voyage-4-lite er den latensfokuserte tekstembeddingmodellen i Voyage AIs Voyage 4-familie. Den representerer forespørsler og dokumenter som numeriske vektorer for generell gjenfinning. Familiens særtrekk er et felles embeddingrom med voyage-4, voyage-4-large og voyage-4-nano, slik at forespørsels- og dokumentmodeller kan velges separat.
Forbered brukerens informasjonsbehov som en forespørsel og det søkbare materialet som dokumenter. Voyage anbefaler inndatatypene query/document for gjenfinning; den publiserte oppskriften legger til den tilsvarende gjenfinningsinstruksjonen når teksten vektoriseres.
I en samling personalhåndbøker bør en forespørsel om å overføre ubrukt ferie til neste periode sammenlignes med de konkrete regelseksjonene. Behold regelen, betingelsene og eventuelle relevante unntak i den indekserte passasjen. Hold originaldokumentet og seksjonsidentifikatoren ved siden av vektoren, slik at applikasjonen kan returnere den faktiske regelteksten.
En uspesifisert inndatatype representerer teksten direkte, mens query/document-rollene tilpasser den for gjenfinning. Produsenten oppgir at embeddinger produsert med og uten disse rolleinnstillingene er kompatible, men en konsekvent forberedelsespolicy gjør samlingen lettere å vurdere.
Voyage dokumenterer uttrykkelig en asymmetrisk gjenfinningsarbeidsflyt: Dokumenter kan kodes med voyage-4-large og søkes med forespørselsvektorer fra voyage-4-lite. Dette er en kompatibilitetserklæring på familienivå, ikke en konklusjon trukket fra at to modeller returnerer samme vektorlengde.
Hold den valgte vektordimensjonen og representasjonen samordnet mellom samlingen og forespørselssiden. Det felles rommet gjør det også mulig å endre forespørselsmodellen innenfor denne navngitte Voyage 4-tekstfamilien uten å vektorisere eksisterende dokumenter på nytt. Vurder den resulterende rangeringen med representative spørsmål når forespørselsutgaven velges.
Lite-utgavens rolle er det mindre, latensfokuserte alternativet for forespørsler og tekstembeddinger. Produsenten knytter mixture-of-experts-arkitekturen spesifikt til voyage-4-large; familienavnet fastslår ikke denne arkitekturen for Lite.
Den publiserte kontekstlengden er 32 000 tokener per tekst. Standardvektoren har 1024 dimensjoner, med 256, 512 og 2048 også tilgjengelig gjennom Matryoshka-læring. Produsentens tekstembeddingflyt dokumenterer flyttalls-, 8-biters heltallsrepresentasjoner med og uten fortegn og bitpakkede binærrepresentasjoner for voyage-4-lite.
For standard flyttallsvektorer beskriver Voyages likhetsveiledning embeddingvektorer med enhetslengde, slik at cosinuslikhet og prikkproduktlikhet er ekvivalente. Kvantiserte former trenger tilsvarende representasjonshåndtering. En bitpakket binærliste lagrer for eksempel åtte embeddingbiter i hver byte; listelengden er forskjellig fra den semantiske vektordimensjonen.
I Voyages dokumenterte batchoppskrift inneholder en liste høyst 1000 tekster og én million tokener totalt for denne nøyaktige Lite-utgaven. Standardadferden ved for lange inndata avkorter den enkelte teksten til kontekstgrensen; den alternative innstillingen avviser for lange inndata. Disse batchgrensene og grensene per tekst er forskjellige.
Del langt kildemateriale i sammenhengende seksjoner som kan returneres som evidens. En kontekst på 32 000 tokener tillater lange inndata, men en nyttig gjenfinningsenhet bør fortsatt føre til den relevante kildeseksjonen. Inkluder overskriften eller identifiserende detalj som trengs for å tolke en regel.
