Source: https://ailoot.ai/models/es/voyageai-voyage-4-large/ Canonical: https://ailoot.ai/models/es/voyageai-voyage-4-large/ Language: es # VoyageAI by MongoDB: voyage-4-large [Markdown](https://ailoot.ai/models/es/voyageai-voyage-4-large/index.md) · [JSON](https://ailoot.ai/models/es/voyageai-voyage-4-large/facts.json) ## [VoyageAI by MongoDB: voyage-4-large](https://ailoot.ai/models/es/voyageai-voyage-4-large/) voyage-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. - [**Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` `voyageai/voyage-4-large`](https://ailoot.ai/models/es/voyageai-voyage-4-large/#method-0) Sobre el modelo 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. #### Espacio compartido: elecciones separadas para corpus y consulta 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. #### Diseño de embeddings de mezcla de expertos 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. #### Dimensiones y representación de salida 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: coma 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. #### Prepara entradas de documento y consulta 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 fallo 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. #### Límites de contexto, lotes y truncamiento 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/vídeo y las ediciones posteriores de modelos siguen siendo flujos específicos de cada modelo. **Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` `voyageai/voyage-4-large` [`voyageai/voyage-4-large`](https://ailoot.ai/models/es/#m=voyageai%2Fvoyage-4-large&route=Ultra&caller=voyageai%2Fvoyage-4-large&fmt=embeddings) VoyageAI by MongoDB /`voyageai/voyage-4-large` ### Primeros pasos voyage-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. Entradas aceptadas Texto · token\_ids Resultados embedding ### Disponible en Ailoot · entradas y métodos **Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` Tipos de entrada `text`, `token_ids` Tipos de salida `embedding` Contexto 32.000 tokens Formato de salida json | Campo | Tipo | Requisito | Valores y límites | Predeterminado | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObligatorio | Valores y límites voyageai/voyage-4-large | Predeterminado— | | Campo`input` | Tipo`string\|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 array de tokens | Predeterminado— | | Campo`encoding_format` | Tipo`string` | RequisitoOpcional | Valores y límites float | Predeterminadofloat | | Campo`dimensions` | Tipo`integer` | RequisitoNo compatible | Valores y límites Mínimo: 1 | Predeterminado— | | Campo`user` | Tipo`json_value` | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— | | Campo`session_id` | Tipo`json_value` | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— | | Campo`trace` | Tipo`json_value` | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— | | Campo`provider` | Tipo`object` | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza | Predeterminado— | Combinaciones de materiales de entrada **text\_to\_embedding** Parámetros del método y ciclo de vida | Parámetro | Contrato | | --- | --- | | Parámetro`content_type` | Contratoapplication/json | | Parámetro`required` | Contratomodel, input | | Parámetro`input_shapes` | Contratostring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parámetro`encoding_format` | Contratofloat | | Parámetro`dimensions_override` | Contratofalse | | Parámetro`max_input_budget_units` | Contrato32000 | | Parámetro`multimodal_objects` | Contratofalse | | Parámetro`material_types` | Contratotext, token\_ids | Ciclo de vida: `synchronous_json` Conserva todos los índices y dimensiones de los vectores. Que el modelo tenga un nombre multimodal no permite enviar objetos de imagen por esta ruta concreta. ### Planes Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado. Modo rápido Tarifa estándar Cuando se selecciona el modo rápido Modo flex Tarifa estándar Cuando se selecciona el modo flex Esfuerzo máximo de razonamiento Tarifa estándar Cuando el esfuerzo máximo de razonamiento utiliza el ajuste predeterminado (default) #### Tarifas de Ailoot #### Precios por configuración | 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 **$0** / 