Voyage 3.5 Lite przekształca tekst w embeddingi do wyszukiwania semantycznego. Voyage AI opisuje tę edycję jako zoptymalizowaną pod kątem opóźnień i kosztów, co czyni ją kandydatem do wyszukiwarek często przetwarzających nowe pytania na embeddingi lub utrzymujących duży zbiór przeszukiwalnych fragmentów. Wynik jest liczbową reprezentacją dostarczonego tekstu, którą aplikacja wyszukująca porównuje z wektorami zapisanymi dla materiału źródłowego.
Zacznij od zbioru, którego granice odpowiadają zadaniu użytkownika. W centrum pomocy jeden fragment może objaśniać procedurę i jej warunki wstępne. W archiwum dyskusji zachowaj wystarczająco długi ciąg odpowiedzi, aby można było ustalić, do czego odnosi się wypowiedź. Wynik powinien prowadzić do czytelnego dowodu, dlatego przy każdym embeddingu przechowuj oryginalny tekst, stały odnośnik do źródła i metadane dokumentu.
Pisz zapytania testowe tak, jak zadawaliby je użytkownicy. „Gdzie mogę zmienić adres na fakturze?” jest bardziej użytecznym sprawdzianem wyszukiwania niż skopiowanie nagłówka właściwego artykułu. Uwzględnij krótkie pytania, parafrazy, skróty dziedzinowe i przypadki wymieniające kilka pojęć. Sprawdzaj zwracane fragmenty i ustalaj, czy pominięty wynik wynika z brakującej treści źródłowej, złych granic fragmentów czy wyboru sposobu wyszukiwania.
Producent dokumentuje okno kontekstu 32 000 tokenów. Pojemność ta pozwala na obszerne wejścia tekstowe, lecz długość fragmentu pozostaje decyzją projektową wyszukiwarki. Zachowuj zwięzłą odpowiedź wraz z koniecznymi warunkami; nie odcinaj definicji od objaśnianego terminu. Wyodrębniaj czytelny tekst ze źródła i usuwaj nawigację powtarzaną na każdej stronie, gdy zasłania informacje potrzebne użytkownikowi.
Voyage 3.5 Lite obsługuje 2 048, 1 024, 512 i 256 wymiarów. Reprezentacje zmiennoprzecinkowe, ośmiobitowe całkowitoliczbowe i binarne dają dodatkowe możliwości wyboru indeksu wektorowego. Testuj mniejszą lub skwantowaną reprezentację na tych samych pytaniach i korpusie co bazową reprezentację o pełnej precyzji. Zapisz wybrany model, liczbę wymiarów i typ danych przy indeksie, aby wektory zapytań stosowały odpowiednie ustawienia.
W procesie wyszukiwania producenta oznaczaj indeksowane fragmenty jako dokumenty, a przychodzące wyszukiwania jako zapytania. Zachowaj mapowanie każdego zwróconego wektora do jego tekstu wejściowego podczas wspólnego przetwarzania kilku fragmentów. Udana operacja embeddingu dostarcza wektory; aplikacja nadal musi umieścić je we właściwych rekordach i udostępnić źródłowy wycinek, gdy użytkownik otwiera wynik.
Użyj tej edycji do przeszukiwalnego zbioru wsparcia, narzędzia odnajdywania dokumentów lub etapu wyszukiwania w asystencie. Przy materiale wielojęzycznym oceniaj kombinacje języków obecne we własnym zbiorze, zamiast polegać na jednym teście angielskim. Zachowaj uprawnienia i metadane językowe dostępne dla aplikacji, aby istotne dopasowanie można było przefiltrować i wyświetlić w odpowiednim kontekście.
W rosnących zbiorach aktualizuj wektory zmienionych fragmentów wraz z wersjami ich źródeł. Zachowaj zestaw rzeczywistych pytań obejmujący łatwe dopasowania, trudne parafrazy i podobne dokumenty z różnymi odpowiedziami. Mierz jakość wyszukiwania i zachowanie całego procesu przy przewidywanym obciążeniu. Pozycjonowanie edycji Lite przez producenta pomaga wybrać kandydata; końcowa liczba wymiarów, strategia dzielenia i ustawienia indeksu wynikają z rezultatów uzyskanych na własnym materiale.
