Voyage AI: Voyage 3 Large

Voyage 3 Large est un modèle d’embeddings textuels qui permet de trouver des informations pertinentes dans une collection de documents. Il représente chaque texte fourni par un vecteur numérique, ce qui permet à une application de comparer une requête de recherche à des passages dont la formulation peut différer, mais dont le sens est lié. Voyage AI positionne cette édition pour la recherche d’information généraliste et multilingue, sur des contenus tels que la documentation technique, les conversations et les documents longs.

Constituez la collection interrogeable à partir des informations que les utilisateurs ont réellement besoin de retrouver. Pour une base de connaissances produit, conservez l’explication d’une fonctionnalité avec ses prérequis et les exceptions pertinentes. Pour des comptes rendus de réunion, préservez les indications de locuteur et suffisamment d’échanges environnants pour rendre le sujet compréhensible. Découpez une source volumineuse à des endroits utiles et conservez le titre de la source, l’identifiant du document et la position du passage avec chaque vecteur.

Préparez une question de recherche comme une requête et les contenus indexés comme des documents. Dans le processus d’embedding textuel de l’éditeur, le type d’entrée indique au modèle le rôle du texte dans la recherche. Une requête telle que « Comment un membre peut-il récupérer son accès après avoir perdu une clé de sécurité ? » peut alors être comparée à des passages d’assistance décrivant la procédure de récupération, même si ces passages emploient une autre formulation. Gardez le passage original accessible pour que le résultat de recherche puisse montrer les éléments qui justifient la correspondance.

Le modèle dispose d’une fenêtre de contexte de 32 000 tokens. Une entrée longue peut préserver une section complète, mais un document entier n’est pas toujours l’unité de recherche la plus utile. Un vecteur couvrant un contenu large peut pointer vers le bon fichier tout en laissant au lecteur le soin de trouver la réponse précise. Délimitez les passages en fonction du résultat que vous souhaitez afficher et conservez les titres, les réserves et les définitions avec le contenu qu’ils expliquent.

Voyage 3 Large prend en charge des vecteurs de 2 048, 1 024, 512 ou 256 dimensions. L’éditeur documente également des représentations à virgule flottante, sur huit bits signés ou non signés, et binaires. Ces choix permettent à un système de recherche de comparer le niveau de détail des vecteurs à la taille de l’index et au comportement de la recherche. Sélectionnez le format pris en charge par le stockage vectoriel prévu, puis évaluez-le sur le corpus réel et des questions représentatives avant de choisir les paramètres de l’index de production.

Pour une recherche multilingue, incluez des questions de test dans les langues utilisées par vos utilisateurs et examinez les passages sources retrouvés dans leur langue d’origine. Une interface de recherche commune peut desservir plusieurs collections linguistiques, tandis que les métadonnées des documents identifient toujours la variante linguistique et la version de la source. Préservez les noms significatifs, les abréviations et les termes du domaine pendant l’extraction, au lieu de les remplacer par un résumé générique avant de créer les embeddings.

Utilisez les vecteurs pour retrouver des passages candidats destinés à une page de recherche, à un assistant de connaissances ou à une étape de sélection de documents. Conservez le même modèle et les mêmes paramètres vectoriels pour la collection indexée et ses requêtes. Lorsque vous remplacez un modèle d’embeddings ou modifiez les dimensions des vecteurs, reconstruisez et comparez délibérément l’index concerné ; la longueur d’un vecteur ne suffit pas à identifier la façon dont il a été produit.

Jugez le résultat selon l’utilité de la recherche : le bon passage apparaît-il, des passages proches mais trompeurs sont-ils classés avant lui, et l’extrait affiché contient-il la réponse ? Conservez un petit ensemble de questions réelles avec les sources attendues, y compris des formulations ambiguës et des documents presque identiques. L’embedding fournit une représentation interrogeable ; l’application conserve le texte source, les autorisations et les liens nécessaires pour transformer une correspondance en résultat exploitable.