voyage-4-large is Voyage AI’s belangrijkste tekstembeddingmodel in de Voyage 4-familie. Het representeert bronpassages en zoekvragen als numerieke vectoren voor algemeen en meertalig zoeken. De twee onderscheidende kenmerken zijn een mixture-of-experts-modelontwerp en de gedeelde embeddingruimte van voyage-4-large, voyage-4, voyage-4-lite en voyage-4-nano.
De ontwikkelaar beschrijft asymmetrisch zoeken: documenten kunnen met voyage-4-large in embeddings worden omgezet, terwijl een ander model uit de Voyage 4-familie de zoekvraagvectoren voorbereidt. Een corpus dat door Large is gerepresenteerd, kan bijvoorbeeld met voyage-4-zoekvragen worden doorzocht. Zo kunnen beide kanten van het zoeken verschillende modellen kiezen en toch binnen de gedocumenteerde compatibele ruimte blijven.
Een praktische verzameling kan daarom Large gebruiken om stabiele documentpassages voor te bereiden en het model voor zoekvragen onafhankelijk kiezen. Documenten krijgen embeddings wanneer het corpus wordt gemaakt of bijgewerkt, terwijl zoekvragen worden gevectoriseerd wanneer gebruikers zoeken. De familieaankondiging beschrijft dat het zoekvraagmodel binnen de compatibele familie kan veranderen zonder alleen voor die wijziging het documentcorpus opnieuw te vectoriseren. Houd vergeleken vectoren op dezelfde dimensies en in representaties die het zoeksysteem samen kan interpreteren.
Een dichte feedforwardlaag verwerkt elk token met haar volledige verzameling parameters. De voor voyage-4-large beschreven MoE-benadering gebruikt een router en feedforwardnetwerken van experts en kiest welke experts elk token verwerken. Dat onderscheidt de totale modelcapaciteit van de parameters die voor een specifiek token actief zijn. Voyage vermeldt een activeringsverhouding van 1/10 voor het MoE-ontwerp van het model, met top-k-routering.
De technische uitleg van de ontwikkelaar beschrijft ook twee ontwikkelkeuzes. Expertcapaciteit beïnvloedt of overtollige tokens een expertlaag via een residueel pad omzeilen; het team koos de grootste haalbare capaciteitsfactor om verlies aan zoekkwaliteit te vermijden. In de laatste trainingsfase worden routerparameters bevroren voordat modellen worden samengevoegd, zodat interpolatie van de bronmodellen de aangeleerde expertselectieroutering niet verandert. Dit zijn kenmerken van de modelvoorbereiding, los van tekstlengte- of afkapinstellingen bij het voorbereiden van invoer.
De officiële modeltabel vermeldt een contextvenster van 32.000 tokens en kiesbare embeddings met 256, 512, 1024 en 2048 dimensies, met 1024 als standaard. De familie gebruikt Matryoshka learning voor geneste representatiegroottes en ondersteunt kwantisatiekeuzes: 32-bits drijvende-kommagetallen, 8-bits gehele getallen met of zonder teken en samengepakte binaire uitvoer.
Bij binaire uitvoer is de lengte van de teruggegeven bytelijst een achtste van de gekozen dimensie, omdat elke byte acht embeddingbits bevat. Bewaar de dimensie- en datatypekeuzes bij de index en gebruik een vergelijkingsmethode die die representatie ondersteunt. Een kleinere of gecomprimeerde vector verandert de representatie voor zoeken; beoordeel de relevante passages die bij werkelijke vragen worden teruggegeven voordat je die voor een verzameling kiest.
Voyage beveelt de rol document aan voor corpuspassages en de rol query voor zoektekst. De roloptie voegt vóór het maken van de embedding de bijbehorende zoekinstructie toe. Bewaar de nuttige kop, de voorwaarden en de bronlocatie van de passage en sla de teruggegeven vector daarna op met de oorspronkelijke tekst en een stabiele identificatie.
Voor een technische kennisverzameling moet een vraag over een foutmodus leiden naar de passage die die modus en de relevante voorwaarden beschrijft. Bewaar bij een documentverzameling in meerdere talen de brontaal en beoordeel de vragen en terminologie waarmee gebruikers zullen zoeken. De release omvat zoekmateriaal zoals technische documenten, gesprekken, lange documenten, code, recht, financiën en webtekst. De embedding vindt kandidaatmateriaal; een latere reranker of antwoordstap gebruikt de oorspronkelijke tekst.
De huidige handleiding van de ontwikkelaar staat maximaal 1.000 strings en 120.000 invoertokens in totaal toe in een voyage-4-large-aanvraag. Dat verschilt van de vermelde batchlimiet voor voyage-4, terwijl beide een venster van 32.000 tokens per tekst hebben. Standaard afkappen verkort te lange invoer zodat die past; met afkappen uitgeschakeld geeft een te lange tekst een fout.