", "aboutText": "Voyage 3.5 Lite przekształca tekst w embeddingi do wyszukiwania semantycznego. Voyage AI opisuje tę edycję jako zoptymalizowaną pod kątem opóźnień i kosztów, co czyni ją kandydatem do wyszukiwarek często przetwarzających nowe pytania na embeddingi lub utrzymujących duży zbiór przeszukiwalnych fragmentów. Wynik jest liczbową reprezentacją dostarczonego tekstu, którą aplikacja wyszukująca porównuje z wektorami zapisanymi dla materiału źródłowego.\n\nZacznij od zbioru, którego granice odpowiadają zadaniu użytkownika. W centrum pomocy jeden fragment może objaśniać procedurę i jej warunki wstępne. W archiwum dyskusji zachowaj wystarczająco długi ciąg odpowiedzi, aby można było ustalić, do czego odnosi się wypowiedź. Wynik powinien prowadzić do czytelnego dowodu, dlatego przy każdym embeddingu przechowuj oryginalny tekst, stały odnośnik do źródła i metadane dokumentu.\n\nPisz zapytania testowe tak, jak zadawaliby je użytkownicy. „Gdzie mogę zmienić adres na fakturze?” jest bardziej użytecznym sprawdzianem wyszukiwania niż skopiowanie nagłówka właściwego artykułu. Uwzględnij krótkie pytania, parafrazy, skróty dziedzinowe i przypadki wymieniające kilka pojęć. Sprawdzaj zwracane fragmenty i ustalaj, czy pominięty wynik wynika z brakującej treści źródłowej, złych granic fragmentów czy wyboru sposobu wyszukiwania.\n\nProducent dokumentuje okno kontekstu 32 000 tokenów. Pojemność ta pozwala na obszerne wejścia tekstowe, lecz długość fragmentu pozostaje decyzją projektową wyszukiwarki. Zachowuj zwięzłą odpowiedź wraz z koniecznymi warunkami; nie odcinaj definicji od objaśnianego terminu. Wyodrębniaj czytelny tekst ze źródła i usuwaj nawigację powtarzaną na każdej stronie, gdy zasłania informacje potrzebne użytkownikowi.\n\nVoyage 3.5 Lite obsługuje 2 048, 1 024, 512 i 256 wymiarów. Reprezentacje zmiennoprzecinkowe, ośmiobitowe całkowitoliczbowe i binarne dają dodatkowe możliwości wyboru indeksu wektorowego. Testuj mniejszą lub skwantowaną reprezentację na tych samych pytaniach i korpusie co bazową reprezentację o pełnej precyzji. Zapisz wybrany model, liczbę wymiarów i typ danych przy indeksie, aby wektory zapytań stosowały odpowiednie ustawienia.\n\nW procesie wyszukiwania producenta oznaczaj indeksowane fragmenty jako dokumenty, a przychodzące wyszukiwania jako zapytania. Zachowaj mapowanie każdego zwróconego wektora do jego tekstu wejściowego podczas wspólnego przetwarzania kilku fragmentów. Udana operacja embeddingu dostarcza wektory; aplikacja nadal musi umieścić je we właściwych rekordach i udostępnić źródłowy wycinek, gdy użytkownik otwiera wynik.\n\nUżyj tej edycji do przeszukiwalnego zbioru wsparcia, narzędzia odnajdywania dokumentów lub etapu wyszukiwania w asystencie. Przy materiale wielojęzycznym oceniaj kombinacje języków obecne we własnym zbiorze, zamiast polegać na jednym teście angielskim. Zachowaj uprawnienia i metadane językowe dostępne dla aplikacji, aby istotne dopasowanie można było przefiltrować i wyświetlić w odpowiednim kontekście.\n\nW rosnących zbiorach aktualizuj wektory zmienionych fragmentów wraz z wersjami ich źródeł. Zachowaj zestaw rzeczywistych pytań obejmujący łatwe dopasowania, trudne parafrazy i podobne dokumenty z różnymi odpowiedziami. Mierz jakość wyszukiwania i zachowanie całego procesu przy przewidywanym obciążeniu. Pozycjonowanie edycji Lite przez producenta pomaga wybrać kandydata; końcowa liczba wymiarów, strategia dzielenia i ustawienia indeksu wynikają z rezultatów uzyskanych na własnym materiale.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "46c9c54ebdffda2da811cf83e514e9a183690bf10a6a4ec304276d976931b9dd", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "voyage-3.5-liteVoyage 3.5 Lite tworzy embeddingi tekstu do wyszukiwania semantycznego, koncentrując się na opóźnieniach i efektywnym wyszukiwaniu. Obsługuje okno kontekstu 32 000 tokenów, cztery rozmiary wektorów i skwantowany wynik do przeszukiwania baz wiedzy, dopasowywania dokumentów i RAG.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Voyage 3.5 Lite przekształca tekst w embeddingi do wyszukiwania semantycznego. Voyage AI opisuje tę edycję jako zoptymalizowaną pod kątem opóźnień i kosztów, co czyni ją kandydatem do wyszukiwarek często przetwarzających nowe pytania na embeddingi lub utrzymujących duży zbiór przeszukiwalnych fragmentów. Wynik jest liczbową reprezentacją dostarczonego tekstu, którą aplikacja wyszukująca porównuje z wektorami zapisanymi dla materiału źródłowego.
