voyage-4-lite is het op lage latentie gerichte tekstembeddingmodel in de Voyage-4-familie van Voyage AI. Het representeert zoekvragen en documenten als numerieke vectoren voor algemene informatieopvraging. Het onderscheidende familiekenmerk is een gedeelde embeddingruimte met voyage-4, voyage-4-large en voyage-4-nano, zodat zoekvraag- en documentmodellen afzonderlijk kunnen worden gekozen.
Bereid de informatiebehoefte van de gebruiker als zoekvraag voor en het doorzoekbare materiaal als documenten. Voyage beveelt de query/document-invoertypen aan voor informatieopvraging; het gepubliceerde recept voegt bij het vectoriseren van de tekst de bijbehorende zoekinstructie toe.
Voor een verzameling personeelshandboeken moet een vraag over het meenemen van ongebruikt verlof naar de volgende periode met de specifieke beleidssecties worden vergeleken. Bewaar de regel, voorwaarden en eventuele relevante uitzondering in de geïndexeerde passage. Behoud het oorspronkelijke document en de sectie-identifier bij de vector, zodat de toepassing de daadwerkelijke beleidstekst kan teruggeven.
Wanneer geen invoertype is opgegeven, wordt de tekst rechtstreeks gerepresenteerd, terwijl de query/document-rollen de representatie op informatieopvraging afstemmen. De maker stelt dat embeddings die met en zonder die rolinstellingen zijn geproduceerd compatibel zijn, maar een consistent voorbereidingsbeleid maakt de verzameling makkelijker te beoordelen.
Voyage documenteert expliciet een asymmetrische zoekworkflow: documenten kunnen met voyage-4-large worden gecodeerd en met zoekvraagvectoren van voyage-4-lite worden doorzocht. Dat is een compatibiliteitsverklaring op familieniveau, geen conclusie die wordt getrokken omdat twee modellen dezelfde vectorlengte retourneren.
Houd de geselecteerde vectordimensie en representatie tussen de verzameling en zoekvraagzijde op elkaar afgestemd. De gedeelde ruimte laat ook toe om binnen deze benoemde Voyage-4-tekstfamilie van zoekvraagmodel te wisselen zonder bestaande documenten opnieuw te vectoriseren. Beoordeel de resulterende rangschikking met representatieve vragen wanneer u de modelvariant voor zoekvragen kiest.
De rol van de Lite-editie is de kleinere, op lage latentie gerichte optie voor zoekvragen en tekstembeddings. De maker schrijft de mixture-of-experts-architectuur specifiek aan voyage-4-large toe; die architectuur is voor Lite niet op basis van de familienaam vastgesteld.
De gepubliceerde contextlengte is 32.000 tokens per tekst. De standaardvector heeft 1024 dimensies, met ook 256, 512 en 2048 beschikbaar via Matryoshka-leren. De tekstembeddingflow van de maker documenteert voor voyage-4-lite representaties met drijvende-kommagetallen, 8-bits gehele getallen met en zonder teken en bitverpakte binaire waarden.
Voor gewone drijvende-kommavectoren beschrijven de gelijkenisrichtlijnen van Voyage embeddings met eenheidslengte, waardoor cosinus- en inproductgelijkenis gelijkwaardig zijn. Gekwantiseerde vormen hebben hun bijbehorende representatieverwerking nodig. Een bitverpakte binaire lijst slaat bijvoorbeeld acht embeddingbits in elke byte op; de lijstlengte verschilt van de semantische vectordimensie.
In het gedocumenteerde batchrecept van Voyage bevat een lijst maximaal 1000 teksten en één miljoen tokens in totaal voor deze exacte Lite-editie. Het standaardgedrag bij overschrijding kapt individuele tekst op de contextgrens af; de alternatieve instelling weigert te lange invoer. Die batch- en per-tekstlimieten zijn onderscheiden.
