Voyage 3 Large è un modello di embedding testuale per trovare informazioni pertinenti in una raccolta di documenti. Rappresenta ogni testo fornito come un vettore numerico, permettendo a un’applicazione di confrontare una richiesta di ricerca con passaggi la cui formulazione può essere diversa ma il cui significato è correlato. Voyage AI posiziona questa edizione per il recupero di informazioni di uso generale e multilingue, su materiali come documentazione tecnica, conversazioni e documenti lunghi.
Costruite la raccolta ricercabile a partire dalle informazioni che le persone devono effettivamente ritrovare. Per una base di conoscenza di prodotto, mantenete la spiegazione di una funzionalità insieme ai suoi prerequisiti e alle eccezioni pertinenti. Per i verbali delle riunioni, conservate le etichette degli interlocutori e una parte sufficiente della discussione circostante per rendere comprensibile l’argomento. Suddividete una fonte ampia in punti utili e conservate il titolo della fonte, l’identificatore del documento e la posizione del passaggio insieme a ogni vettore.
Preparate una domanda di ricerca come query e i materiali indicizzati come documenti. Nel processo di embedding testuale del produttore, il tipo di input indica al modello il ruolo del testo nel recupero di informazioni. Una query come «Come può un membro recuperare l’accesso dopo aver perso una chiave di sicurezza?» può così essere confrontata con passaggi di assistenza che descrivono la procedura di recupero, anche se usano formulazioni diverse. Mantenete disponibile il passaggio originale, in modo che il risultato di ricerca possa mostrare gli elementi su cui si basa la corrispondenza.
Il modello ha una finestra di contesto di 32 000 token. Un input lungo può conservare una sezione completa, ma un intero documento non è sempre l’unità di ricerca più utile. Un vettore ampio può indicare il file giusto lasciando al lettore il compito di trovare la risposta precisa. Scegliete i confini dei passaggi in base al risultato da mostrare e mantenete titoli, precisazioni e definizioni insieme ai contenuti che spiegano.
Voyage 3 Large supporta vettori con 2 048, 1 024, 512 o 256 dimensioni. Il produttore documenta anche rappresentazioni in virgola mobile, a otto bit con o senza segno e binarie. Queste scelte permettono a un sistema di recupero di confrontare il dettaglio dei vettori con le dimensioni dell’indice e il comportamento della ricerca. Selezionate il formato supportato dall’archivio vettoriale previsto, poi valutatelo sul corpus effettivo e su domande rappresentative prima di scegliere le impostazioni dell’indice di produzione.
Per la ricerca multilingue, includete domande di prova nelle lingue usate dagli utenti ed esaminate i passaggi recuperati nella loro lingua originale. Un’interfaccia di ricerca condivisa può servire più raccolte linguistiche, mentre i metadati dei documenti continuano a identificare la lingua locale e la versione della fonte. Conservate nomi significativi, abbreviazioni e termini di settore durante l’estrazione, anziché sostituirli con una sintesi generica prima dell’embedding.
Usate i vettori per recuperare passaggi candidati per una pagina di ricerca, un assistente basato su una base di conoscenza o un passaggio di selezione dei documenti. Mantenete lo stesso modello e le stesse impostazioni vettoriali per la raccolta indicizzata e le relative query. Quando sostituite un modello di embedding o cambiate le dimensioni dei vettori, ricostruite e confrontate deliberatamente l’indice interessato; la sola lunghezza di un vettore non identifica come sia stato prodotto.
Valutate il risultato in base all’utilità del recupero: se compare il passaggio corretto, se passaggi vicini ma fuorvianti si collocano sopra di esso e se l’estratto mostrato contiene la risposta. Conservate un piccolo insieme di domande reali con le fonti attese, includendo formulazioni ambigue e documenti quasi duplicati. L’embedding fornisce una rappresentazione ricercabile; l’applicazione conserva il testo di fonte, le autorizzazioni e i collegamenti necessari per trasformare una corrispondenza in un risultato utilizzabile.
