voyage-4-large è il modello di punta di embedding testuale di Voyage AI nella famiglia Voyage 4. Rappresenta passaggi di origine e query come vettori numerici per il recupero generalista e multilingue. Le due caratteristiche distintive sono una progettazione mixture-of-experts e lo spazio di embedding condiviso usato da voyage-4-large, voyage-4, voyage-4-lite e voyage-4-nano.
Il produttore descrive il recupero asimmetrico: i documenti possono essere codificati con voyage-4-large mentre un altro modello della famiglia Voyage 4 prepara i vettori di query. Per esempio, un corpus rappresentato da Large può essere cercato con query voyage-4. Questo permette ai due lati della ricerca di scegliere modelli diversi restando nello spazio compatibile documentato.
Una raccolta concreta può quindi usare Large per preparare passaggi documentali stabili e scegliere indipendentemente il modello del lato query. I documenti vengono codificati quando il corpus viene creato o aggiornato, mentre le query vengono vettorizzate quando gli utenti cercano. L’annuncio della famiglia descrive il cambio del modello di query all’interno della famiglia compatibile senza rivettorizzare il corpus documentale soltanto per quel cambiamento. Mantieni i vettori confrontati a dimensioni corrispondenti e in rappresentazioni che il sistema di ricerca possa interpretare insieme.
Uno strato feed-forward denso elabora ogni token attraverso l’intero insieme dei propri parametri. L’approccio MoE descritto per voyage-4-large usa un router e reti feed-forward di esperti, selezionando gli esperti che elaborano ogni token. Ciò separa la capacità totale del modello dai parametri attivi per un token particolare. Voyage riporta un rapporto di attivazione di 1/10 per la progettazione MoE del modello, usando instradamento top-k.
La spiegazione tecnica del produttore descrive inoltre due scelte di sviluppo. La capacità degli esperti influisce sul fatto che token in eccesso saltino uno strato di esperti attraverso un percorso residuo; il team ha scelto il fattore di capacità massimo praticabile per evitare perdite nella qualità del recupero. Nella fase finale di addestramento, i parametri del router vengono congelati prima della fusione dei modelli, affinché l’interpolazione dei modelli di origine non modifichi l’instradamento appreso di selezione degli esperti. Sono caratteristiche della preparazione del modello, distinte dalle impostazioni di lunghezza del testo o troncamento usate quando si prepara un input.
La tabella ufficiale del modello specifica una finestra di contesto di 32.000 token ed embedding selezionabili a 256, 512, 1024 e 2048 dimensioni, con 1024 come valore predefinito. La famiglia usa apprendimento Matryoshka per dimensioni di rappresentazione annidate e supporta scelte di quantizzazione: virgola mobile a 32 bit, interi a 8 bit con o senza segno e output binario compattato.
Con output binario, la lunghezza dell’elenco di byte restituito è un ottavo della dimensione selezionata, perché ogni byte contiene otto bit di embedding. Preserva le scelte di dimensione e tipo di dati insieme all’indice e usa un metodo di confronto che supporti quella rappresentazione. Un vettore più piccolo o compresso cambia la rappresentazione usata per la ricerca; valuta i passaggi pertinenti restituiti su domande reali prima di sceglierlo per una raccolta.
Voyage raccomanda il ruolo document per i passaggi del corpus e il ruolo query per le formulazioni di ricerca. L’opzione di ruolo aggiunge l’istruzione di recupero corrispondente prima della codifica. Conserva il titolo utile del passaggio, le condizioni e la posizione nella fonte, poi memorizza il vettore restituito con il testo originale e un identificatore stabile.
Per una raccolta di conoscenze tecniche, una domanda su una modalità di guasto dovrebbe portare al passaggio che descrive quella modalità e le sue condizioni pertinenti. Per una raccolta documentale in più lingue, conserva la lingua di origine e valuta le domande e la terminologia con cui gli utenti cercheranno. La release copre materiale di recupero che include documenti tecnici, conversazioni, documenti lunghi, codice, diritto, finanza e testo web. L’embedding individua materiale candidato; un reranker o una fase di risposta successivi usano il testo originale.
