Voyage AI: Voyage 3.5 Lite

Voyage 3.5 Lite convierte texto en representaciones vectoriales para la recuperación semántica de información. Voyage AI describe esta edición como optimizada para la latencia y el coste, lo que la convierte en una candidata para experiencias de búsqueda que vectorizan preguntas entrantes con frecuencia o mantienen una gran colección de fragmentos consultables. La salida es una representación numérica del texto proporcionado que una aplicación de recuperación compara con los vectores almacenados de su material de origen.

Empieza por una colección cuyos límites encajen con la tarea del usuario. Para un centro de ayuda, un fragmento puede explicar un procedimiento y sus requisitos previos. Para un archivo de conversaciones, conserva suficiente parte de una cadena de respuestas para identificar a qué responde el mensaje. Un resultado debe llevar a una prueba legible, por lo que conviene guardar el texto original, un enlace estable a la fuente y los metadatos del documento junto con cada representación vectorial.

Redacta las consultas de prueba como las formularían los usuarios. «¿Dónde cambio la dirección de una factura?» es una comprobación de búsqueda más útil que copiar el encabezado del artículo pertinente. Incluye preguntas breves, paráfrasis, abreviaturas del ámbito y casos que mencionen varios conceptos. Revisa los fragmentos devueltos e identifica si un resultado omitido se debe a contenido ausente en la fuente, límites inadecuados entre fragmentos o una decisión de recuperación.

El fabricante documenta una ventana de contexto de 32.000 tokens. Esta capacidad permite entradas de texto extensas, mientras que la longitud del fragmento sigue siendo una decisión de diseño de la experiencia de búsqueda. Conserva una respuesta compacta junto con sus condiciones necesarias; evita separar una definición del término que explica. Extrae texto legible de la fuente y elimina la navegación repetida en todas las páginas cuando oculte la información que busca el usuario.

Voyage 3.5 Lite admite 2.048, 1.024, 512 y 256 dimensiones. Las representaciones de coma flotante, de enteros de ocho bits y binarias ofrecen opciones adicionales para el índice vectorial. Prueba una representación más pequeña o cuantizada con las mismas preguntas y el mismo corpus utilizados como referencia a precisión completa. Registra el modelo, la dimensión y el tipo de datos seleccionados junto con el índice para que los vectores de consulta utilicen los ajustes correspondientes.

En el proceso de recuperación del fabricante, identifica los fragmentos indexados como documentos y las búsquedas entrantes como consultas. Conserva la correspondencia entre cada vector devuelto y su texto de entrada cuando proceses varios fragmentos juntos. Una operación de vectorización correcta proporciona vectores; la aplicación todavía debe colocarlos en los registros adecuados y mostrar el extracto de origen cuando un usuario abra un resultado.

Utiliza esta edición para una colección de asistencia consultable, una herramienta para descubrir documentos o la etapa de recuperación de un asistente. Para material multilingüe, evalúa las combinaciones de idiomas presentes en tu propia colección, en lugar de depender de una sola prueba en inglés. Mantén disponibles para la aplicación los permisos y los metadatos de idioma, de modo que una coincidencia pertinente pueda filtrarse y mostrarse en el contexto adecuado.

En las colecciones que crecen, actualiza los vectores de los fragmentos modificados junto con sus versiones de origen. Conserva un conjunto de preguntas reales que incluya coincidencias sencillas, paráfrasis difíciles y documentos similares con respuestas distintas. Mide la calidad de la recuperación y el comportamiento de todo el proceso de búsqueda con la carga de trabajo prevista. La descripción de la edición Lite del fabricante ayuda a elegir una candidata; la dimensión final, la estrategia de fragmentación y los ajustes del índice se determinan a partir de los resultados obtenidos con tu material.