenas y 120,000 tokens totales de entrada en una solicitud voyage-4-large. Esto difiere del límite de lote indicado para voyage-4, mientras que ambos tienen una ventana de 32,000 tokens por texto. El truncamiento predeterminado acorta una entrada demasiado larga para que quepa; desactivar el truncamiento devuelve un error ante un texto demasiado largo.
Elige deliberadamente los límites de pasajes que contengan respuestas para que una fuente larga no pierda un matiz pertinente en una parte final truncada. Mantén la asociación con la fuente al devolver resultados de búsqueda y examina el texto candidato real, en lugar de tratar la proximidad vectorial como verificación de su contenido. La compatibilidad de espacio compartido se aplica a la familia textual Voyage 4 documentada; el procesamiento contextualizado de grupos de fragmentos, los embeddings de imagen/video y las ediciones posteriores de modelos siguen siendo flujos específicos de cada modelo.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites voyageai/voyage-4-large | Predeterminado— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Lote homogéneo no vacío. Los ID de tokens son números enteros no negativos. Presupuesto de entrada: Máximo: 32,000 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un arreglo de tokens | Predeterminado— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores y límites float | Predeterminadofloat |
Campodimensions | Tipointeger | RequisitoNo compatible | Valores y límites Mínimo: 1 | Predeterminado— |
Campouser | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options rechazado | Predeterminado— |
text_to_embedding
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input |
Parámetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parámetroencoding_format | Contratofloat |
Parámetrodimensions_override | Contratofalse |
Parámetromax_input_budget_units | Contrato32000 |
Parámetromultimodal_objects | Contratofalse |
Parámetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Conserva todos los índices y dimensiones de los vectores.
El nombre de un modelo multimodal no habilita objetos de imagen en esta ruta exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00024 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada vector con su índice. La cantidad de vectores debe ser igual a la cantidad de entradas; las dimensiones deben ser consistentes.
No se incorpora ningún endpoint de tareas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra voyageai/voyage-4-large
Usa las rutas de método indicadas arriba.