La guida attuale del produttore permette fino a 1000 stringhe e 120.000 token totali di input in una richiesta voyage-4-large. Questo differisce dal budget batch indicato per voyage-4, mentre entrambi hanno una finestra di 32.000 token per testo. Il troncamento predefinito accorcia un input troppo lungo per farlo rientrare; disabilitare il troncamento restituisce un errore per un testo troppo lungo.
Scegli intenzionalmente i confini dei passaggi contenenti risposte, affinché una fonte lunga non perda una precisazione pertinente nella parte finale troncata. Mantieni il collegamento alla fonte quando restituisci risultati di ricerca ed esamina il testo candidato effettivo anziché trattare la vicinanza vettoriale come verifica dei suoi contenuti. La compatibilità dello spazio condiviso si applica alla famiglia testuale Voyage 4 documentata; elaborazione di segmenti contestualizzata, embedding di immagini o video ed edizioni successive dei modelli rimangono flussi specifici di ciascun modello.
", "aboutText": "voyage-4-large è il modello di punta di embedding testuale di Voyage AI nella famiglia Voyage 4. Rappresenta passaggi di origine e query come vettori numerici per il recupero generalista e multilingue. Le due caratteristiche distintive sono una progettazione mixture-of-experts e lo spazio di embedding condiviso usato da voyage-4-large, voyage-4, voyage-4-lite e voyage-4-nano.\n\n### Spazio condiviso: scelte separate per corpus e query\n\nIl produttore descrive il recupero asimmetrico: i documenti possono essere codificati con voyage-4-large mentre un altro modello della famiglia Voyage 4 prepara i vettori di query. Per esempio, un corpus rappresentato da Large può essere cercato con query voyage-4. Questo permette ai due lati della ricerca di scegliere modelli diversi restando nello spazio compatibile documentato.\n\nUna raccolta concreta può quindi usare Large per preparare passaggi documentali stabili e scegliere indipendentemente il modello del lato query. I documenti vengono codificati quando il corpus viene creato o aggiornato, mentre le query vengono vettorizzate quando gli utenti cercano. L’annuncio della famiglia descrive il cambio del modello di query all’interno della famiglia compatibile senza rivettorizzare il corpus documentale soltanto per quel cambiamento. Mantieni i vettori confrontati a dimensioni corrispondenti e in rappresentazioni che il sistema di ricerca possa interpretare insieme.\n\n### Progettazione dell’embedding mixture-of-experts\n\nUno strato feed-forward denso elabora ogni token attraverso l’intero insieme dei propri parametri. L’approccio MoE descritto per voyage-4-large usa un router e reti feed-forward di esperti, selezionando gli esperti che elaborano ogni token. Ciò separa la capacità totale del modello dai parametri attivi per un token particolare. Voyage riporta un rapporto di attivazione di 1/10 per la progettazione MoE del modello, usando instradamento top-k.\n\nLa spiegazione tecnica del produttore descrive inoltre due scelte di sviluppo. La capacità degli esperti influisce sul fatto che token in eccesso saltino uno strato di esperti attraverso un percorso residuo; il team ha scelto il fattore di capacità massimo praticabile per evitare perdite nella qualità del recupero. Nella fase finale di addestramento, i parametri del router vengono congelati prima della fusione dei modelli, affinché l’interpolazione dei modelli di origine non modifichi l’instradamento appreso di selezione degli esperti. Sono caratteristiche della preparazione del modello, distinte dalle impostazioni di lunghezza del testo o troncamento usate quando si prepara un input.\n\n### Dimensioni e rappresentazione dell’output\n\nLa tabella ufficiale del modello specifica una finestra di contesto di 32.000 token ed embedding selezionabili a 256, 512, 1024 e 2048 dimensioni, con 1024 come valore predefinito. La famiglia usa apprendimento Matryoshka per dimensioni di rappresentazione annidate e supporta scelte di quantizzazione: virgola mobile a 32 bit, interi a 8 bit con o senza segno e output binario compattato.\n\nCon output binario, la lunghezza dell’elenco di byte restituito è un ottavo della dimensione selezionata, perché ogni byte contiene otto bit di embedding. Preserva le scelte di dimensione e tipo di dati insieme all’indice e usa un metodo di confronto che supporti quella rappresentazione. Un vettore più piccolo o compresso cambia la rappresentazione usata per la ricerca; valuta i passaggi pertinenti restituiti su domande reali prima di sceglierlo per una raccolta.