Voyage 3 Large — модель текстовых эмбеддингов для поиска нужной информации в коллекции документов. Она представляет каждый предоставленный текст числовым вектором, позволяя приложению сравнивать поисковый запрос с фрагментами, формулировки которых могут отличаться, но смысл связан. Voyage AI позиционирует эту версию для универсального и многоязычного поиска по технической документации, разговорам, длинным документам и другим материалам.
Создавайте поисковую коллекцию из информации, которую людям действительно нужно находить. В базе знаний продукта сохраняйте объяснение функции вместе с её предварительными условиями и важными исключениями. В записях встреч сохраняйте метки говорящих и достаточный окружающий контекст для понимания темы. Разделяйте крупный источник по полезным границам и сохраняйте название источника, идентификатор документа и положение фрагмента рядом с каждым вектором.
Подготавливайте поисковый вопрос как запрос, а индексируемый материал — как документы. В процессе текстовых эмбеддингов производителя тип входных данных сообщает модели поисковую роль текста. Например, запрос «Как участнику восстановить доступ после потери ключа безопасности?» можно сравнить с фрагментами поддержки, описывающими восстановление, даже если они сформулированы иначе. Сохраняйте исходный фрагмент доступным, чтобы результат поиска показывал данные, стоящие за совпадением.
У модели контекстное окно 32 000 токенов. Длинный ввод может сохранить целый раздел, но полный документ не всегда наиболее полезная единица поиска. Обобщённый вектор может указать верный файл, оставив читателю поиск точного ответа. Выбирайте границы фрагментов под результат, который хотите показывать, и сохраняйте заголовки, оговорки и определения вместе с поясняемым содержанием.
Voyage 3 Large поддерживает векторы размерностью 2 048, 1 024, 512 или 256. Производитель также документирует представления с плавающей точкой, знаковые или беззнаковые восьмибитные и двоичные представления. Эти варианты позволяют поисковой системе сопоставить детализацию вектора с размером индекса и поведением поиска. Выбирайте формат, поддерживаемый нужным векторным хранилищем, затем проверяйте его на реальном корпусе и характерных вопросах до выбора настроек рабочего индекса.
Для многоязычного поиска включайте проверочные вопросы на языках пользователей и проверяйте найденные фрагменты на языке оригинала. Единый поисковый интерфейс может обслуживать коллекции нескольких языков, а метаданные документов всё равно определяют язык и версию источника. При извлечении сохраняйте значимые имена, сокращения и отраслевые термины, не заменяя их общим резюме перед созданием эмбеддинга.
Используйте векторы для поиска фрагментов-кандидатов для поисковой страницы, помощника по базе знаний или этапа выбора документов. Используйте одинаковую модель и настройки векторов для индексируемой коллекции и её запросов. При замене модели эмбеддингов или изменении размерности намеренно перестраивайте и сравнивайте затронутый индекс; одна длина вектора не определяет способ его получения.
Оценивайте результат по полезности поиска: появляется ли верный фрагмент, не стоят ли близкие, но вводящие в заблуждение фрагменты выше него и содержит ли показанная выдержка ответ. Сохраняйте небольшой набор реальных вопросов с ожидаемыми источниками, включая неоднозначные формулировки и почти одинаковые документы. Эмбеддинг даёт поисковое представление; приложение сохраняет исходный текст, права доступа и ссылки, необходимые для превращения совпадения в полезный результат.