Splits lang bronmateriaal in samenhangende secties die als onderbouwing kunnen worden teruggegeven. Een context van 32.000 tokens staat lange invoer toe, maar een bruikbare zoekeenheid moet nog steeds naar de relevante bronsectie leiden. Neem de kop of het identificerende detail op dat nodig is om een regel te interpreteren.
Haal voor RAG kandidaatsecties op en geef hun oorspronkelijke tekst met bronkoppelingen door aan de antwoordschrijffase. Het embeddingmodel produceert vectoren en genereert geen antwoord over het beleid. Gelijkenis rangschikt kandidaten onder het gekozen model en de vergelijkingsopzet; beoordeel de daadwerkelijke passage op de precieze gevraagde voorwaarde.
De bruikbare editiespecifieke combinatie van voyage-4-lite is een op lage latentie gericht tekstmodel, flexibele representaties, een context van 32.000 tokens en gedocumenteerde compatibiliteit binnen de Voyage-4-tekstfamilie. Bewaar die eigenschappen bij de geïndexeerde verzameling en gebruik zoekresultaten met brononderbouwing om de omringende toepassing te ondersteunen.
", "aboutText": "voyage-4-lite is het op lage latentie gerichte tekstembeddingmodel in de Voyage-4-familie van Voyage AI. Het representeert zoekvragen en documenten als numerieke vectoren voor algemene informatieopvraging. Het onderscheidende familiekenmerk is een gedeelde embeddingruimte met voyage-4, voyage-4-large en voyage-4-nano, zodat zoekvraag- en documentmodellen afzonderlijk kunnen worden gekozen.\n\n### Begin met de zoekrollen\n\nBereid de informatiebehoefte van de gebruiker als zoekvraag voor en het doorzoekbare materiaal als documenten. Voyage beveelt de query/document-invoertypen aan voor informatieopvraging; het gepubliceerde recept voegt bij het vectoriseren van de tekst de bijbehorende zoekinstructie toe.\n\nVoor een verzameling personeelshandboeken moet een vraag over het meenemen van ongebruikt verlof naar de volgende periode met de specifieke beleidssecties worden vergeleken. Bewaar de regel, voorwaarden en eventuele relevante uitzondering in de geïndexeerde passage. Behoud het oorspronkelijke document en de sectie-identifier bij de vector, zodat de toepassing de daadwerkelijke beleidstekst kan teruggeven.\n\nWanneer geen invoertype is opgegeven, wordt de tekst rechtstreeks gerepresenteerd, terwijl de query/document-rollen de representatie op informatieopvraging afstemmen. De maker stelt dat embeddings die met en zonder die rolinstellingen zijn geproduceerd compatibel zijn, maar een consistent voorbereidingsbeleid maakt de verzameling makkelijker te beoordelen.\n\n### Gedeelde ruimte binnen de Voyage-4-tekstfamilie\n\nVoyage documenteert expliciet een asymmetrische zoekworkflow: documenten kunnen met voyage-4-large worden gecodeerd en met zoekvraagvectoren van voyage-4-lite worden doorzocht. Dat is een compatibiliteitsverklaring op familieniveau, geen conclusie die wordt getrokken omdat twee modellen dezelfde vectorlengte retourneren.\n\nHoud de geselecteerde vectordimensie en representatie tussen de verzameling en zoekvraagzijde op elkaar afgestemd. De gedeelde ruimte laat ook toe om binnen deze benoemde Voyage-4-tekstfamilie van zoekvraagmodel te wisselen zonder bestaande documenten opnieuw te vectoriseren. Beoordeel de resulterende rangschikking met representatieve vragen wanneer u de modelvariant voor zoekvragen kiest.\n\nDe rol van de Lite-editie is de kleinere, op lage latentie gerichte optie voor zoekvragen en tekstembeddings. De maker schrijft de mixture-of-experts-architectuur specifiek aan voyage-4-large toe; die architectuur is voor Lite niet op basis van de familienaam vastgesteld.