Zacznij od zbioru, którego granice odpowiadają zadaniu użytkownika. W centrum pomocy jeden fragment może objaśniać procedurę i jej warunki wstępne. W archiwum dyskusji zachowaj wystarczająco długi ciąg odpowiedzi, aby można było ustalić, do czego odnosi się wypowiedź. Wynik powinien prowadzić do czytelnego dowodu, dlatego przy każdym embeddingu przechowuj oryginalny tekst, stały odnośnik do źródła i metadane dokumentu.
Pisz zapytania testowe tak, jak zadawaliby je użytkownicy. „Gdzie mogę zmienić adres na fakturze?” jest bardziej użytecznym sprawdzianem wyszukiwania niż skopiowanie nagłówka właściwego artykułu. Uwzględnij krótkie pytania, parafrazy, skróty dziedzinowe i przypadki wymieniające kilka pojęć. Sprawdzaj zwracane fragmenty i ustalaj, czy pominięty wynik wynika z brakującej treści źródłowej, złych granic fragmentów czy wyboru sposobu wyszukiwania.
Producent dokumentuje okno kontekstu 32 000 tokenów. Pojemność ta pozwala na obszerne wejścia tekstowe, lecz długość fragmentu pozostaje decyzją projektową wyszukiwarki. Zachowuj zwięzłą odpowiedź wraz z koniecznymi warunkami; nie odcinaj definicji od objaśnianego terminu. Wyodrębniaj czytelny tekst ze źródła i usuwaj nawigację powtarzaną na każdej stronie, gdy zasłania informacje potrzebne użytkownikowi.
Voyage 3.5 Lite obsługuje 2 048, 1 024, 512 i 256 wymiarów. Reprezentacje zmiennoprzecinkowe, ośmiobitowe całkowitoliczbowe i binarne dają dodatkowe możliwości wyboru indeksu wektorowego. Testuj mniejszą lub skwantowaną reprezentację na tych samych pytaniach i korpusie co bazową reprezentację o pełnej precyzji. Zapisz wybrany model, liczbę wymiarów i typ danych przy indeksie, aby wektory zapytań stosowały odpowiednie ustawienia.
W procesie wyszukiwania producenta oznaczaj indeksowane fragmenty jako dokumenty, a przychodzące wyszukiwania jako zapytania. Zachowaj mapowanie każdego zwróconego wektora do jego tekstu wejściowego podczas wspólnego przetwarzania kilku fragmentów. Udana operacja embeddingu dostarcza wektory; aplikacja nadal musi umieścić je we właściwych rekordach i udostępnić źródłowy wycinek, gdy użytkownik otwiera wynik.
Użyj tej edycji do przeszukiwalnego zbioru wsparcia, narzędzia odnajdywania dokumentów lub etapu wyszukiwania w asystencie. Przy materiale wielojęzycznym oceniaj kombinacje języków obecne we własnym zbiorze, zamiast polegać na jednym teście angielskim. Zachowaj uprawnienia i metadane językowe dostępne dla aplikacji, aby istotne dopasowanie można było przefiltrować i wyświetlić w odpowiednim kontekście.
W rosnących zbiorach aktualizuj wektory zmienionych fragmentów wraz z wersjami ich źródeł. Zachowaj zestaw rzeczywistych pytań obejmujący łatwe dopasowania, trudne parafrazy i podobne dokumenty z różnymi odpowiedziami. Mierz jakość wyszukiwania i zachowanie całego procesu przy przewidywanym obciążeniu. Pozycjonowanie edycji Lite przez producenta pomaga wybrać kandydata; końcowa liczba wymiarów, strategia dzielenia i ustawienia indeksu wynikają z rezultatów uzyskanych na własnym materiale.
POST /v1/embeddingstextembedding| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity voyage-3.5-lite Warunki: Użyj dokładnego selektora modelu Ailoot. | Domyślnie— |
Poleinput | Typstring or array<string> | WymaganieWymagane | Wartości i limity Warunki: Tekst lub lista tekstów; zachowaj po jednym wektorze dla każdego zwróconego elementu data wraz z jego indeksem. | Domyślnie— |
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input |
Parametroptional | Kontrakt |
Parametrmaterial_types | Kontrakttext |
Parametrconditions | KontraktWyślij tekst z wybranym modelem; zachowaj każdy zwrócony wektor i jego indeks. |
Cykl życia: synchronous
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaBazowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0001 / 1K tokenów Wyjście · Tokeny wyjściowe $0 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncat > request.json <<'JSON'\n{\n "model": "voyage-3.5-lite",\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-3.5-lite
Użyj ścieżek metod podanych powyżej.