", "aboutText": "Voyage 3 Large — модель текстовых эмбеддингов для поиска нужной информации в коллекции документов. Она представляет каждый предоставленный текст числовым вектором, позволяя приложению сравнивать поисковый запрос с фрагментами, формулировки которых могут отличаться, но смысл связан. Voyage AI позиционирует эту версию для универсального и многоязычного поиска по технической документации, разговорам, длинным документам и другим материалам.\n\nСоздавайте поисковую коллекцию из информации, которую людям действительно нужно находить. В базе знаний продукта сохраняйте объяснение функции вместе с её предварительными условиями и важными исключениями. В записях встреч сохраняйте метки говорящих и достаточный окружающий контекст для понимания темы. Разделяйте крупный источник по полезным границам и сохраняйте название источника, идентификатор документа и положение фрагмента рядом с каждым вектором.\n\nПодготавливайте поисковый вопрос как запрос, а индексируемый материал — как документы. В процессе текстовых эмбеддингов производителя тип входных данных сообщает модели поисковую роль текста. Например, запрос «Как участнику восстановить доступ после потери ключа безопасности?» можно сравнить с фрагментами поддержки, описывающими восстановление, даже если они сформулированы иначе. Сохраняйте исходный фрагмент доступным, чтобы результат поиска показывал данные, стоящие за совпадением.\n\nУ модели контекстное окно 32 000 токенов. Длинный ввод может сохранить целый раздел, но полный документ не всегда наиболее полезная единица поиска. Обобщённый вектор может указать верный файл, оставив читателю поиск точного ответа. Выбирайте границы фрагментов под результат, который хотите показывать, и сохраняйте заголовки, оговорки и определения вместе с поясняемым содержанием.\n\nVoyage 3 Large поддерживает векторы размерностью 2 048, 1 024, 512 или 256. Производитель также документирует представления с плавающей точкой, знаковые или беззнаковые восьмибитные и двоичные представления. Эти варианты позволяют поисковой системе сопоставить детализацию вектора с размером индекса и поведением поиска. Выбирайте формат, поддерживаемый нужным векторным хранилищем, затем проверяйте его на реальном корпусе и характерных вопросах до выбора настроек рабочего индекса.\n\nДля многоязычного поиска включайте проверочные вопросы на языках пользователей и проверяйте найденные фрагменты на языке оригинала. Единый поисковый интерфейс может обслуживать коллекции нескольких языков, а метаданные документов всё равно определяют язык и версию источника. При извлечении сохраняйте значимые имена, сокращения и отраслевые термины, не заменяя их общим резюме перед созданием эмбеддинга.\n\nИспользуйте векторы для поиска фрагментов-кандидатов для поисковой страницы, помощника по базе знаний или этапа выбора документов. Используйте одинаковую модель и настройки векторов для индексируемой коллекции и её запросов. При замене модели эмбеддингов или изменении размерности намеренно перестраивайте и сравнивайте затронутый индекс; одна длина вектора не определяет способ его получения.\n\nОценивайте результат по полезности поиска: появляется ли верный фрагмент, не стоят ли близкие, но вводящие в заблуждение фрагменты выше него и содержит ли показанная выдержка ответ. Сохраняйте небольшой набор реальных вопросов с ожидаемыми источниками, включая неоднозначные формулировки и почти одинаковые документы. Эмбеддинг даёт поисковое представление; приложение сохраняет исходный текст, права доступа и ссылки, необходимые для превращения совпадения в полезный результат.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2064e8205eb391a3c7cc572da66a18e3e0dba03b0a752de9122eeff997fa1d99", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ru", "methods": [ { "html": "voyage-3-largeVoyage 3 Large превращает текст в векторы для универсального и многоязычного поиска. Входное окно 32 000 токенов, выбор размерности векторов и квантованные форматы поддерживают базы знаний с поиском, поиск документов и генерацию с дополнением из найденных материалов.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Voyage 3 Large — модель текстовых эмбеддингов для поиска нужной информации в коллекции документов. Она представляет каждый предоставленный текст числовым вектором, позволяя приложению сравнивать поисковый запрос с фрагментами, формулировки которых могут отличаться, но смысл связан. Voyage AI позиционирует эту версию для универсального и многоязычного поиска по технической документации, разговорам, длинным документам и другим материалам.
