voyage-4-large to flagowy model embeddingów tekstowych firmy Voyage AI z rodziny Voyage 4. Przedstawia fragmenty źródłowe i zapytania jako wektory liczbowe do wyszukiwania ogólnego i wielojęzycznego. Wyróżniają go architektura mixture-of-experts oraz wspólna przestrzeń embeddingów używana przez voyage-4-large, voyage-4, voyage-4-lite i voyage-4-nano.
Producent opisuje wyszukiwanie asymetryczne: dokumenty mogą otrzymywać embeddingi z voyage-4-large, a inny model z rodziny Voyage 4 może przygotowywać wektory zapytań. Przykładowo korpus reprezentowany przez Large można przeszukiwać zapytaniami z voyage-4. Pozwala to wybierać różne modele po obu stronach wyszukiwania, pozostając w udokumentowanej zgodnej przestrzeni.
Praktyczny zbiór może więc wykorzystywać Large do przygotowania stabilnych fragmentów dokumentów i niezależnie wybrać model po stronie zapytań. Embeddingi dokumentów powstają podczas tworzenia lub aktualizacji korpusu, natomiast zapytania są wektoryzowane podczas wyszukiwania przez użytkowników. Ogłoszenie rodziny opisuje zmianę modelu zapytań w obrębie zgodnej rodziny bez ponownej wektoryzacji korpusu dokumentów wyłącznie z powodu tej zmiany. Porównywane wektory muszą mieć zgodne wymiary i reprezentacje, które system wyszukiwania potrafi interpretować razem.
Gęsta warstwa feed-forward przetwarza każdy token przy użyciu całego zestawu parametrów. Podejście MoE opisane dla voyage-4-large wykorzystuje router i eksperckie sieci feed-forward, wybierając ekspertów przetwarzających każdy token. Oddziela to całkowitą pojemność modelu od parametrów aktywnych dla konkretnego tokenu. Voyage podaje współczynnik aktywacji 1/10 dla architektury MoE tego modelu, z routingiem top-k.
Techniczne wyjaśnienie producenta opisuje także dwie decyzje rozwojowe. Pojemność ekspertów wpływa na to, czy nadmiarowe tokeny omijają warstwę ekspercką ścieżką rezydualną; zespół wybrał największy wykonalny współczynnik pojemności, aby uniknąć spadku jakości wyszukiwania. Na końcowym etapie szkolenia parametry routera są zamrażane przed scaleniem modeli, aby interpolacja modeli źródłowych nie zmieniała wyuczonego routingu wyboru ekspertów. Są to cechy przygotowania modelu, odrębne od ustawień długości tekstu lub obcinania stosowanych przy przygotowywaniu wejścia.
Oficjalna tabela modelu określa okno kontekstu 32 000 tokenów i embeddingi o wybieranej liczbie wymiarów: 256, 512, 1024 i 2048, z domyślną wartością 1024. Rodzina wykorzystuje uczenie Matryoshka do zagnieżdżonych rozmiarów reprezentacji i obsługuje opcje kwantyzacji: 32-bitowe liczby zmiennoprzecinkowe, 8-bitowe liczby całkowite ze znakiem lub bez znaku oraz upakowane wyjście binarne.
Przy wyjściu binarnym długość zwróconej listy bajtów wynosi jedną ósmą wybranego wymiaru, ponieważ każdy bajt zawiera osiem bitów embeddingu. Zachowaj wybór wymiaru i typu danych wraz z indeksem oraz używaj metody porównania obsługującej tę reprezentację. Mniejszy lub skompresowany wektor zmienia reprezentację używaną w wyszukiwaniu; oceń odpowiednie fragmenty zwracane dla rzeczywistych pytań przed wyborem takiego wariantu dla zbioru.
Voyage zaleca rolę dokumentu dla fragmentów korpusu oraz rolę zapytania dla treści wyszukiwania. Opcja roli dodaje odpowiednią instrukcję wyszukiwania przed utworzeniem embeddingu. Zachowaj użyteczny nagłówek, warunki i lokalizację źródłową fragmentu, a następnie przechowuj zwrócony wektor z oryginalnym tekstem i stabilnym identyfikatorem.