Kies bewust passagegrenzen die het antwoord bevatten, zodat een lange bron geen relevante nuance in een afgekapt slot verliest. Bewaar de bronkoppeling bij het teruggeven van zoekresultaten en bekijk de werkelijke kandidaattekst in plaats van nabijheid van vectoren als verificatie van de inhoud te behandelen. Compatibiliteit van de gedeelde ruimte geldt voor de gedocumenteerde Voyage 4-tekstfamilie; verwerking van gecontextualiseerde tekststukken, beeld- en video-embeddings en latere modeledities behouden hun eigen modelspecifieke workflows.
", "aboutText": "voyage-4-large is Voyage AI’s belangrijkste tekstembeddingmodel in de Voyage 4-familie. Het representeert bronpassages en zoekvragen als numerieke vectoren voor algemeen en meertalig zoeken. De twee onderscheidende kenmerken zijn een mixture-of-experts-modelontwerp en de gedeelde embeddingruimte van voyage-4-large, voyage-4, voyage-4-lite en voyage-4-nano.\n\n### Gedeelde ruimte: afzonderlijke keuzes voor corpus en zoekvragen\n\nDe ontwikkelaar beschrijft asymmetrisch zoeken: documenten kunnen met voyage-4-large in embeddings worden omgezet, terwijl een ander model uit de Voyage 4-familie de zoekvraagvectoren voorbereidt. Een corpus dat door Large is gerepresenteerd, kan bijvoorbeeld met voyage-4-zoekvragen worden doorzocht. Zo kunnen beide kanten van het zoeken verschillende modellen kiezen en toch binnen de gedocumenteerde compatibele ruimte blijven.\n\nEen praktische verzameling kan daarom Large gebruiken om stabiele documentpassages voor te bereiden en het model voor zoekvragen onafhankelijk kiezen. Documenten krijgen embeddings wanneer het corpus wordt gemaakt of bijgewerkt, terwijl zoekvragen worden gevectoriseerd wanneer gebruikers zoeken. De familieaankondiging beschrijft dat het zoekvraagmodel binnen de compatibele familie kan veranderen zonder alleen voor die wijziging het documentcorpus opnieuw te vectoriseren. Houd vergeleken vectoren op dezelfde dimensies en in representaties die het zoeksysteem samen kan interpreteren.\n\n### Embeddingontwerp met mixture of experts\n\nEen dichte feedforwardlaag verwerkt elk token met haar volledige verzameling parameters. De voor voyage-4-large beschreven MoE-benadering gebruikt een router en feedforwardnetwerken van experts en kiest welke experts elk token verwerken. Dat onderscheidt de totale modelcapaciteit van de parameters die voor een specifiek token actief zijn. Voyage vermeldt een activeringsverhouding van 1/10 voor het MoE-ontwerp van het model, met top-k-routering.\n\nDe technische uitleg van de ontwikkelaar beschrijft ook twee ontwikkelkeuzes. Expertcapaciteit beïnvloedt of overtollige tokens een expertlaag via een residueel pad omzeilen; het team koos de grootste haalbare capaciteitsfactor om verlies aan zoekkwaliteit te vermijden. In de laatste trainingsfase worden routerparameters bevroren voordat modellen worden samengevoegd, zodat interpolatie van de bronmodellen de aangeleerde expertselectieroutering niet verandert. Dit zijn kenmerken van de modelvoorbereiding, los van tekstlengte- of afkapinstellingen bij het voorbereiden van invoer.\n\n### Dimensies en uitvoerrepresentatie\n\nDe officiële modeltabel vermeldt een contextvenster van 32.000 tokens en kiesbare embeddings met 256, 512, 1024 en 2048 dimensies, met 1024 als standaard. De familie gebruikt Matryoshka learning voor geneste representatiegroottes en ondersteunt kwantisatiekeuzes: 32-bits drijvende-kommagetallen, 8-bits gehele getallen met of zonder teken en samengepakte binaire uitvoer.\n\nBij binaire uitvoer is de lengte van de teruggegeven bytelijst een achtste van de gekozen dimensie, omdat elke byte acht embeddingbits bevat. Bewaar de dimensie- en datatypekeuzes bij de index en gebruik een vergelijkingsmethode die die representatie ondersteunt. Een kleinere of gecomprimeerde vector verandert de representatie voor zoeken; beoordeel de relevante passages die bij werkelijke vragen worden teruggegeven voordat je die voor een verzameling kiest.\n\n### Bereid document- en zoekvraaginvoer voor\n\nVoyage beveelt de rol document aan voor corpuspassages en de rol query voor zoektekst. De roloptie voegt vóór het maken van de embedding de bijbehorende zoekinstructie toe. Bewaar de nuttige kop, de voorwaarden en de bronlocatie van de passage en sla de teruggegeven vector daarna op met de oorspronkelijke tekst en een stabiele identificatie.