\n\n### Context, dimensies en resultaatformaat\n\nDe gepubliceerde contextlengte is 32.000 tokens per tekst. De standaardvector heeft 1024 dimensies, met ook 256, 512 en 2048 beschikbaar via Matryoshka-leren. De tekstembeddingflow van de maker documenteert voor voyage-4-lite representaties met drijvende-kommagetallen, 8-bits gehele getallen met en zonder teken en bitverpakte binaire waarden.\n\nVoor gewone drijvende-kommavectoren beschrijven de gelijkenisrichtlijnen van Voyage embeddings met eenheidslengte, waardoor cosinus- en inproductgelijkenis gelijkwaardig zijn. Gekwantiseerde vormen hebben hun bijbehorende representatieverwerking nodig. Een bitverpakte binaire lijst slaat bijvoorbeeld acht embeddingbits in elke byte op; de lijstlengte verschilt van de semantische vectordimensie.\n\nIn het gedocumenteerde batchrecept van Voyage bevat een lijst maximaal 1000 teksten en één miljoen tokens in totaal voor deze exacte Lite-editie. Het standaardgedrag bij overschrijding kapt individuele tekst op de contextgrens af; de alternatieve instelling weigert te lange invoer. Die batch- en per-tekstlimieten zijn onderscheiden.\n\n### Bereid zoekresultaten voor en onderzoek ze\n\nSplits lang bronmateriaal in samenhangende secties die als onderbouwing kunnen worden teruggegeven. Een context van 32.000 tokens staat lange invoer toe, maar een bruikbare zoekeenheid moet nog steeds naar de relevante bronsectie leiden. Neem de kop of het identificerende detail op dat nodig is om een regel te interpreteren.\n\nHaal voor RAG kandidaatsecties op en geef hun oorspronkelijke tekst met bronkoppelingen door aan de antwoordschrijffase. Het embeddingmodel produceert vectoren en genereert geen antwoord over het beleid. Gelijkenis rangschikt kandidaten onder het gekozen model en de vergelijkingsopzet; beoordeel de daadwerkelijke passage op de precieze gevraagde voorwaarde.\n\nDe bruikbare editiespecifieke combinatie van voyage-4-lite is een op lage latentie gericht tekstmodel, flexibele representaties, een context van 32.000 tokens en gedocumenteerde compatibiliteit binnen de Voyage-4-tekstfamilie. Bewaar die eigenschappen bij de geïndexeerde verzameling en gebruik zoekresultaten met brononderbouwing om de omringende toepassing te ondersteunen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7c28e529f4460d4495148bf0fc2a37df1172161283b92c530a0e2f554832bdb2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "voyageai/voyage-4-liteVoyage AI voyage-4-lite is de op lage latentie gerichte tekstembeddingeditie in de Voyage-4-familie. Het ondersteunt invoer van 32.000 tokens, vier mogelijke vectordimensies en gekwantiseerde representaties, met een gedeelde embeddingruimte die compatibel is met de andere Voyage-4-tekstmodellen.
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-lite is het op lage latentie gerichte tekstembeddingmodel in de Voyage-4-familie van Voyage AI. Het representeert zoekvragen en documenten als numerieke vectoren voor algemene informatieopvraging. Het onderscheidende familiekenmerk is een gedeelde embeddingruimte met voyage-4, voyage-4-large en voyage-4-nano, zodat zoekvraag- en documentmodellen afzonderlijk kunnen worden gekozen.
Bereid de informatiebehoefte van de gebruiker als zoekvraag voor en het doorzoekbare materiaal als documenten. Voyage beveelt de query/document-invoertypen aan voor informatieopvraging; het gepubliceerde recept voegt bij het vectoriseren van de tekst de bijbehorende zoekinstructie toe.
Voor een verzameling personeelshandboeken moet een vraag over het meenemen van ongebruikt verlof naar de volgende periode met de specifieke beleidssecties worden vergeleken. Bewaar de regel, voorwaarden en eventuele relevante uitzondering in de geïndexeerde passage. Behoud het oorspronkelijke document en de sectie-identifier bij de vector, zodat de toepassing de daadwerkelijke beleidstekst kan teruggeven.