Создавайте поисковую коллекцию из информации, которую людям действительно нужно находить. В базе знаний продукта сохраняйте объяснение функции вместе с её предварительными условиями и важными исключениями. В записях встреч сохраняйте метки говорящих и достаточный окружающий контекст для понимания темы. Разделяйте крупный источник по полезным границам и сохраняйте название источника, идентификатор документа и положение фрагмента рядом с каждым вектором.
Подготавливайте поисковый вопрос как запрос, а индексируемый материал — как документы. В процессе текстовых эмбеддингов производителя тип входных данных сообщает модели поисковую роль текста. Например, запрос «Как участнику восстановить доступ после потери ключа безопасности?» можно сравнить с фрагментами поддержки, описывающими восстановление, даже если они сформулированы иначе. Сохраняйте исходный фрагмент доступным, чтобы результат поиска показывал данные, стоящие за совпадением.
У модели контекстное окно 32 000 токенов. Длинный ввод может сохранить целый раздел, но полный документ не всегда наиболее полезная единица поиска. Обобщённый вектор может указать верный файл, оставив читателю поиск точного ответа. Выбирайте границы фрагментов под результат, который хотите показывать, и сохраняйте заголовки, оговорки и определения вместе с поясняемым содержанием.
Voyage 3 Large поддерживает векторы размерностью 2 048, 1 024, 512 или 256. Производитель также документирует представления с плавающей точкой, знаковые или беззнаковые восьмибитные и двоичные представления. Эти варианты позволяют поисковой системе сопоставить детализацию вектора с размером индекса и поведением поиска. Выбирайте формат, поддерживаемый нужным векторным хранилищем, затем проверяйте его на реальном корпусе и характерных вопросах до выбора настроек рабочего индекса.
Для многоязычного поиска включайте проверочные вопросы на языках пользователей и проверяйте найденные фрагменты на языке оригинала. Единый поисковый интерфейс может обслуживать коллекции нескольких языков, а метаданные документов всё равно определяют язык и версию источника. При извлечении сохраняйте значимые имена, сокращения и отраслевые термины, не заменяя их общим резюме перед созданием эмбеддинга.
Используйте векторы для поиска фрагментов-кандидатов для поисковой страницы, помощника по базе знаний или этапа выбора документов. Используйте одинаковую модель и настройки векторов для индексируемой коллекции и её запросов. При замене модели эмбеддингов или изменении размерности намеренно перестраивайте и сравнивайте затронутый индекс; одна длина вектора не определяет способ его получения.
Оценивайте результат по полезности поиска: появляется ли верный фрагмент, не стоят ли близкие, но вводящие в заблуждение фрагменты выше него и содержит ли показанная выдержка ответ. Сохраняйте небольшой набор реальных вопросов с ожидаемыми источниками, включая неоднозначные формулировки и почти одинаковые документы. Эмбеддинг даёт поисковое представление; приложение сохраняет исходный текст, права доступа и ссылки, необходимые для превращения совпадения в полезный результат.
POST /v1/embeddingstextembedding| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения voyage-3-large Условия: Используйте точный идентификатор модели Ailoot. | По умолчанию— |
Полеinput | Типstring or array<string> | ТребованиеОбязательно | Значения и ограничения Условия: Текст или список текстов; сохраняйте по одному вектору для каждого возвращённого элемента data вместе с его индексом. | По умолчанию— |
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, input |
Параметрoptional | Контракт |
Параметрmaterial_types | Контрактtext |
Параметрconditions | КонтрактПередайте текст с выбранной моделью; сохраняйте каждый возвращённый вектор и его индекс. |
Жизненный цикл: synchronous
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
| Конфигурация | Шкала ставок | Плата |
|---|---|---|
| КонфигурацияБазовые тарифы на токены | Шкала ставокБазовая ставка | Плата Вход · Входные токены $0.0004 / 1K токенов Выход · Выходные токены $0 / 1K токенов Вход · Чтение кэша — / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncat > request.json <<'JSON'\n{\n "model": "voyage-3-large",\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-large
Используйте пути методов, указанные выше.