voyage-4-lite es el modelo de embeddings de texto orientado a la latencia de la familia Voyage 4 de Voyage AI. Representa consultas y documentos como vectores numéricos para recuperación de uso general. Su característica distintiva de familia es un espacio compartido de embeddings con voyage-4, voyage-4-large y voyage-4-nano, lo que permite elegir por separado los modelos de consulta y documento.
Prepara la necesidad de información del usuario como consulta y el material en el que se puede buscar como documentos. Voyage recomienda los tipos de entrada query/document para recuperación; su receta publicada añade la instrucción de recuperación correspondiente al vectorizar el texto.
Para una colección de manuales de empleados, una consulta sobre trasladar vacaciones no utilizadas al periodo siguiente debe compararse con las secciones específicas de la política. Mantén la regla, sus condiciones y cualquier excepción pertinente en el pasaje indexado. Conserva el documento original y el identificador de sección junto al vector para que la aplicación pueda devolver el texto real de la política.
Un tipo de entrada no especificado representa directamente el texto, mientras que los roles query/document lo adaptan para recuperación. El fabricante afirma que los embeddings producidos con y sin esos ajustes de rol son compatibles, pero mantener una política coherente de preparación facilita la evaluación de la colección.
Voyage documenta expresamente un flujo de recuperación asimétrica: los documentos pueden codificarse con voyage-4-large y buscarse mediante vectores de consulta de voyage-4-lite. Esta es una declaración de compatibilidad de la familia, en lugar de una conclusión extraída de que dos modelos devuelvan vectores de la misma longitud.
Mantén alineadas la dimensión vectorial y la representación elegidas entre la colección y el lado de la consulta. El espacio compartido también permite cambiar el modelo de consulta dentro de esta familia textual Voyage 4 con nombre definido sin volver a vectorizar los documentos existentes. Evalúa la ordenación resultante con preguntas representativas al elegir la edición de consulta.
La función de la edición Lite es ser la opción más pequeña de consulta y embeddings de texto centrada en latencia. El fabricante atribuye la arquitectura de mezcla de expertos específicamente a voyage-4-large; el nombre de familia no establece esa arquitectura para Lite.
La longitud de contexto publicada es de 32.000 tokens por texto. El vector predeterminado tiene 1024 dimensiones, con 256, 512 y 2048 también disponibles mediante aprendizaje Matryoshka. El flujo de embeddings de texto del fabricante documenta representaciones de coma flotante, enteros de 8 bits con y sin signo y representaciones binarias de bits empaquetados para voyage-4-lite.
Para vectores ordinarios de coma flotante, las indicaciones de similaridad de Voyage describen embeddings de longitud unitaria, lo que hace equivalentes la similaridad del coseno y la del producto escalar. Las formas cuantizadas necesitan el tratamiento correspondiente de representación. Por ejemplo, una lista binaria de bits empaquetados almacena ocho bits de embedding en cada byte; su longitud de lista difiere de la dimensión vectorial semántica.
En la receta documentada de lotes de Voyage, una lista contiene como máximo 1000 textos y un millón de tokens totales para esta edición Lite exacta. El comportamiento predeterminado ante longitud excesiva trunca cada texto al límite de contexto; el ajuste alternativo rechaza las entradas demasiado largas. Estos límites de lote y por texto son distintos.
Divide el material de origen largo en secciones coherentes que puedan devolverse como evidencia. Un contexto de 32.000 tokens permite una entrada larga, pero una unidad útil de recuperación debe seguir conduciendo a la sección pertinente de origen. Incluye el encabezado o detalle identificativo necesario para interpretar una regla.
Para RAG, recupera secciones candidatas y pasa su texto original a la etapa de redacción de la respuesta con las asociaciones de origen. El modelo de embeddings produce vectores y no genera una respuesta sobre políticas. La similaridad ordena candidatos bajo el modelo y configuración de comparación elegidos; revisa el pasaje real para la condición precisa por la que se ha preguntado.
La combinación útil específica de voyage-4-lite es un modelo textual centrado en latencia, representaciones flexibles, un contexto de 32.000 tokens y compatibilidad documentada dentro de la familia textual Voyage 4. Mantén esas propiedades junto con la colección indexada y utiliza resultados de recuperación respaldados por fuentes para apoyar a la aplicación que lo integra.