\n\nVoor een technische kennisverzameling moet een vraag over een foutmodus leiden naar de passage die die modus en de relevante voorwaarden beschrijft. Bewaar bij een documentverzameling in meerdere talen de brontaal en beoordeel de vragen en terminologie waarmee gebruikers zullen zoeken. De release omvat zoekmateriaal zoals technische documenten, gesprekken, lange documenten, code, recht, financiën en webtekst. De embedding vindt kandidaatmateriaal; een latere reranker of antwoordstap gebruikt de oorspronkelijke tekst.\n\n### Context-, batch- en afkaplimieten\n\nDe huidige handleiding van de ontwikkelaar staat maximaal 1.000 strings en 120.000 invoertokens in totaal toe in een voyage-4-large-aanvraag. Dat verschilt van de vermelde batchlimiet voor voyage-4, terwijl beide een venster van 32.000 tokens per tekst hebben. Standaard afkappen verkort te lange invoer zodat die past; met afkappen uitgeschakeld geeft een te lange tekst een fout.\n\nKies bewust passagegrenzen die het antwoord bevatten, zodat een lange bron geen relevante nuance in een afgekapt slot verliest. Bewaar de bronkoppeling bij het teruggeven van zoekresultaten en bekijk de werkelijke kandidaattekst in plaats van nabijheid van vectoren als verificatie van de inhoud te behandelen. Compatibiliteit van de gedeelde ruimte geldt voor de gedocumenteerde Voyage 4-tekstfamilie; verwerking van gecontextualiseerde tekststukken, beeld- en video-embeddings en latere modeledities behouden hun eigen modelspecifieke workflows.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "065024f807e8e391ee71c0db877b1d02e1bc41f9d9f3aa2326738a1f7702d283", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "voyageai/voyage-4-largevoyage-4-large is het mixture-of-experts-tekstembeddingmodel van Voyage AI voor algemene en meertalige informatieopvraging. De vectoren delen de ruimte van de Voyage-4-familie, zodat corpus-embeddings van Large met compatibele zoekvraag-embeddings van andere familiemodellen kunnen worden doorzocht.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
voyage-4-large is Voyage AI’s belangrijkste tekstembeddingmodel in de Voyage 4-familie. Het representeert bronpassages en zoekvragen als numerieke vectoren voor algemeen en meertalig zoeken. De twee onderscheidende kenmerken zijn een mixture-of-experts-modelontwerp en de gedeelde embeddingruimte van voyage-4-large, voyage-4, voyage-4-lite en voyage-4-nano.
De ontwikkelaar beschrijft asymmetrisch zoeken: documenten kunnen met voyage-4-large in embeddings worden omgezet, terwijl een ander model uit de Voyage 4-familie de zoekvraagvectoren voorbereidt. Een corpus dat door Large is gerepresenteerd, kan bijvoorbeeld met voyage-4-zoekvragen worden doorzocht. Zo kunnen beide kanten van het zoeken verschillende modellen kiezen en toch binnen de gedocumenteerde compatibele ruimte blijven.
Een praktische verzameling kan daarom Large gebruiken om stabiele documentpassages voor te bereiden en het model voor zoekvragen onafhankelijk kiezen. Documenten krijgen embeddings wanneer het corpus wordt gemaakt of bijgewerkt, terwijl zoekvragen worden gevectoriseerd wanneer gebruikers zoeken. De familieaankondiging beschrijft dat het zoekvraagmodel binnen de compatibele familie kan veranderen zonder alleen voor die wijziging het documentcorpus opnieuw te vectoriseren. Houd vergeleken vectoren op dezelfde dimensies en in representaties die het zoeksysteem samen kan interpreteren.
Een dichte feedforwardlaag verwerkt elk token met haar volledige verzameling parameters. De voor voyage-4-large beschreven MoE-benadering gebruikt een router en feedforwardnetwerken van experts en kiest welke experts elk token verwerken. Dat onderscheidt de totale modelcapaciteit van de parameters die voor een specifiek token actief zijn. Voyage vermeldt een activeringsverhouding van 1/10 voor het MoE-ontwerp van het model, met top-k-routering.
De technische uitleg van de ontwikkelaar beschrijft ook twee ontwikkelkeuzes. Expertcapaciteit beïnvloedt of overtollige tokens een expertlaag via een residueel pad omzeilen; het team koos de grootste haalbare capaciteitsfactor om verlies aan zoekkwaliteit te vermijden. In de laatste trainingsfase worden routerparameters bevroren voordat modellen worden samengevoegd, zodat interpolatie van de bronmodellen de aangeleerde expertselectieroutering niet verandert. Dit zijn kenmerken van de modelvoorbereiding, los van tekstlengte- of afkapinstellingen bij het voorbereiden van invoer.