Wanneer geen invoertype is opgegeven, wordt de tekst rechtstreeks gerepresenteerd, terwijl de query/document-rollen de representatie op informatieopvraging afstemmen. De maker stelt dat embeddings die met en zonder die rolinstellingen zijn geproduceerd compatibel zijn, maar een consistent voorbereidingsbeleid maakt de verzameling makkelijker te beoordelen.
Voyage documenteert expliciet een asymmetrische zoekworkflow: documenten kunnen met voyage-4-large worden gecodeerd en met zoekvraagvectoren van voyage-4-lite worden doorzocht. Dat is een compatibiliteitsverklaring op familieniveau, geen conclusie die wordt getrokken omdat twee modellen dezelfde vectorlengte retourneren.
Houd de geselecteerde vectordimensie en representatie tussen de verzameling en zoekvraagzijde op elkaar afgestemd. De gedeelde ruimte laat ook toe om binnen deze benoemde Voyage-4-tekstfamilie van zoekvraagmodel te wisselen zonder bestaande documenten opnieuw te vectoriseren. Beoordeel de resulterende rangschikking met representatieve vragen wanneer u de modelvariant voor zoekvragen kiest.
De rol van de Lite-editie is de kleinere, op lage latentie gerichte optie voor zoekvragen en tekstembeddings. De maker schrijft de mixture-of-experts-architectuur specifiek aan voyage-4-large toe; die architectuur is voor Lite niet op basis van de familienaam vastgesteld.
De gepubliceerde contextlengte is 32.000 tokens per tekst. De standaardvector heeft 1024 dimensies, met ook 256, 512 en 2048 beschikbaar via Matryoshka-leren. De tekstembeddingflow van de maker documenteert voor voyage-4-lite representaties met drijvende-kommagetallen, 8-bits gehele getallen met en zonder teken en bitverpakte binaire waarden.
Voor gewone drijvende-kommavectoren beschrijven de gelijkenisrichtlijnen van Voyage embeddings met eenheidslengte, waardoor cosinus- en inproductgelijkenis gelijkwaardig zijn. Gekwantiseerde vormen hebben hun bijbehorende representatieverwerking nodig. Een bitverpakte binaire lijst slaat bijvoorbeeld acht embeddingbits in elke byte op; de lijstlengte verschilt van de semantische vectordimensie.
In het gedocumenteerde batchrecept van Voyage bevat een lijst maximaal 1000 teksten en één miljoen tokens in totaal voor deze exacte Lite-editie. Het standaardgedrag bij overschrijding kapt individuele tekst op de contextgrens af; de alternatieve instelling weigert te lange invoer. Die batch- en per-tekstlimieten zijn onderscheiden.
Splits lang bronmateriaal in samenhangende secties die als onderbouwing kunnen worden teruggegeven. Een context van 32.000 tokens staat lange invoer toe, maar een bruikbare zoekeenheid moet nog steeds naar de relevante bronsectie leiden. Neem de kop of het identificerende detail op dat nodig is om een regel te interpreteren.
Haal voor RAG kandidaatsecties op en geef hun oorspronkelijke tekst met bronkoppelingen door aan de antwoordschrijffase. Het embeddingmodel produceert vectoren en genereert geen antwoord over het beleid. Gelijkenis rangschikt kandidaten onder het gekozen model en de vergelijkingsopzet; beoordeel de daadwerkelijke passage op de precieze gevraagde voorwaarde.
De bruikbare editiespecifieke combinatie van voyage-4-lite is een op lage latentie gericht tekstmodel, flexibele representaties, een context van 32.000 tokens en gedocumenteerde compatibiliteit binnen de Voyage-4-tekstfamilie. Bewaar die eigenschappen bij de geïndexeerde verzameling en gebruik zoekresultaten met brononderbouwing om de omringende toepassing te ondersteunen.
POST /v1/embeddingstext, token_idsembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten voyageai/voyage-4-lite | 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 $0.00004 / 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-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
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-lite
Gebruik de hierboven getoonde methodepaden.