W zbiorze wiedzy technicznej pytanie o tryb awarii powinno prowadzić do fragmentu opisującego ten tryb i jego istotne warunki. W wielojęzycznym zbiorze dokumentów zachowaj język źródłowy i oceń pytania oraz terminologię, których użytkownicy będą używać podczas wyszukiwania. Wydanie obejmuje materiały do wyszukiwania takie jak dokumenty techniczne, rozmowy, długie dokumenty, kod, prawo, finanse i tekst internetowy. Embedding wskazuje potencjalnie istotny materiał; późniejszy reranker lub etap odpowiadania używa oryginalnego tekstu.
Bieżący przewodnik producenta dopuszcza do 1000 ciągów tekstowych i 120 000 tokenów wejściowych łącznie w żądaniu voyage-4-large. Różni się to od limitu grupy podanego dla voyage-4, choć oba modele mają okno 32 000 tokenów na tekst. Domyślne obcinanie skraca zbyt długie wejście, aby je dopasować; wyłączenie obcinania powoduje błąd dla zbyt długiego tekstu.
Świadomie wybieraj granice fragmentów zawierających odpowiedź, aby długie źródło nie straciło ważnego zastrzeżenia w obciętej końcówce. Zachowaj powiązanie ze źródłem przy zwracaniu wyników wyszukiwania i sprawdzaj rzeczywisty tekst kandydującego fragmentu, zamiast traktować bliskość wektorów jako weryfikację treści. Zgodność wspólnej przestrzeni dotyczy udokumentowanej tekstowej rodziny Voyage 4; przetwarzanie fragmentów uwzględniające kontekst, embeddingi obrazów i wideo oraz późniejsze edycje modeli pozostają odrębnymi przepływami właściwymi dla poszczególnych modeli.
", "aboutText": "voyage-4-large to flagowy model embeddingów tekstowych firmy Voyage AI z rodziny Voyage 4. Przedstawia fragmenty źródłowe i zapytania jako wektory liczbowe do wyszukiwania ogólnego i wielojęzycznego. Wyróżniają go architektura mixture-of-experts oraz wspólna przestrzeń embeddingów używana przez voyage-4-large, voyage-4, voyage-4-lite i voyage-4-nano.\n\n### Wspólna przestrzeń: niezależny wybór dla korpusu i zapytań\n\nProducent opisuje wyszukiwanie asymetryczne: dokumenty mogą otrzymywać embeddingi z voyage-4-large, a inny model z rodziny Voyage 4 może przygotowywać wektory zapytań. Przykładowo korpus reprezentowany przez Large można przeszukiwać zapytaniami z voyage-4. Pozwala to wybierać różne modele po obu stronach wyszukiwania, pozostając w udokumentowanej zgodnej przestrzeni.\n\nPraktyczny zbiór może więc wykorzystywać Large do przygotowania stabilnych fragmentów dokumentów i niezależnie wybrać model po stronie zapytań. Embeddingi dokumentów powstają podczas tworzenia lub aktualizacji korpusu, natomiast zapytania są wektoryzowane podczas wyszukiwania przez użytkowników. Ogłoszenie rodziny opisuje zmianę modelu zapytań w obrębie zgodnej rodziny bez ponownej wektoryzacji korpusu dokumentów wyłącznie z powodu tej zmiany. Porównywane wektory muszą mieć zgodne wymiary i reprezentacje, które system wyszukiwania potrafi interpretować razem.\n\n### Architektura embeddingów mixture-of-experts\n\nGęsta warstwa feed-forward przetwarza każdy token przy użyciu całego zestawu parametrów. Podejście MoE opisane dla voyage-4-large wykorzystuje router i eksperckie sieci feed-forward, wybierając ekspertów przetwarzających każdy token. Oddziela to całkowitą pojemność modelu od parametrów aktywnych dla konkretnego tokenu. Voyage podaje współczynnik aktywacji 1/10 dla architektury MoE tego modelu, z routingiem top-k.\n\nTechniczne wyjaśnienie producenta opisuje także dwie decyzje rozwojowe. Pojemność ekspertów wpływa na to, czy nadmiarowe tokeny omijają warstwę ekspercką ścieżką rezydualną; zespół wybrał największy wykonalny współczynnik pojemności, aby uniknąć spadku jakości wyszukiwania. Na końcowym etapie szkolenia parametry routera są zamrażane przed scaleniem modeli, aby interpolacja modeli źródłowych nie zmieniała wyuczonego routingu wyboru ekspertów. Są to cechy przygotowania modelu, odrębne od ustawień długości tekstu lub obcinania stosowanych przy przygotowywaniu wejścia.