De officiële modeltabel vermeldt een contextvenster van 32.000 tokens en kiesbare embeddings met 256, 512, 1024 en 2048 dimensies, met 1024 als standaard. De familie gebruikt Matryoshka learning voor geneste representatiegroottes en ondersteunt kwantisatiekeuzes: 32-bits drijvende-kommagetallen, 8-bits gehele getallen met of zonder teken en samengepakte binaire uitvoer.
Bij binaire uitvoer is de lengte van de teruggegeven bytelijst een achtste van de gekozen dimensie, omdat elke byte acht embeddingbits bevat. Bewaar de dimensie- en datatypekeuzes bij de index en gebruik een vergelijkingsmethode die die representatie ondersteunt. Een kleinere of gecomprimeerde vector verandert de representatie voor zoeken; beoordeel de relevante passages die bij werkelijke vragen worden teruggegeven voordat je die voor een verzameling kiest.
Voyage beveelt de rol document aan voor corpuspassages en de rol query voor zoektekst. De roloptie voegt vóór het maken van de embedding de bijbehorende zoekinstructie toe. Bewaar de nuttige kop, de voorwaarden en de bronlocatie van de passage en sla de teruggegeven vector daarna op met de oorspronkelijke tekst en een stabiele identificatie.
Voor een technische kennisverzameling moet een vraag over een foutmodus leiden naar de passage die die modus en de relevante voorwaarden beschrijft. Bewaar bij een documentverzameling in meerdere talen de brontaal en beoordeel de vragen en terminologie waarmee gebruikers zullen zoeken. De release omvat zoekmateriaal zoals technische documenten, gesprekken, lange documenten, code, recht, financiën en webtekst. De embedding vindt kandidaatmateriaal; een latere reranker of antwoordstap gebruikt de oorspronkelijke tekst.
De huidige handleiding van de ontwikkelaar staat maximaal 1.000 strings en 120.000 invoertokens in totaal toe in een voyage-4-large-aanvraag. Dat verschilt van de vermelde batchlimiet voor voyage-4, terwijl beide een venster van 32.000 tokens per tekst hebben. Standaard afkappen verkort te lange invoer zodat die past; met afkappen uitgeschakeld geeft een te lange tekst een fout.
Kies bewust passagegrenzen die het antwoord bevatten, zodat een lange bron geen relevante nuance in een afgekapt slot verliest. Bewaar de bronkoppeling bij het teruggeven van zoekresultaten en bekijk de werkelijke kandidaattekst in plaats van nabijheid van vectoren als verificatie van de inhoud te behandelen. Compatibiliteit van de gedeelde ruimte geldt voor de gedocumenteerde Voyage 4-tekstfamilie; verwerking van gecontextualiseerde tekststukken, beeld- en video-embeddings en latere modeledities behouden hun eigen modelspecifieke workflows.
POST /v1/embeddingstext, token_idsembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten voyageai/voyage-4-large | Standaard— |
Veldinput | Typestring|string[]|integer[]|integer[][] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Niet-lege homogene batch. Token-ID’s zijn niet-negatieve gehele getallen. Invoerbudget: Maximum: 32.000 · Teksteenheid: UTF8-bytes · Tokeneenheid: elementen van de token-array | Standaard— |
Veldencoding_format | Typestring | VereisteOptioneel | Waarden en limieten float | Standaardfloat |
Velddimensions | Typeinteger | VereisteNiet ondersteund | Waarden en limieten Minimum: 1 | Standaard— |
Velduser | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldsession_id | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldtrace | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options geweigerd | Standaard— |
text_to_embedding
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, input |
Parameterinput_shapes | Contractstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Contractfloat |
Parameterdimensions_override | Contractfalse |
Parametermax_input_budget_units | Contract32000 |
Parametermultimodal_objects | Contractfalse |
Parametermaterial_types | Contracttext, token_ids |
Levenscyclus: synchronous_json
Bewaar elke vectorindex en dimensie.
Een multimodale modelnaam houdt niet in dat afbeeldingsobjecten op dit specifieke pad zijn toegestaan.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00024 / 1K tokens Uitvoer · Uitvoertokens $0 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke vector met zijn index. Het aantal vectoren moet gelijk zijn aan het aantal invoeritems; de dimensies moeten consistent zijn.
Er wordt geen endpoint voor embeddingtaken geïntroduceerd.
| Veld | Type |
|---|---|
Veldobject | Typestring |
Veldmodel | Typestring |
Velddata[].index | Typeinteger |
Velddata[].embedding | Typefinite float[] |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra voyageai/voyage-4-large
Gebruik de hierboven getoonde methodepaden.