\n\n### Preparare input di documenti e query\n\nVoyage raccomanda il ruolo document per i passaggi del corpus e il ruolo query per le formulazioni di ricerca. L’opzione di ruolo aggiunge l’istruzione di recupero corrispondente prima della codifica. Conserva il titolo utile del passaggio, le condizioni e la posizione nella fonte, poi memorizza il vettore restituito con il testo originale e un identificatore stabile.\n\nPer una raccolta di conoscenze tecniche, una domanda su una modalità di guasto dovrebbe portare al passaggio che descrive quella modalità e le sue condizioni pertinenti. Per una raccolta documentale in più lingue, conserva la lingua di origine e valuta le domande e la terminologia con cui gli utenti cercheranno. La release copre materiale di recupero che include documenti tecnici, conversazioni, documenti lunghi, codice, diritto, finanza e testo web. L’embedding individua materiale candidato; un reranker o una fase di risposta successivi usano il testo originale.\n\n### Limiti di contesto, batch e troncamento\n\nLa guida attuale del produttore permette fino a 1000 stringhe e 120.000 token totali di input in una richiesta voyage-4-large. Questo differisce dal budget batch indicato per voyage-4, mentre entrambi hanno una finestra di 32.000 token per testo. Il troncamento predefinito accorcia un input troppo lungo per farlo rientrare; disabilitare il troncamento restituisce un errore per un testo troppo lungo.\n\nScegli intenzionalmente i confini dei passaggi contenenti risposte, affinché una fonte lunga non perda una precisazione pertinente nella parte finale troncata. Mantieni il collegamento alla fonte quando restituisci risultati di ricerca ed esamina il testo candidato effettivo anziché trattare la vicinanza vettoriale come verifica dei suoi contenuti. La compatibilità dello spazio condiviso si applica alla famiglia testuale Voyage 4 documentata; elaborazione di segmenti contestualizzata, embedding di immagini o video ed edizioni successive dei modelli rimangono flussi specifici di ciascun modello.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c10b99643920f90128a0b777be32d14f4c1ad729c685d118206494134e4adac4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "voyageai/voyage-4-largevoyage-4-large è il modello di embedding testuale mixture-of-experts di Voyage AI per il recupero generalista e multilingue. I suoi vettori condividono lo spazio della famiglia Voyage 4, permettendo di cercare negli embedding di corpus di Large con embedding di query compatibili degli altri modelli della famiglia.
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-4-large è il modello di punta di embedding testuale di Voyage AI nella famiglia Voyage 4. Rappresenta passaggi di origine e query come vettori numerici per il recupero generalista e multilingue. Le due caratteristiche distintive sono una progettazione mixture-of-experts e lo spazio di embedding condiviso usato da voyage-4-large, voyage-4, voyage-4-lite e voyage-4-nano.
Il produttore descrive il recupero asimmetrico: i documenti possono essere codificati con voyage-4-large mentre un altro modello della famiglia Voyage 4 prepara i vettori di query. Per esempio, un corpus rappresentato da Large può essere cercato con query voyage-4. Questo permette ai due lati della ricerca di scegliere modelli diversi restando nello spazio compatibile documentato.
Una raccolta concreta può quindi usare Large per preparare passaggi documentali stabili e scegliere indipendentemente il modello del lato query. I documenti vengono codificati quando il corpus viene creato o aggiornato, mentre le query vengono vettorizzate quando gli utenti cercano. L’annuncio della famiglia descrive il cambio del modello di query all’interno della famiglia compatibile senza rivettorizzare il corpus documentale soltanto per quel cambiamento. Mantieni i vettori confrontati a dimensioni corrispondenti e in rappresentazioni che il sistema di ricerca possa interpretare insieme.
Uno strato feed-forward denso elabora ogni token attraverso l’intero insieme dei propri parametri. L’approccio MoE descritto per voyage-4-large usa un router e reti feed-forward di esperti, selezionando gli esperti che elaborano ogni token. Ciò separa la capacità totale del modello dai parametri attivi per un token particolare. Voyage riporta un rapporto di attivazione di 1/10 per la progettazione MoE del modello, usando instradamento top-k.