", "aboutText": "Voyage 3 Large è un modello di embedding testuale per trovare informazioni pertinenti in una raccolta di documenti. Rappresenta ogni testo fornito come un vettore numerico, permettendo a un’applicazione di confrontare una richiesta di ricerca con passaggi la cui formulazione può essere diversa ma il cui significato è correlato. Voyage AI posiziona questa edizione per il recupero di informazioni di uso generale e multilingue, su materiali come documentazione tecnica, conversazioni e documenti lunghi.\n\nCostruite la raccolta ricercabile a partire dalle informazioni che le persone devono effettivamente ritrovare. Per una base di conoscenza di prodotto, mantenete la spiegazione di una funzionalità insieme ai suoi prerequisiti e alle eccezioni pertinenti. Per i verbali delle riunioni, conservate le etichette degli interlocutori e una parte sufficiente della discussione circostante per rendere comprensibile l’argomento. Suddividete una fonte ampia in punti utili e conservate il titolo della fonte, l’identificatore del documento e la posizione del passaggio insieme a ogni vettore.\n\nPreparate una domanda di ricerca come query e i materiali indicizzati come documenti. Nel processo di embedding testuale del produttore, il tipo di input indica al modello il ruolo del testo nel recupero di informazioni. Una query come «Come può un membro recuperare l’accesso dopo aver perso una chiave di sicurezza?» può così essere confrontata con passaggi di assistenza che descrivono la procedura di recupero, anche se usano formulazioni diverse. Mantenete disponibile il passaggio originale, in modo che il risultato di ricerca possa mostrare gli elementi su cui si basa la corrispondenza.\n\nIl modello ha una finestra di contesto di 32 000 token. Un input lungo può conservare una sezione completa, ma un intero documento non è sempre l’unità di ricerca più utile. Un vettore ampio può indicare il file giusto lasciando al lettore il compito di trovare la risposta precisa. Scegliete i confini dei passaggi in base al risultato da mostrare e mantenete titoli, precisazioni e definizioni insieme ai contenuti che spiegano.\n\nVoyage 3 Large supporta vettori con 2 048, 1 024, 512 o 256 dimensioni. Il produttore documenta anche rappresentazioni in virgola mobile, a otto bit con o senza segno e binarie. Queste scelte permettono a un sistema di recupero di confrontare il dettaglio dei vettori con le dimensioni dell’indice e il comportamento della ricerca. Selezionate il formato supportato dall’archivio vettoriale previsto, poi valutatelo sul corpus effettivo e su domande rappresentative prima di scegliere le impostazioni dell’indice di produzione.\n\nPer la ricerca multilingue, includete domande di prova nelle lingue usate dagli utenti ed esaminate i passaggi recuperati nella loro lingua originale. Un’interfaccia di ricerca condivisa può servire più raccolte linguistiche, mentre i metadati dei documenti continuano a identificare la lingua locale e la versione della fonte. Conservate nomi significativi, abbreviazioni e termini di settore durante l’estrazione, anziché sostituirli con una sintesi generica prima dell’embedding.\n\nUsate i vettori per recuperare passaggi candidati per una pagina di ricerca, un assistente basato su una base di conoscenza o un passaggio di selezione dei documenti. Mantenete lo stesso modello e le stesse impostazioni vettoriali per la raccolta indicizzata e le relative query. Quando sostituite un modello di embedding o cambiate le dimensioni dei vettori, ricostruite e confrontate deliberatamente l’indice interessato; la sola lunghezza di un vettore non identifica come sia stato prodotto.\n\nValutate il risultato in base all’utilità del recupero: se compare il passaggio corretto, se passaggi vicini ma fuorvianti si collocano sopra di esso e se l’estratto mostrato contiene la risposta. Conservate un piccolo insieme di domande reali con le fonti attese, includendo formulazioni ambigue e documenti quasi duplicati. L’embedding fornisce una rappresentazione ricercabile; l’applicazione conserva il testo di fonte, le autorizzazioni e i collegamenti necessari per trasformare una corrispondenza in un risultato utilizzabile.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "fe1fe38166a5dbdee5c728cf22708e29e657ed0208da8f3b957630d0be677d4d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "voyage-3-largeVoyage 3 Large trasforma il testo in vettori per il recupero di informazioni di uso generale e multilingue. La sua finestra di input di 32 000 token, le dimensioni selezionabili dei vettori e i formati quantizzati supportano basi di conoscenza ricercabili, individuazione di documenti e generazione aumentata dal recupero di informazioni.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Voyage 3 Large è un modello di embedding testuale per trovare informazioni pertinenti in una raccolta di documenti. Rappresenta ogni testo fornito come un vettore numerico, permettendo a un’applicazione di confrontare una richiesta di ricerca con passaggi la cui formulazione può essere diversa ma il cui significato è correlato. Voyage AI posiziona questa edizione per il recupero di informazioni di uso generale e multilingue, su materiali come documentazione tecnica, conversazioni e documenti lunghi.
