Voyage AI: Voyage 3 Large

Voyage 3 Large przekształca tekst w wektory do wyszukiwania ogólnego zastosowania i wielojęzycznego. Okno wejściowe 32 000 tokenów, wybór liczby wymiarów wektora i formaty skwantowane wspierają przeszukiwalne bazy wiedzy, odnajdywanie dokumentów i generowanie wspomagane wyszukiwaniem.

Ailoot Ultra · Reprezentacje wektorowe POST /v1/embeddings voyage-3-large

O modelu

Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.

Voyage 3 Large to model embeddingów tekstowych do znajdowania istotnych informacji w zbiorze dokumentów. Przedstawia każdy dostarczony tekst jako wektor liczbowy, pozwalając aplikacji porównywać zapytanie z fragmentami, które mogą używać innych sformułowań, lecz mają powiązane znaczenie. Voyage AI pozycjonuje tę edycję do wyszukiwania ogólnego zastosowania i wielojęzycznego, obejmującego materiały takie jak dokumentacja techniczna, rozmowy i długie dokumenty.

Zbuduj przeszukiwany zbiór z informacji, które ludzie rzeczywiście potrzebują odnaleźć. W bazie wiedzy o produkcie zachowaj objaśnienie funkcji wraz z jej warunkami wstępnymi i istotnymi wyjątkami. W zapisach spotkań zachowaj oznaczenia mówców i wystarczająco dużo otaczającej dyskusji, aby temat był zrozumiały. Dziel obszerne źródło w użytecznych miejscach i zachowuj tytuł źródła, identyfikator dokumentu oraz położenie fragmentu przy każdym wektorze.

Przygotuj pytanie wyszukiwania jako zapytanie, a indeksowany materiał jako dokumenty. W procesie embeddingów tekstowych producenta typ wejścia określa rolę tekstu w wyszukiwaniu. Zapytanie takie jak „Jak członek może odzyskać dostęp po utracie klucza bezpieczeństwa?” można następnie porównać z fragmentami materiałów wsparcia opisującymi procedurę odzyskiwania, nawet jeśli używają innych sformułowań. Zachowaj dostęp do oryginalnego fragmentu, aby wynik wyszukiwania mógł pokazać dowody stojące za dopasowaniem.

Model ma okno kontekstu 32 000 tokenów. Długie wejście pozwala zachować kompletną sekcję, ale cały dokument nie zawsze jest najbardziej użyteczną jednostką wyszukiwania. Ogólny wektor może wskazać właściwy plik, pozostawiając czytelnikowi znalezienie dokładnej odpowiedzi. Dobieraj granice fragmentów do wyniku, który chcesz wyświetlić, i zachowuj nagłówki, zastrzeżenia oraz definicje przy treści, którą objaśniają.

Voyage 3 Large obsługuje wektory o 2 048, 1 024, 512 lub 256 wymiarach. Producent dokumentuje również reprezentacje zmiennoprzecinkowe, ośmiobitowe ze znakiem lub bez znaku oraz binarne. Te wybory pozwalają systemowi wyszukiwania porównać szczegółowość wektora z rozmiarem indeksu i zachowaniem wyszukiwania. Wybierz format obsługiwany przez docelowy magazyn wektorów, a następnie oceń go na rzeczywistym korpusie i reprezentatywnych pytaniach przed wyborem ustawień indeksu produkcyjnego.

Przy wyszukiwaniu wielojęzycznym uwzględnij pytania testowe w językach użytkowników i sprawdzaj wyszukane fragmenty źródłowe w ich oryginalnym języku. Wspólny interfejs wyszukiwania może obsługiwać kilka zbiorów językowych, a metadane dokumentów nadal wskazują język i wersję źródła. Podczas wyodrębniania zachowuj znaczące nazwy, skróty i terminy dziedzinowe, zamiast zastępować je ogólnym streszczeniem przed utworzeniem embeddingu.

Używaj wektorów do wyszukiwania kandydatów na fragmenty dla strony wyszukiwania, asystenta wiedzy lub etapu wyboru dokumentów. Zachowaj ten sam model i ustawienia wektorów dla indeksowanego zbioru i jego zapytań. Przy zastępowaniu modelu embeddingów lub zmianie liczby wymiarów świadomie przebuduj i porównaj odpowiedni indeks; sama długość wektora nie wskazuje sposobu jego powstania.

Oceniaj wynik przez przydatność wyszukiwania: czy pojawia się właściwy fragment, czy bliskie, lecz mylące fragmenty zajmują wyższe pozycje i czy wyświetlony wycinek zawiera odpowiedź. Zachowaj niewielki zestaw rzeczywistych pytań z oczekiwanymi źródłami, w tym niejednoznaczne sformułowania i niemal zduplikowane dokumenty. Embedding daje przeszukiwalną reprezentację; aplikacja zachowuje tekst źródłowy, uprawnienia i odnośniki potrzebne, aby zamienić dopasowanie w użyteczny wynik.

Ailoot Ultra · Reprezentacje wektorowe POST /v1/embeddings voyage-3-large

voyage-3-large

Voyage AI /voyage-3-large

Start

Akceptowane dane wejściowe: Tekst
Wyniki: embedding

Dostępne w Ailoot · dane wejściowe i metody

Ailoot Ultra · Reprezentacje wektorowe POST /v1/embeddings

Wejście: text
Wyjście: embedding

Pole	Typ	Wymaganie	Wartości i limity	Domyślnie
Pole`model`	Typ`string`	WymaganieWymagane	Wartości i limity voyage-3-large Warunki: Użyj dokładnego selektora modelu Ailoot.	Domyślnie—
Pole`input`	Typ`string 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—

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input
Parametr`optional`	Kontrakt
Parametr`material_types`	Kontrakttext
Parametr`conditions`	KontraktWyślij tekst z wybranym modelem; zachowaj każdy zwrócony wektor i jego indeks.

Cykl życia: synchronous

Cennik

Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.

Tryb szybki: Nie określono Gdy wybrany jest tryb szybki
Tryb flex: Nie określono Gdy wybrany jest tryb flex
Maksymalna intensywność rozumowania: Nie określono Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)

Stawki Ailoot

Ceny według konfiguracji

Konfiguracja	Tabela stawek	Opłata
KonfiguracjaBazowe stawki za tokeny	Tabela stawekStawka podstawowa	Opłata Wejście · Tokeny wejściowe $0.0004 / 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 →

Przykładowe żądania

Ailoot Ultra · Reprezentacje wektorowe

curl · zapisz wszystkie wektory i dane użycia

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
cat > request.json <<'JSON'
{
  "model": "voyage-3-large",
  "input": "The quick brown fox jumps over the lazy dog"
}
JSON
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o embeddings.json
# Keep every data item and its index, the full usage object and response headers.

Odbieranie i zapisywanie wyników

Aliasy

Aliasy modelu

Ailoot Ultra voyage-3-large

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

voyage-3-large

FAQ · Voyage AI: Voyage 3 Large

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/embeddings · voyage-3-large: text → embedding
Jakich pól używa żądanie?: POST /v1/embeddings · voyage-3-large: model, input

Voyage AI: Voyage 3 Large