Voyage 3 Large ialah model embedding teks untuk mencari maklumat yang relevan dalam koleksi dokumen. Model ini mewakili setiap teks yang diberikan sebagai vektor berangka, membolehkan aplikasi membandingkan permintaan carian dengan petikan yang mungkin menggunakan perkataan berbeza tetapi mempunyai makna yang berkaitan. Voyage AI meletakkan edisi ini sebagai pilihan untuk carian kegunaan umum dan berbilang bahasa, meliputi bahan seperti dokumentasi teknikal, perbualan dan dokumen panjang.
Bina koleksi yang boleh dicari daripada maklumat yang benar-benar perlu ditemukan semula oleh pengguna. Untuk pangkalan pengetahuan produk, kekalkan penerangan sesuatu ciri bersama prasyarat dan pengecualian yang berkaitan. Untuk rekod mesyuarat, kekalkan label penutur dan perbincangan sekeliling yang mencukupi supaya topiknya dapat difahami. Bahagikan sumber besar pada sempadan yang berguna dan simpan tajuk sumber, pengecam dokumen dan kedudukan petikan bersama setiap vektor.
Sediakan soalan carian sebagai pertanyaan dan bahan yang diindeks sebagai dokumen. Dalam aliran kerja embedding teks pembuatnya, jenis input memberitahu model peranan teks tersebut dalam carian. Pertanyaan seperti “Bagaimanakah ahli boleh mendapatkan semula akses selepas kehilangan kunci keselamatan?” kemudian boleh dibandingkan dengan petikan sokongan yang menerangkan prosedur pemulihan, walaupun petikan tersebut menggunakan ungkapan berbeza. Pastikan petikan asal tersedia supaya hasil carian dapat menunjukkan bukti di sebalik padanannya.
Model ini mempunyai tetingkap konteks 32000 token. Input panjang boleh mengekalkan satu bahagian yang lengkap, tetapi seluruh dokumen tidak semestinya unit carian yang paling berguna. Vektor yang merangkumi kandungan luas mungkin menunjukkan fail yang betul tetapi masih memerlukan pembaca mencari jawapan tepat. Pilih sempadan petikan berdasarkan hasil yang ingin dipaparkan, dan kekalkan tajuk, batasan serta definisi bersama kandungan yang diterangkannya.
Voyage 3 Large menyokong vektor dengan dimensi 2048, 1024, 512 atau 256. Pembuatnya turut mendokumentasikan perwakilan titik apung, lapan bit bertanda atau tanpa tanda, dan binari. Pilihan ini membolehkan sistem carian membandingkan perincian vektor dengan saiz indeks dan tingkah laku carian. Pilih format yang disokong oleh stor vektor yang dimaksudkan, kemudian nilainya pada korpus sebenar dan soalan yang mewakili kegunaan sebelum memilih tetapan indeks pengeluaran.
Untuk carian berbilang bahasa, sertakan soalan ujian dalam bahasa yang digunakan oleh pengguna anda dan semak petikan sumber yang ditemukan dalam bahasa asalnya. Antara muka carian bersama boleh menyediakan akses kepada beberapa koleksi bahasa, sementara metadata dokumen masih mengenal pasti lokal dan versi sumber. Kekalkan nama, singkatan dan istilah bidang yang bermakna semasa pengekstrakan, bukannya menggantikannya dengan ringkasan umum sebelum menghasilkan embedding.
Gunakan vektor untuk mencari petikan calon bagi halaman carian, pembantu pengetahuan atau langkah pemilihan dokumen. Kekalkan model dan tetapan vektor yang sama untuk koleksi yang diindeks dan pertanyaannya. Apabila menggantikan model embedding atau mengubah dimensi vektor, bina semula dan bandingkan indeks yang terjejas secara terancang; panjang vektor sahaja tidak mengenal pasti cara vektor itu dihasilkan.
Nilai hasil berdasarkan keberkesanan carian: sama ada petikan yang betul muncul, sama ada petikan yang hampir serupa tetapi mengelirukan berada di atasnya, dan sama ada petikan yang dipaparkan mengandungi jawapan. Kekalkan satu set kecil soalan sebenar dengan sumber yang dijangka, termasuk ungkapan kabur dan dokumen yang hampir sama. Embedding menyediakan perwakilan yang boleh dicari; aplikasi mengekalkan teks sumber, kebenaran akses dan pautan yang diperlukan untuk menjadikan padanan itu hasil yang berguna.