1K tokens Entrada · Lectura de caché **—** / 1K tokens Entrada · Escritura en caché **—** / 1K tokens Entrada · Escritura en caché, 1 hora **—** / 1K tokens | Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. [Cómo funcionan la reserva y la liquidación →](https://ailoot.ai/docs/es/billing/reserve/) ### Solicitudes de ejemplo #### Ailoot Ultra · Representaciones vectoriales curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "voyageai/voyage-4-large", "input": ["First document", "Second document"]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")})) PY_RESULT ``` ```python from openai import OpenAI import os client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.embeddings.create(model='voyageai/voyage-4-large',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### Recibir y guardar resultados #### Ailoot Ultra · Representaciones vectoriales json ##### Conserva todos los resultados completados Conserva todas las respuestas, archivos y partes de contenido completos recibidos. Conserva cada vector con su índice. El número de vectores debe coincidir con el número de entradas; las dimensiones deben ser coherentes. ##### Si es necesario revisar la respuesta original No se introduce ningún endpoint de trabajos de embeddings. Campos de respuesta | Campo | Tipo | | --- | --- | | Campo`object` | Tipostring | | Campo`model` | Tipostring | | Campo`data[].index` | Tipointeger | | Campo`data[].embedding` | Tipofinite float\[\] | | Campo`usage` | Tipoobject | Errores y siguientes pasos | 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. | ### Alias #### Alias del modelo **Ailoot Ultra** [`voyageai/voyage-4-large`](https://ailoot.ai/models/es/#m=voyageai%2Fvoyage-4-large&route=Ultra&caller=voyageai%2Fvoyage-4-large&fmt=embeddings) #### Alias de rutas de métodos Usa las rutas de método indicadas arriba. #### ID de modelo relacionados [`voyageai/voyage-4-large`](https://ailoot.ai/models/es/#m=voyageai%2Fvoyage-4-large&route=Ultra&caller=voyageai%2Fvoyage-4-large&fmt=embeddings) FAQ · VoyageAI by MongoDB: voyage-4-large ¿Qué entradas y resultados están disponibles? `POST /v1/embeddings` · `voyageai/voyage-4-large`: `text`, `token_ids` → `embedding` ¿Qué campos utiliza la solicitud? `POST /v1/embeddings` · `voyageai/voyage-4-large`: `model`, `input`, `encoding_format`, `provider` ¿Qué límites se aplican? `POST /v1/embeddings` · `voyageai/voyage-4-large`: `ctx`: `32000`; `input.budget.maximum`: `32000` (bytes UTF8); `input.min_items`: `1` Conecta Ailoot a Claude Code, OpenCode, Hermes o tu aplicación. ## La empresa y su cartera de proyectos La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes. ## Compra tokens con descuento. Ahorro por suscripción para trabajo habitual. Códigos promocionales: hasta el 50% al comprar tokens. Suscripción Elige un plan con descuento para tus peticiones habituales. Código de hasta el 50% Introduce el código al comprar. El precio se recalcula según la promoción vigente. Gasto en el historial Modelo, tokens e importe quedan guardados por cada petición. [Elegir suscripción](https://ailoot.ai/docs/es/billing/subscriptions/) · [Consultar precios de modelos](https://ailoot.ai/models/es/) ## Conecta la API al producto que vendes. SaaS, aplicaciones y bots bajo la oferta y el acuerdo de licencia Ailoot. Solicita una licencia de reventa para redistribuir el acceso. Aplicación comercial Integra generación de texto, imágenes, vídeo y sonido en funciones de pago de tu servicio. Licencia para revendedores Envía descripción del proyecto y esquema de acceso. Solicita condiciones escritas de uso y reventa. Documentos en la web La oferta, el acuerdo de licencia y la política de datos están disponibles antes de conectar. [Solicitar licencia de reventa](mailto:support@ailoot.ai) · [Oferta y acuerdo de licencia](https://ailoot.ai/legal/offer?lang=es) ## Ailoot · La empresa y su cartera de proyectos Ailoot se apoya en la experiencia operativa acumulada, una amplia base de clientes, un servicio estable y el seguimiento continuo de KPI. La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes. Ailoot aplica esa experiencia operativa al acceso por API a funciones de IA en productos de clientes, agentes, aplicaciones y automatizaciones.