For RAG gjenfinner du kandidatseksjoner og sender originalteksten deres til svarskrivingstrinnet med kildekoblinger. Embeddingmodellen produserer vektorer og genererer ikke et regelsvar. Likhet rangerer kandidater under den valgte modellen og sammenligningsoppsettet; undersøk den faktiske passasjen for den nøyaktige betingelsen det ble spurt om.
Den nyttige utgavespesifikke kombinasjonen i voyage-4-lite er en latensfokusert tekstmodell, fleksible representasjoner, en kontekst på 32 000 tokener og dokumentert kompatibilitet innenfor Voyage 4-tekstfamilien. Hold disse egenskapene med den indekserte samlingen og bruk kildebaserte gjenfinningsresultater til å støtte applikasjonen rundt modellen.
", "aboutText": "voyage-4-lite er den latensfokuserte tekstembeddingmodellen i Voyage AIs Voyage 4-familie. Den representerer forespørsler og dokumenter som numeriske vektorer for generell gjenfinning. Familiens særtrekk er et felles embeddingrom med voyage-4, voyage-4-large og voyage-4-nano, slik at forespørsels- og dokumentmodeller kan velges separat.\n\n### Begynn med gjenfinningsrollene\n\nForbered brukerens informasjonsbehov som en forespørsel og det søkbare materialet som dokumenter. Voyage anbefaler inndatatypene query/document for gjenfinning; den publiserte oppskriften legger til den tilsvarende gjenfinningsinstruksjonen når teksten vektoriseres.\n\nI en samling personalhåndbøker bør en forespørsel om å overføre ubrukt ferie til neste periode sammenlignes med de konkrete regelseksjonene. Behold regelen, betingelsene og eventuelle relevante unntak i den indekserte passasjen. Hold originaldokumentet og seksjonsidentifikatoren ved siden av vektoren, slik at applikasjonen kan returnere den faktiske regelteksten.\n\nEn uspesifisert inndatatype representerer teksten direkte, mens query/document-rollene tilpasser den for gjenfinning. Produsenten oppgir at embeddinger produsert med og uten disse rolleinnstillingene er kompatible, men en konsekvent forberedelsespolicy gjør samlingen lettere å vurdere.\n\n### Felles rom på tvers av Voyage 4-tekstfamilien\n\nVoyage dokumenterer uttrykkelig en asymmetrisk gjenfinningsarbeidsflyt: Dokumenter kan kodes med voyage-4-large og søkes med forespørselsvektorer fra voyage-4-lite. Dette er en kompatibilitetserklæring på familienivå, ikke en konklusjon trukket fra at to modeller returnerer samme vektorlengde.\n\nHold den valgte vektordimensjonen og representasjonen samordnet mellom samlingen og forespørselssiden. Det felles rommet gjør det også mulig å endre forespørselsmodellen innenfor denne navngitte Voyage 4-tekstfamilien uten å vektorisere eksisterende dokumenter på nytt. Vurder den resulterende rangeringen med representative spørsmål når forespørselsutgaven velges.\n\nLite-utgavens rolle er det mindre, latensfokuserte alternativet for forespørsler og tekstembeddinger. Produsenten knytter mixture-of-experts-arkitekturen spesifikt til voyage-4-large; familienavnet fastslår ikke denne arkitekturen for Lite.\n\n### Kontekst, dimensjoner og resultatformat\n\nDen publiserte kontekstlengden er 32 000 tokener per tekst. Standardvektoren har 1024 dimensjoner, med 256, 512 og 2048 også tilgjengelig gjennom Matryoshka-læring. Produsentens tekstembeddingflyt dokumenterer flyttalls-, 8-biters heltallsrepresentasjoner med og uten fortegn og bitpakkede binærrepresentasjoner for voyage-4-lite.\n\nFor standard flyttallsvektorer beskriver Voyages likhetsveiledning embeddingvektorer med enhetslengde, slik at cosinuslikhet og prikkproduktlikhet er ekvivalente. Kvantiserte former trenger tilsvarende representasjonshåndtering. En bitpakket binærliste lagrer for eksempel åtte embeddingbiter i hver byte; listelengden er forskjellig fra den semantiske vektordimensjonen.