", "aboutText": "Voyage 3 Large ialah model embedding teks untuk mencari maklumat yang relevan dalam koleksi dokumen. Model ini mewakili setiap teks yang diberikan sebagai vektor berangka, membolehkan aplikasi membandingkan permintaan carian dengan petikan yang mungkin menggunakan perkataan berbeza tetapi mempunyai makna yang berkaitan. Voyage AI meletakkan edisi ini sebagai pilihan untuk carian kegunaan umum dan berbilang bahasa, meliputi bahan seperti dokumentasi teknikal, perbualan dan dokumen panjang.\n\nBina koleksi yang boleh dicari daripada maklumat yang benar-benar perlu ditemukan semula oleh pengguna. Untuk pangkalan pengetahuan produk, kekalkan penerangan sesuatu ciri bersama prasyarat dan pengecualian yang berkaitan. Untuk rekod mesyuarat, kekalkan label penutur dan perbincangan sekeliling yang mencukupi supaya topiknya dapat difahami. Bahagikan sumber besar pada sempadan yang berguna dan simpan tajuk sumber, pengecam dokumen dan kedudukan petikan bersama setiap vektor.\n\nSediakan soalan carian sebagai pertanyaan dan bahan yang diindeks sebagai dokumen. Dalam aliran kerja embedding teks pembuatnya, jenis input memberitahu model peranan teks tersebut dalam carian. Pertanyaan seperti “Bagaimanakah ahli boleh mendapatkan semula akses selepas kehilangan kunci keselamatan?” kemudian boleh dibandingkan dengan petikan sokongan yang menerangkan prosedur pemulihan, walaupun petikan tersebut menggunakan ungkapan berbeza. Pastikan petikan asal tersedia supaya hasil carian dapat menunjukkan bukti di sebalik padanannya.\n\nModel ini mempunyai tetingkap konteks 32000 token. Input panjang boleh mengekalkan satu bahagian yang lengkap, tetapi seluruh dokumen tidak semestinya unit carian yang paling berguna. Vektor yang merangkumi kandungan luas mungkin menunjukkan fail yang betul tetapi masih memerlukan pembaca mencari jawapan tepat. Pilih sempadan petikan berdasarkan hasil yang ingin dipaparkan, dan kekalkan tajuk, batasan serta definisi bersama kandungan yang diterangkannya.\n\nVoyage 3 Large menyokong vektor dengan dimensi 2048, 1024, 512 atau 256. Pembuatnya turut mendokumentasikan perwakilan titik apung, lapan bit bertanda atau tanpa tanda, dan binari. Pilihan ini membolehkan sistem carian membandingkan perincian vektor dengan saiz indeks dan tingkah laku carian. Pilih format yang disokong oleh stor vektor yang dimaksudkan, kemudian nilainya pada korpus sebenar dan soalan yang mewakili kegunaan sebelum memilih tetapan indeks pengeluaran.\n\nUntuk carian berbilang bahasa, sertakan soalan ujian dalam bahasa yang digunakan oleh pengguna anda dan semak petikan sumber yang ditemukan dalam bahasa asalnya. Antara muka carian bersama boleh menyediakan akses kepada beberapa koleksi bahasa, sementara metadata dokumen masih mengenal pasti lokal dan versi sumber. Kekalkan nama, singkatan dan istilah bidang yang bermakna semasa pengekstrakan, bukannya menggantikannya dengan ringkasan umum sebelum menghasilkan embedding.\n\nGunakan vektor untuk mencari petikan calon bagi halaman carian, pembantu pengetahuan atau langkah pemilihan dokumen. Kekalkan model dan tetapan vektor yang sama untuk koleksi yang diindeks dan pertanyaannya. Apabila menggantikan model embedding atau mengubah dimensi vektor, bina semula dan bandingkan indeks yang terjejas secara terancang; panjang vektor sahaja tidak mengenal pasti cara vektor itu dihasilkan.\n\nNilai hasil berdasarkan keberkesanan carian: sama ada petikan yang betul muncul, sama ada petikan yang hampir serupa tetapi mengelirukan berada di atasnya, dan sama ada petikan yang dipaparkan mengandungi jawapan. Kekalkan satu set kecil soalan sebenar dengan sumber yang dijangka, termasuk ungkapan kabur dan dokumen yang hampir sama. Embedding menyediakan perwakilan yang boleh dicari; aplikasi mengekalkan teks sumber, kebenaran akses dan pautan yang diperlukan untuk menjadikan padanan itu hasil yang berguna.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0f144de34921c4287bf4db03386cc6eb30f51268dbf07f5f5773057ddbc5ec75", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "voyage-3-largeVoyage 3 Large menukar teks kepada vektor untuk carian kegunaan umum dan berbilang bahasa. Tetingkap input 32000 token, dimensi vektor yang boleh dipilih dan format yang dikuantisasikan menyokong pangkalan pengetahuan yang boleh dicari, penemuan dokumen dan penjanaan diperkaya carian.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Voyage 3 Large ialah model embedding teks untuk mencari maklumat yang relevan dalam koleksi dokumen. Model ini mewakili setiap teks yang diberikan sebagai vektor berangka, membolehkan aplikasi membandingkan permintaan carian dengan petikan yang mungkin menggunakan perkataan berbeza tetapi mempunyai makna yang berkaitan. Voyage AI meletakkan edisi ini sebagai pilihan untuk carian kegunaan umum dan berbilang bahasa, meliputi bahan seperti dokumentasi teknikal, perbualan dan dokumen panjang.