La spiegazione tecnica del produttore descrive inoltre due scelte di sviluppo. La capacità degli esperti influisce sul fatto che token in eccesso saltino uno strato di esperti attraverso un percorso residuo; il team ha scelto il fattore di capacità massimo praticabile per evitare perdite nella qualità del recupero. Nella fase finale di addestramento, i parametri del router vengono congelati prima della fusione dei modelli, affinché l’interpolazione dei modelli di origine non modifichi l’instradamento appreso di selezione degli esperti. Sono caratteristiche della preparazione del modello, distinte dalle impostazioni di lunghezza del testo o troncamento usate quando si prepara un input.
La tabella ufficiale del modello specifica una finestra di contesto di 32.000 token ed embedding selezionabili a 256, 512, 1024 e 2048 dimensioni, con 1024 come valore predefinito. La famiglia usa apprendimento Matryoshka per dimensioni di rappresentazione annidate e supporta scelte di quantizzazione: virgola mobile a 32 bit, interi a 8 bit con o senza segno e output binario compattato.
Con output binario, la lunghezza dell’elenco di byte restituito è un ottavo della dimensione selezionata, perché ogni byte contiene otto bit di embedding. Preserva le scelte di dimensione e tipo di dati insieme all’indice e usa un metodo di confronto che supporti quella rappresentazione. Un vettore più piccolo o compresso cambia la rappresentazione usata per la ricerca; valuta i passaggi pertinenti restituiti su domande reali prima di sceglierlo per una raccolta.
Voyage raccomanda il ruolo document per i passaggi del corpus e il ruolo query per le formulazioni di ricerca. L’opzione di ruolo aggiunge l’istruzione di recupero corrispondente prima della codifica. Conserva il titolo utile del passaggio, le condizioni e la posizione nella fonte, poi memorizza il vettore restituito con il testo originale e un identificatore stabile.
Per una raccolta di conoscenze tecniche, una domanda su una modalità di guasto dovrebbe portare al passaggio che descrive quella modalità e le sue condizioni pertinenti. Per una raccolta documentale in più lingue, conserva la lingua di origine e valuta le domande e la terminologia con cui gli utenti cercheranno. La release copre materiale di recupero che include documenti tecnici, conversazioni, documenti lunghi, codice, diritto, finanza e testo web. L’embedding individua materiale candidato; un reranker o una fase di risposta successivi usano il testo originale.
La guida attuale del produttore permette fino a 1000 stringhe e 120.000 token totali di input in una richiesta voyage-4-large. Questo differisce dal budget batch indicato per voyage-4, mentre entrambi hanno una finestra di 32.000 token per testo. Il troncamento predefinito accorcia un input troppo lungo per farlo rientrare; disabilitare il troncamento restituisce un errore per un testo troppo lungo.
Scegli intenzionalmente i confini dei passaggi contenenti risposte, affinché una fonte lunga non perda una precisazione pertinente nella parte finale troncata. Mantieni il collegamento alla fonte quando restituisci risultati di ricerca ed esamina il testo candidato effettivo anziché trattare la vicinanza vettoriale come verifica dei suoi contenuti. La compatibilità dello spazio condiviso si applica alla famiglia testuale Voyage 4 documentata; elaborazione di segmenti contestualizzata, embedding di immagini o video ed edizioni successive dei modelli rimangono flussi specifici di ciascun modello.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti voyageai/voyage-4-large | Predefinito— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi. Budget di input: Massimo: 32.000 · Unità di testo: byte UTF8 · Unità di token: elementi dell’array di token | Predefinito— |
Campoencoding_format | Tipostring | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat |
Campodimensions | Tipointeger | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— |
Campouser | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Camposession_id | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campotrace | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— |
text_to_embedding
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input |
Parametroinput_shapes | Contrattostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametroencoding_format | Contrattofloat |
Parametrodimensions_override | Contrattofalse |
Parametromax_input_budget_units | Contratto32000 |
Parametromultimodal_objects | Contrattofalse |
Parametromaterial_types | Contrattotext, token_ids |
Ciclo di vita: synchronous_json
Conserva l'indice e la dimensione di ogni vettore.
Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00024 / 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}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "voyageai/voyage-4-large", "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-large',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.
Non viene introdotto alcun endpoint per i job di embedding.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra voyageai/voyage-4-large
Usa i percorsi dei metodi indicati sopra.