\n\nI Voyages dokumenterte batchoppskrift inneholder en liste høyst 1000 tekster og én million tokener totalt for denne nøyaktige Lite-utgaven. Standardadferden ved for lange inndata avkorter den enkelte teksten til kontekstgrensen; den alternative innstillingen avviser for lange inndata. Disse batchgrensene og grensene per tekst er forskjellige.\n\n### Forbered og undersøk gjenfinningsresultater\n\nDel langt kildemateriale i sammenhengende seksjoner som kan returneres som evidens. En kontekst på 32 000 tokener tillater lange inndata, men en nyttig gjenfinningsenhet bør fortsatt føre til den relevante kildeseksjonen. Inkluder overskriften eller identifiserende detalj som trengs for å tolke en regel.\n\nFor RAG gjenfinner du kandidatseksjoner og sender originalteksten deres til svarskrivingstrinnet med kildekoblinger. Embeddingmodellen produserer vektorer og genererer ikke et regelsvar. Likhet rangerer kandidater under den valgte modellen og sammenligningsoppsettet; undersøk den faktiske passasjen for den nøyaktige betingelsen det ble spurt om.\n\nDen nyttige utgavespesifikke kombinasjonen i voyage-4-lite er en latensfokusert tekstmodell, fleksible representasjoner, en kontekst på 32 000 tokener og dokumentert kompatibilitet innenfor Voyage 4-tekstfamilien. Hold disse egenskapene med den indekserte samlingen og bruk kildebaserte gjenfinningsresultater til å støtte applikasjonen rundt modellen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d048678eb493dea3789e619bba1da25158421da3301f98052c3bbb0dbcfad54b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "voyageai/voyage-4-liteVoyage AI voyage-4-lite er den latensfokuserte tekstembeddingutgaven i Voyage 4-familien. Den støtter inndata på 32 000 tokener, fire valgbare vektorstørrelser og kvantiserte representasjoner, med et felles embeddingrom som er kompatibelt med de andre Voyage 4-tekstmodellene.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
voyage-4-lite er den latensfokuserte tekstembeddingmodellen i Voyage AIs Voyage 4-familie. Den representerer forespørsler og dokumenter som numeriske vektorer for generell gjenfinning. Familiens særtrekk er et felles embeddingrom med voyage-4, voyage-4-large og voyage-4-nano, slik at forespørsels- og dokumentmodeller kan velges separat.
Forbered brukerens informasjonsbehov som en forespørsel og det søkbare materialet som dokumenter. Voyage anbefaler inndatatypene query/document for gjenfinning; den publiserte oppskriften legger til den tilsvarende gjenfinningsinstruksjonen når teksten vektoriseres.
I en samling personalhåndbøker bør en forespørsel om å overføre ubrukt ferie til neste periode sammenlignes med de konkrete regelseksjonene. Behold regelen, betingelsene og eventuelle relevante unntak i den indekserte passasjen. Hold originaldokumentet og seksjonsidentifikatoren ved siden av vektoren, slik at applikasjonen kan returnere den faktiske regelteksten.
En uspesifisert inndatatype representerer teksten direkte, mens query/document-rollene tilpasser den for gjenfinning. Produsenten oppgir at embeddinger produsert med og uten disse rolleinnstillingene er kompatible, men en konsekvent forberedelsespolicy gjør samlingen lettere å vurdere.
Voyage dokumenterer uttrykkelig en asymmetrisk gjenfinningsarbeidsflyt: Dokumenter kan kodes med voyage-4-large og søkes med forespørselsvektorer fra voyage-4-lite. Dette er en kompatibilitetserklæring på familienivå, ikke en konklusjon trukket fra at to modeller returnerer samme vektorlengde.