Bina koleksi yang boleh dicari daripada maklumat yang benar-benar perlu ditemukan semula oleh pengguna. Untuk pangkalan pengetahuan produk, kekalkan penerangan sesuatu ciri bersama prasyarat dan pengecualian yang berkaitan. Untuk rekod mesyuarat, kekalkan label penutur dan perbincangan sekeliling yang mencukupi supaya topiknya dapat difahami. Bahagikan sumber besar pada sempadan yang berguna dan simpan tajuk sumber, pengecam dokumen dan kedudukan petikan bersama setiap vektor.
Sediakan soalan carian sebagai pertanyaan dan bahan yang diindeks sebagai dokumen. Dalam aliran kerja embedding teks pembuatnya, jenis input memberitahu model peranan teks tersebut dalam carian. Pertanyaan seperti “Bagaimanakah ahli boleh mendapatkan semula akses selepas kehilangan kunci keselamatan?” kemudian boleh dibandingkan dengan petikan sokongan yang menerangkan prosedur pemulihan, walaupun petikan tersebut menggunakan ungkapan berbeza. Pastikan petikan asal tersedia supaya hasil carian dapat menunjukkan bukti di sebalik padanannya.
Model ini mempunyai tetingkap konteks 32000 token. Input panjang boleh mengekalkan satu bahagian yang lengkap, tetapi seluruh dokumen tidak semestinya unit carian yang paling berguna. Vektor yang merangkumi kandungan luas mungkin menunjukkan fail yang betul tetapi masih memerlukan pembaca mencari jawapan tepat. Pilih sempadan petikan berdasarkan hasil yang ingin dipaparkan, dan kekalkan tajuk, batasan serta definisi bersama kandungan yang diterangkannya.
Voyage 3 Large menyokong vektor dengan dimensi 2048, 1024, 512 atau 256. Pembuatnya turut mendokumentasikan perwakilan titik apung, lapan bit bertanda atau tanpa tanda, dan binari. Pilihan ini membolehkan sistem carian membandingkan perincian vektor dengan saiz indeks dan tingkah laku carian. Pilih format yang disokong oleh stor vektor yang dimaksudkan, kemudian nilainya pada korpus sebenar dan soalan yang mewakili kegunaan sebelum memilih tetapan indeks pengeluaran.
Untuk carian berbilang bahasa, sertakan soalan ujian dalam bahasa yang digunakan oleh pengguna anda dan semak petikan sumber yang ditemukan dalam bahasa asalnya. Antara muka carian bersama boleh menyediakan akses kepada beberapa koleksi bahasa, sementara metadata dokumen masih mengenal pasti lokal dan versi sumber. Kekalkan nama, singkatan dan istilah bidang yang bermakna semasa pengekstrakan, bukannya menggantikannya dengan ringkasan umum sebelum menghasilkan embedding.
Gunakan vektor untuk mencari petikan calon bagi halaman carian, pembantu pengetahuan atau langkah pemilihan dokumen. Kekalkan model dan tetapan vektor yang sama untuk koleksi yang diindeks dan pertanyaannya. Apabila menggantikan model embedding atau mengubah dimensi vektor, bina semula dan bandingkan indeks yang terjejas secara terancang; panjang vektor sahaja tidak mengenal pasti cara vektor itu dihasilkan.
Nilai hasil berdasarkan keberkesanan carian: sama ada petikan yang betul muncul, sama ada petikan yang hampir serupa tetapi mengelirukan berada di atasnya, dan sama ada petikan yang dipaparkan mengandungi jawapan. Kekalkan satu set kecil soalan sebenar dengan sumber yang dijangka, termasuk ungkapan kabur dan dokumen yang hampir sama. Embedding menyediakan perwakilan yang boleh dicari; aplikasi mengekalkan teks sumber, kebenaran akses dan pautan yang diperlukan untuk menjadikan padanan itu hasil yang berguna.
POST /v1/embeddingstextembedding| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had voyage-3-large Syarat: Gunakan pemilih model Ailoot yang tepat. | Lalai— |
Medaninput | Jenisstring or array<string> | KeperluanDiperlukan | Nilai & had Syarat: Teks atau senarai teks; simpan satu vektor bagi setiap item data yang dikembalikan berserta indeksnya. | Lalai— |
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input |
Parameteroptional | Kontrak |
Parametermaterial_types | Kontraktext |
Parameterconditions | KontrakHantar teks dengan model yang dipilih; simpan setiap vektor yang dikembalikan berserta indeksnya. |
Kitar hayat: synchronous
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0004 / 1K token Output · Token output $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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
Gunakan laluan kaedah yang dipaparkan di atas.