Costruite la raccolta ricercabile a partire dalle informazioni che le persone devono effettivamente ritrovare. Per una base di conoscenza di prodotto, mantenete la spiegazione di una funzionalità insieme ai suoi prerequisiti e alle eccezioni pertinenti. Per i verbali delle riunioni, conservate le etichette degli interlocutori e una parte sufficiente della discussione circostante per rendere comprensibile l’argomento. Suddividete una fonte ampia in punti utili e conservate il titolo della fonte, l’identificatore del documento e la posizione del passaggio insieme a ogni vettore.
Preparate una domanda di ricerca come query e i materiali indicizzati come documenti. Nel processo di embedding testuale del produttore, il tipo di input indica al modello il ruolo del testo nel recupero di informazioni. Una query come «Come può un membro recuperare l’accesso dopo aver perso una chiave di sicurezza?» può così essere confrontata con passaggi di assistenza che descrivono la procedura di recupero, anche se usano formulazioni diverse. Mantenete disponibile il passaggio originale, in modo che il risultato di ricerca possa mostrare gli elementi su cui si basa la corrispondenza.
Il modello ha una finestra di contesto di 32 000 token. Un input lungo può conservare una sezione completa, ma un intero documento non è sempre l’unità di ricerca più utile. Un vettore ampio può indicare il file giusto lasciando al lettore il compito di trovare la risposta precisa. Scegliete i confini dei passaggi in base al risultato da mostrare e mantenete titoli, precisazioni e definizioni insieme ai contenuti che spiegano.
Voyage 3 Large supporta vettori con 2 048, 1 024, 512 o 256 dimensioni. Il produttore documenta anche rappresentazioni in virgola mobile, a otto bit con o senza segno e binarie. Queste scelte permettono a un sistema di recupero di confrontare il dettaglio dei vettori con le dimensioni dell’indice e il comportamento della ricerca. Selezionate il formato supportato dall’archivio vettoriale previsto, poi valutatelo sul corpus effettivo e su domande rappresentative prima di scegliere le impostazioni dell’indice di produzione.
Per la ricerca multilingue, includete domande di prova nelle lingue usate dagli utenti ed esaminate i passaggi recuperati nella loro lingua originale. Un’interfaccia di ricerca condivisa può servire più raccolte linguistiche, mentre i metadati dei documenti continuano a identificare la lingua locale e la versione della fonte. Conservate nomi significativi, abbreviazioni e termini di settore durante l’estrazione, anziché sostituirli con una sintesi generica prima dell’embedding.
Usate i vettori per recuperare passaggi candidati per una pagina di ricerca, un assistente basato su una base di conoscenza o un passaggio di selezione dei documenti. Mantenete lo stesso modello e le stesse impostazioni vettoriali per la raccolta indicizzata e le relative query. Quando sostituite un modello di embedding o cambiate le dimensioni dei vettori, ricostruite e confrontate deliberatamente l’indice interessato; la sola lunghezza di un vettore non identifica come sia stato prodotto.
Valutate il risultato in base all’utilità del recupero: se compare il passaggio corretto, se passaggi vicini ma fuorvianti si collocano sopra di esso e se l’estratto mostrato contiene la risposta. Conservate un piccolo insieme di domande reali con le fonti attese, includendo formulazioni ambigue e documenti quasi duplicati. L’embedding fornisce una rappresentazione ricercabile; l’applicazione conserva il testo di fonte, le autorizzazioni e i collegamenti necessari per trasformare una corrispondenza in un risultato utilizzabile.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti voyage-3-large Condizioni: Usa il selettore esatto del modello Ailoot. | Predefinito— |
Campoinput | Tipostring or array<string> | RequisitoObbligatorio | Valori e limiti Condizioni: Un testo o un elenco di testi; conserva un vettore per ogni elemento di dati restituito e il relativo indice. | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input |
Parametrooptional | Contratto |
Parametromaterial_types | Contrattotext |
Parametroconditions | ContrattoInvia il testo con il modello selezionato; conserva ogni vettore restituito e il suo indice. |
Ciclo di vita: synchronous
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0004 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncat > request.json <<'JSON'\n{\n "model": "voyage-3-large",\n "input": "The quick brown fox jumps over the lazy dog"\n}\nJSON\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 embeddings.json\n# Keep every data item and its index, the full usage object and response headers.\nAiloot Ultra voyage-3-large
Usa i percorsi dei metodi indicati sopra.