\n\n### Wymiary i reprezentacja wyniku\n\nOficjalna tabela modelu określa okno kontekstu 32 000 tokenów i embeddingi o wybieranej liczbie wymiarów: 256, 512, 1024 i 2048, z domyślną wartością 1024. Rodzina wykorzystuje uczenie Matryoshka do zagnieżdżonych rozmiarów reprezentacji i obsługuje opcje kwantyzacji: 32-bitowe liczby zmiennoprzecinkowe, 8-bitowe liczby całkowite ze znakiem lub bez znaku oraz upakowane wyjście binarne.\n\nPrzy wyjściu binarnym długość zwróconej listy bajtów wynosi jedną ósmą wybranego wymiaru, ponieważ każdy bajt zawiera osiem bitów embeddingu. Zachowaj wybór wymiaru i typu danych wraz z indeksem oraz używaj metody porównania obsługującej tę reprezentację. Mniejszy lub skompresowany wektor zmienia reprezentację używaną w wyszukiwaniu; oceń odpowiednie fragmenty zwracane dla rzeczywistych pytań przed wyborem takiego wariantu dla zbioru.\n\n### Przygotuj dokumenty i zapytania wejściowe\n\nVoyage zaleca rolę dokumentu dla fragmentów korpusu oraz rolę zapytania dla treści wyszukiwania. Opcja roli dodaje odpowiednią instrukcję wyszukiwania przed utworzeniem embeddingu. Zachowaj użyteczny nagłówek, warunki i lokalizację źródłową fragmentu, a następnie przechowuj zwrócony wektor z oryginalnym tekstem i stabilnym identyfikatorem.\n\nW zbiorze wiedzy technicznej pytanie o tryb awarii powinno prowadzić do fragmentu opisującego ten tryb i jego istotne warunki. W wielojęzycznym zbiorze dokumentów zachowaj język źródłowy i oceń pytania oraz terminologię, których użytkownicy będą używać podczas wyszukiwania. Wydanie obejmuje materiały do wyszukiwania takie jak dokumenty techniczne, rozmowy, długie dokumenty, kod, prawo, finanse i tekst internetowy. Embedding wskazuje potencjalnie istotny materiał; późniejszy reranker lub etap odpowiadania używa oryginalnego tekstu.\n\n### Limity kontekstu, przetwarzania grupowego i obcinania\n\nBieżący przewodnik producenta dopuszcza do 1000 ciągów tekstowych i 120 000 tokenów wejściowych łącznie w żądaniu voyage-4-large. Różni się to od limitu grupy podanego dla voyage-4, choć oba modele mają okno 32 000 tokenów na tekst. Domyślne obcinanie skraca zbyt długie wejście, aby je dopasować; wyłączenie obcinania powoduje błąd dla zbyt długiego tekstu.\n\nŚwiadomie wybieraj granice fragmentów zawierających odpowiedź, aby długie źródło nie straciło ważnego zastrzeżenia w obciętej końcówce. Zachowaj powiązanie ze źródłem przy zwracaniu wyników wyszukiwania i sprawdzaj rzeczywisty tekst kandydującego fragmentu, zamiast traktować bliskość wektorów jako weryfikację treści. Zgodność wspólnej przestrzeni dotyczy udokumentowanej tekstowej rodziny Voyage 4; przetwarzanie fragmentów uwzględniające kontekst, embeddingi obrazów i wideo oraz późniejsze edycje modeli pozostają odrębnymi przepływami właściwymi dla poszczególnych modeli.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6c75aac119781871d69bca82d12130da7687381ea2be83db035d5d3fdec49783", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "voyageai/voyage-4-largevoyage-4-large to tekstowy model osadzeń Voyage AI o architekturze mixture-of-experts do wyszukiwania ogólnego przeznaczenia i wielojęzycznego. Jego wektory współdzielą przestrzeń rodziny Voyage 4, umożliwiając przeszukiwanie osadzeń korpusu z Large za pomocą zgodnych osadzeń zapytań z innych modeli rodziny.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
voyage-4-large to flagowy model embeddingów tekstowych firmy Voyage AI z rodziny Voyage 4. Przedstawia fragmenty źródłowe i zapytania jako wektory liczbowe do wyszukiwania ogólnego i wielojęzycznego. Wyróżniają go architektura mixture-of-experts oraz wspólna przestrzeń embeddingów używana przez voyage-4-large, voyage-4, voyage-4-lite i voyage-4-nano.