", "aboutText": "voyage-4-lite es el modelo de embeddings de texto orientado a la latencia de la familia Voyage 4 de Voyage AI. Representa consultas y documentos como vectores numéricos para recuperación de uso general. Su característica distintiva de familia es un espacio compartido de embeddings con voyage-4, voyage-4-large y voyage-4-nano, lo que permite elegir por separado los modelos de consulta y documento.\n\n### Empieza por los roles de recuperación\n\nPrepara la necesidad de información del usuario como consulta y el material en el que se puede buscar como documentos. Voyage recomienda los tipos de entrada query/document para recuperación; su receta publicada añade la instrucción de recuperación correspondiente al vectorizar el texto.\n\nPara una colección de manuales de empleados, una consulta sobre trasladar vacaciones no utilizadas al periodo siguiente debe compararse con las secciones específicas de la política. Mantén la regla, sus condiciones y cualquier excepción pertinente en el pasaje indexado. Conserva el documento original y el identificador de sección junto al vector para que la aplicación pueda devolver el texto real de la política.\n\nUn tipo de entrada no especificado representa directamente el texto, mientras que los roles query/document lo adaptan para recuperación. El fabricante afirma que los embeddings producidos con y sin esos ajustes de rol son compatibles, pero mantener una política coherente de preparación facilita la evaluación de la colección.\n\n### Espacio compartido en la familia textual Voyage 4\n\nVoyage documenta expresamente un flujo de recuperación asimétrica: los documentos pueden codificarse con voyage-4-large y buscarse mediante vectores de consulta de voyage-4-lite. Esta es una declaración de compatibilidad de la familia, en lugar de una conclusión extraída de que dos modelos devuelvan vectores de la misma longitud.\n\nMantén alineadas la dimensión vectorial y la representación elegidas entre la colección y el lado de la consulta. El espacio compartido también permite cambiar el modelo de consulta dentro de esta familia textual Voyage 4 con nombre definido sin volver a vectorizar los documentos existentes. Evalúa la ordenación resultante con preguntas representativas al elegir la edición de consulta.\n\nLa función de la edición Lite es ser la opción más pequeña de consulta y embeddings de texto centrada en latencia. El fabricante atribuye la arquitectura de mezcla de expertos específicamente a voyage-4-large; el nombre de familia no establece esa arquitectura para Lite.\n\n### Contexto, dimensiones y formato del resultado\n\nLa longitud de contexto publicada es de 32.000 tokens por texto. El vector predeterminado tiene 1024 dimensiones, con 256, 512 y 2048 también disponibles mediante aprendizaje Matryoshka. El flujo de embeddings de texto del fabricante documenta representaciones de coma flotante, enteros de 8 bits con y sin signo y representaciones binarias de bits empaquetados para voyage-4-lite.\n\nPara vectores ordinarios de coma flotante, las indicaciones de similaridad de Voyage describen embeddings de longitud unitaria, lo que hace equivalentes la similaridad del coseno y la del producto escalar. Las formas cuantizadas necesitan el tratamiento correspondiente de representación. Por ejemplo, una lista binaria de bits empaquetados almacena ocho bits de embedding en cada byte; su longitud de lista difiere de la dimensión vectorial semántica.\n\nEn la receta documentada de lotes de Voyage, una lista contiene como máximo 1000 textos y un millón de tokens totales para esta edición Lite exacta. El comportamiento predeterminado ante longitud excesiva trunca cada texto al límite de contexto; el ajuste alternativo rechaza las entradas demasiado largas. Estos límites de lote y por texto son distintos.\n\n### Prepara y examina los resultados de recuperación\n\nDivide el material de origen largo en secciones coherentes que puedan devolverse como evidencia. Un contexto de 32.000 tokens permite una entrada larga, pero una unidad útil de recuperación debe seguir conduciendo a la sección pertinente de origen. Incluye el encabezado o detalle identificativo necesario para interpretar una regla.\n\nPara RAG, recupera secciones candidatas y pasa su texto original a la etapa de redacción de la respuesta con las asociaciones de origen. El modelo de embeddings produce vectores y no genera una respuesta sobre políticas. La similaridad ordena candidatos bajo el modelo y configuración de comparación elegidos; revisa el pasaje real para la condición precisa por la que se ha preguntado.\n\nLa combinación útil específica de voyage-4-lite es un modelo textual centrado en latencia, representaciones flexibles, un contexto de 32.000 tokens y compatibilidad documentada dentro de la familia textual Voyage 4. Mantén esas propiedades junto con la colección indexada y utiliza resultados de recuperación respaldados por fuentes para apoyar a la aplicación que lo integra.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9d0b1e25e4449abc043ddb2f7ac93477e9e8e15696eb97af5c05f8cef8bae6c4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "voyageai/voyage-4-liteVoyage AI voyage-4-lite es la edición de embeddings de texto orientada a la latencia de la familia Voyage 4. Admite entradas de 32.000 tokens, cuatro opciones de dimensión vectorial y representaciones cuantizadas, con un espacio compartido de embeddings compatible con los otros modelos textuales Voyage 4.