Hold den valgte vektordimensjonen og representasjonen samordnet mellom samlingen og forespørselssiden. Det felles rommet gjør det også mulig å endre forespørselsmodellen innenfor denne navngitte Voyage 4-tekstfamilien uten å vektorisere eksisterende dokumenter på nytt. Vurder den resulterende rangeringen med representative spørsmål når forespørselsutgaven velges.
Lite-utgavens rolle er det mindre, latensfokuserte alternativet for forespørsler og tekstembeddinger. Produsenten knytter mixture-of-experts-arkitekturen spesifikt til voyage-4-large; familienavnet fastslår ikke denne arkitekturen for Lite.
Den publiserte kontekstlengden er 32 000 tokener per tekst. Standardvektoren har 1024 dimensjoner, med 256, 512 og 2048 også tilgjengelig gjennom Matryoshka-læring. Produsentens tekstembeddingflyt dokumenterer flyttalls-, 8-biters heltallsrepresentasjoner med og uten fortegn og bitpakkede binærrepresentasjoner for voyage-4-lite.
For standard flyttallsvektorer beskriver Voyages likhetsveiledning embeddingvektorer med enhetslengde, slik at cosinuslikhet og prikkproduktlikhet er ekvivalente. Kvantiserte former trenger tilsvarende representasjonshåndtering. En bitpakket binærliste lagrer for eksempel åtte embeddingbiter i hver byte; listelengden er forskjellig fra den semantiske vektordimensjonen.
I Voyages dokumenterte batchoppskrift inneholder en liste høyst 1000 tekster og én million tokener totalt for denne nøyaktige Lite-utgaven. Standardadferden ved for lange inndata avkorter den enkelte teksten til kontekstgrensen; den alternative innstillingen avviser for lange inndata. Disse batchgrensene og grensene per tekst er forskjellige.
Del langt kildemateriale i sammenhengende seksjoner som kan returneres som evidens. En kontekst på 32 000 tokener tillater lange inndata, men en nyttig gjenfinningsenhet bør fortsatt føre til den relevante kildeseksjonen. Inkluder overskriften eller identifiserende detalj som trengs for å tolke en regel.
For RAG gjenfinner du kandidatseksjoner og sender originalteksten deres til svarskrivingstrinnet med kildekoblinger. Embeddingmodellen produserer vektorer og genererer ikke et regelsvar. Likhet rangerer kandidater under den valgte modellen og sammenligningsoppsettet; undersøk den faktiske passasjen for den nøyaktige betingelsen det ble spurt om.
Den nyttige utgavespesifikke kombinasjonen i voyage-4-lite er en latensfokusert tekstmodell, fleksible representasjoner, en kontekst på 32 000 tokener og dokumentert kompatibilitet innenfor Voyage 4-tekstfamilien. Hold disse egenskapene med den indekserte samlingen og bruk kildebaserte gjenfinningsresultater til å støtte applikasjonen rundt modellen.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser voyageai/voyage-4-lite | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall. Inndatabudsjett: Maksimum: 32 000 · Tekstenhet: UTF8-byte · Tokenenhet: elementer i token-arrayet | Standard— |
Feltencoding_format | Typestring | KravValgfritt | Verdier & grenser float | Standardfloat |
Feltdimensions | Typeinteger | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltsession_id | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Felttrace | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |
text_to_embedding
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input |
Parameterinput_shapes | Avtalestring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalefloat |
Parameterdimensions_override | Avtalefalse |
Parametermax_input_budget_units | Avtale32000 |
Parametermultimodal_objects | Avtalefalse |
Parametermaterial_types | Avtaletext, token_ids |
Livssyklus: synchronous_json
Bevar hver vektors indeks og dimensjon.
Et multimodalt modellnavn innebærer ikke at bildeobjekter er tillatt på denne nøyaktige stien.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00004 / 1K tokener Utdata · Utgående tokener $0 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hver vektor sammen med indeksen. Antall vektorer må være lik antall inndata; dimensjonene må være konsistente.
Det innføres ikke noe endepunkt for embedding-jobber.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra voyageai/voyage-4-lite
Bruk metodestiene som vises ovenfor.