Producent opisuje wyszukiwanie asymetryczne: dokumenty mogą otrzymywać embeddingi z voyage-4-large, a inny model z rodziny Voyage 4 może przygotowywać wektory zapytań. Przykładowo korpus reprezentowany przez Large można przeszukiwać zapytaniami z voyage-4. Pozwala to wybierać różne modele po obu stronach wyszukiwania, pozostając w udokumentowanej zgodnej przestrzeni.
Praktyczny zbiór może więc wykorzystywać Large do przygotowania stabilnych fragmentów dokumentów i niezależnie wybrać model po stronie zapytań. Embeddingi dokumentów powstają podczas tworzenia lub aktualizacji korpusu, natomiast zapytania są wektoryzowane podczas wyszukiwania przez użytkowników. Ogłoszenie rodziny opisuje zmianę modelu zapytań w obrębie zgodnej rodziny bez ponownej wektoryzacji korpusu dokumentów wyłącznie z powodu tej zmiany. Porównywane wektory muszą mieć zgodne wymiary i reprezentacje, które system wyszukiwania potrafi interpretować razem.
Gęsta warstwa feed-forward przetwarza każdy token przy użyciu całego zestawu parametrów. Podejście MoE opisane dla voyage-4-large wykorzystuje router i eksperckie sieci feed-forward, wybierając ekspertów przetwarzających każdy token. Oddziela to całkowitą pojemność modelu od parametrów aktywnych dla konkretnego tokenu. Voyage podaje współczynnik aktywacji 1/10 dla architektury MoE tego modelu, z routingiem top-k.
Techniczne wyjaśnienie producenta opisuje także dwie decyzje rozwojowe. Pojemność ekspertów wpływa na to, czy nadmiarowe tokeny omijają warstwę ekspercką ścieżką rezydualną; zespół wybrał największy wykonalny współczynnik pojemności, aby uniknąć spadku jakości wyszukiwania. Na końcowym etapie szkolenia parametry routera są zamrażane przed scaleniem modeli, aby interpolacja modeli źródłowych nie zmieniała wyuczonego routingu wyboru ekspertów. Są to cechy przygotowania modelu, odrębne od ustawień długości tekstu lub obcinania stosowanych przy przygotowywaniu wejścia.
Oficjalna tabela modelu określa okno kontekstu 32 000 tokenów i embeddingi o wybieranej liczbie wymiarów: 256, 512, 1024 i 2048, z domyślną wartością 1024. Rodzina wykorzystuje uczenie Matryoshka do zagnieżdżonych rozmiarów reprezentacji i obsługuje opcje kwantyzacji: 32-bitowe liczby zmiennoprzecinkowe, 8-bitowe liczby całkowite ze znakiem lub bez znaku oraz upakowane wyjście binarne.
Przy wyjściu binarnym długość zwróconej listy bajtów wynosi jedną ósmą wybranego wymiaru, ponieważ każdy bajt zawiera osiem bitów embeddingu. Zachowaj wybór wymiaru i typu danych wraz z indeksem oraz używaj metody porównania obsługującej tę reprezentację. Mniejszy lub skompresowany wektor zmienia reprezentację używaną w wyszukiwaniu; oceń odpowiednie fragmenty zwracane dla rzeczywistych pytań przed wyborem takiego wariantu dla zbioru.