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-lite es el modelo de embeddings de texto orientado a la latencia de la familia Voyage 4 de Voyage AI. Representa consultas y documentos como vectores numéricos para recuperación de uso general. Su característica distintiva de familia es un espacio compartido de embeddings con voyage-4, voyage-4-large y voyage-4-nano, lo que permite elegir por separado los modelos de consulta y documento.
Prepara la necesidad de información del usuario como consulta y el material en el que se puede buscar como documentos. Voyage recomienda los tipos de entrada query/document para recuperación; su receta publicada añade la instrucción de recuperación correspondiente al vectorizar el texto.
Para una colección de manuales de empleados, una consulta sobre trasladar vacaciones no utilizadas al periodo siguiente debe compararse con las secciones específicas de la política. Mantén la regla, sus condiciones y cualquier excepción pertinente en el pasaje indexado. Conserva el documento original y el identificador de sección junto al vector para que la aplicación pueda devolver el texto real de la política.
Un tipo de entrada no especificado representa directamente el texto, mientras que los roles query/document lo adaptan para recuperación. El fabricante afirma que los embeddings producidos con y sin esos ajustes de rol son compatibles, pero mantener una política coherente de preparación facilita la evaluación de la colección.
Voyage documenta expresamente un flujo de recuperación asimétrica: los documentos pueden codificarse con voyage-4-large y buscarse mediante vectores de consulta de voyage-4-lite. Esta es una declaración de compatibilidad de la familia, en lugar de una conclusión extraída de que dos modelos devuelvan vectores de la misma longitud.
Mantén alineadas la dimensión vectorial y la representación elegidas entre la colección y el lado de la consulta. El espacio compartido también permite cambiar el modelo de consulta dentro de esta familia textual Voyage 4 con nombre definido sin volver a vectorizar los documentos existentes. Evalúa la ordenación resultante con preguntas representativas al elegir la edición de consulta.
La función de la edición Lite es ser la opción más pequeña de consulta y embeddings de texto centrada en latencia. El fabricante atribuye la arquitectura de mezcla de expertos específicamente a voyage-4-large; el nombre de familia no establece esa arquitectura para Lite.
La longitud de contexto publicada es de 32.000 tokens por texto. El vector predeterminado tiene 1024 dimensiones, con 256, 512 y 2048 también disponibles mediante aprendizaje Matryoshka. El flujo de embeddings de texto del fabricante documenta representaciones de coma flotante, enteros de 8 bits con y sin signo y representaciones binarias de bits empaquetados para voyage-4-lite.
Para vectores ordinarios de coma flotante, las indicaciones de similaridad de Voyage describen embeddings de longitud unitaria, lo que hace equivalentes la similaridad del coseno y la del producto escalar. Las formas cuantizadas necesitan el tratamiento correspondiente de representación. Por ejemplo, una lista binaria de bits empaquetados almacena ocho bits de embedding en cada byte; su longitud de lista difiere de la dimensión vectorial semántica.
En la receta documentada de lotes de Voyage, una lista contiene como máximo 1000 textos y un millón de tokens totales para esta edición Lite exacta. El comportamiento predeterminado ante longitud excesiva trunca cada texto al límite de contexto; el ajuste alternativo rechaza las entradas demasiado largas. Estos límites de lote y por texto son distintos.
Divide el material de origen largo en secciones coherentes que puedan devolverse como evidencia. Un contexto de 32.000 tokens permite una entrada larga, pero una unidad útil de recuperación debe seguir conduciendo a la sección pertinente de origen. Incluye el encabezado o detalle identificativo necesario para interpretar una regla.
Para RAG, recupera secciones candidatas y pasa su texto original a la etapa de redacción de la respuesta con las asociaciones de origen. El modelo de embeddings produce vectores y no genera una respuesta sobre políticas. La similaridad ordena candidatos bajo el modelo y configuración de comparación elegidos; revisa el pasaje real para la condición precisa por la que se ha preguntado.
La combinación útil específica de voyage-4-lite es un modelo textual centrado en latencia, representaciones flexibles, un contexto de 32.000 tokens y compatibilidad documentada dentro de la familia textual Voyage 4. Mantén esas propiedades junto con la colección indexada y utiliza resultados de recuperación respaldados por fuentes para apoyar a la aplicación que lo integra.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites voyageai/voyage-4-lite | 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 array 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: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza | 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.
Que el modelo tenga un nombre multimodal no permite enviar objetos de imagen por esta ruta concreta.
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 $0.00004 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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
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.
No se introduce ningún endpoint de trabajos 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-lite
Usa las rutas de método indicadas arriba.