Voyage zaleca rolę dokumentu dla fragmentów korpusu oraz rolę zapytania dla treści wyszukiwania. Opcja roli dodaje odpowiednią instrukcję wyszukiwania przed utworzeniem embeddingu. Zachowaj użyteczny nagłówek, warunki i lokalizację źródłową fragmentu, a następnie przechowuj zwrócony wektor z oryginalnym tekstem i stabilnym identyfikatorem.
W zbiorze wiedzy technicznej pytanie o tryb awarii powinno prowadzić do fragmentu opisującego ten tryb i jego istotne warunki. W wielojęzycznym zbiorze dokumentów zachowaj język źródłowy i oceń pytania oraz terminologię, których użytkownicy będą używać podczas wyszukiwania. Wydanie obejmuje materiały do wyszukiwania takie jak dokumenty techniczne, rozmowy, długie dokumenty, kod, prawo, finanse i tekst internetowy. Embedding wskazuje potencjalnie istotny materiał; późniejszy reranker lub etap odpowiadania używa oryginalnego tekstu.
Bieżący przewodnik producenta dopuszcza do 1000 ciągów tekstowych i 120 000 tokenów wejściowych łącznie w żądaniu voyage-4-large. Różni się to od limitu grupy podanego dla voyage-4, choć oba modele mają okno 32 000 tokenów na tekst. Domyślne obcinanie skraca zbyt długie wejście, aby je dopasować; wyłączenie obcinania powoduje błąd dla zbyt długiego tekstu.
Świadomie wybieraj granice fragmentów zawierających odpowiedź, aby długie źródło nie straciło ważnego zastrzeżenia w obciętej końcówce. Zachowaj powiązanie ze źródłem przy zwracaniu wyników wyszukiwania i sprawdzaj rzeczywisty tekst kandydującego fragmentu, zamiast traktować bliskość wektorów jako weryfikację treści. Zgodność wspólnej przestrzeni dotyczy udokumentowanej tekstowej rodziny Voyage 4; przetwarzanie fragmentów uwzględniające kontekst, embeddingi obrazów i wideo oraz późniejsze edycje modeli pozostają odrębnymi przepływami właściwymi dla poszczególnych modeli.
POST /v1/embeddingstext, token_idsembedding| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity voyageai/voyage-4-large | Domyślnie— |
Poleinput | Typstring|string[]|integer[]|integer[][] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 Warunki: Niepusta, jednorodna partia danych. Identyfikatory tokenów są nieujemnymi liczbami całkowitymi. Budżet wejścia: Maksimum: 32 000 · Jednostka tekstu: bajty UTF8 · Jednostka tokenów: elementy tablicy tokenów | Domyślnie— |
Poleencoding_format | Typstring | WymaganieOpcjonalne | Wartości i limity float | Domyślniefloat |
Poledimensions | Typinteger | WymaganieNieobsługiwane | Wartości i limity Minimum: 1 | Domyślnie— |
Poleuser | Typjson_value | WymaganieOpcjonalne | Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu. | Domyślnie— |
Polesession_id | Typjson_value | WymaganieOpcjonalne | Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu. | Domyślnie— |
Poletrace | Typjson_value | WymaganieOpcjonalne | Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu. | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: Odrzucono provider.options | Domyślnie— |
text_to_embedding
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input |
Parametrinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametrencoding_format | Kontraktfloat |
Parametrdimensions_override | Kontraktfalse |
Parametrmax_input_budget_units | Kontrakt32000 |
Parametrmultimodal_objects | Kontraktfalse |
Parametrmaterial_types | Kontrakttext, token_ids |
Cykl życia: synchronous_json
Zachowaj indeks i liczbę wymiarów każdego wektora.
Nawet jeśli nazwa modelu wskazuje na multimodalność, ta konkretna ścieżka nie obsługuje obiektów obrazów.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00024 / 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}"\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
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wektor wraz z jego indeksem. Liczba wektorów musi być równa liczbie elementów wejściowych; wszystkie wektory muszą mieć tę samą liczbę wymiarów.
Nie wprowadzono endpointu zadań generowania osadzeń.
| Pole | Typ |
|---|---|
Poleobject | Typstring |
Polemodel | Typstring |
Poledata[].index | Typinteger |
Poledata[].embedding | Typfinite float[] |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra voyageai/voyage-4-large
Użyj ścieżek metod podanych powyżej.