voyage-4-lite är den latensfokuserade textinbäddningsmodellen i Voyage AI:s Voyage 4-familj. Den representerar frågor och dokument som numeriska vektorer för generell informationssökning. Dess särskiljande familjeegenskap är ett gemensamt inbäddningsrum med voyage-4, voyage-4-large och voyage-4-nano, vilket låter fråge- och dokumentmodeller väljas separat.
Förbered användarens informationsbehov som en fråga och det sökbara materialet som dokument. Voyage rekommenderar indatatyperna query/document för sökning; det publicerade receptet lägger till motsvarande sökinstruktion när texten vektoriseras.
För en samling personalhandböcker bör en fråga om att överföra outtagen ledighet till nästa period jämföras med de specifika regelavsnitten. Behåll regeln, dess villkor och eventuella relevanta undantag i den indexerade passagen. Behåll originaldokumentet och avsnittsidentifieraren bredvid vektorn så att applikationen kan returnera den faktiska regeltexten.
En ospecificerad indatatyp representerar texten direkt, medan query/document-rollerna anpassar den för sökning. Tillverkaren anger att inbäddningar som produceras med och utan dessa rollinställningar är kompatibla, men en konsekvent förberedelsepolicy gör samlingen lättare att bedöma.
Voyage dokumenterar uttryckligen ett asymmetriskt sökarbetsflöde: Dokument kan kodas med voyage-4-large och sökas med frågevektorer från voyage-4-lite. Detta är ett kompatibilitetsuttalande på familjenivå, inte en slutsats från att två modeller returnerar samma vektorlängd.
Håll vald vektordimension och representation samordnade mellan samlingen och frågesidan. Det gemensamma rummet tillåter också att frågemodellen ändras inom denna namngivna Voyage 4-textfamilj utan att befintliga dokument vektoriseras på nytt. Bedöm den resulterande rangordningen med representativa frågor när frågeutgåvan väljs.
Lite-utgåvans roll är det mindre, latensfokuserade alternativet för frågor och textinbäddning. Tillverkaren tillskriver mixture-of-experts-arkitekturen specifikt voyage-4-large; familjenamnet fastställer inte den arkitekturen för Lite.
Den publicerade kontextlängden är 32 000 token per text. Standardvektorn har 1024 dimensioner, med 256, 512 och 2048 också tillgängliga genom Matryoshka-inlärning. Tillverkarens textinbäddningsflöde dokumenterar flyttalsrepresentationer, 8-bitars heltalsrepresentationer med eller utan tecken och bitpackade binärrepresentationer för voyage-4-lite.
För vanliga flyttalsvektorer beskriver Voyages likhetsvägledning inbäddningar med enhetslängd, vilket gör cosinuslikhet och skalärproduktslikhet ekvivalenta. Kvantiserade former behöver motsvarande representationshantering. Till exempel lagrar en bitpackad binärlista åtta inbäddningsbitar i varje byte; listlängden skiljer sig från den semantiska vektordimensionen.
I Voyages dokumenterade batchrecept innehåller en lista högst 1000 texter och en miljon token totalt för denna exakta Lite-utgåva. Standardbeteendet för för långa indata kapar varje enskild text till kontextgränsen; alternativinställningen avvisar för långa indata. Dessa batchgränser och gränser per text är olika.
Dela långt källmaterial i sammanhängande avsnitt som kan returneras som evidens. En kontext på 32 000 token tillåter långa indata, men en användbar sökenhet bör fortfarande leda till det relevanta källavsnittet. Ta med rubriken eller den identifierande detalj som behövs för att tolka en regel.
För RAG hämtar du kandidatavsnitt och ger deras originaltext till svarsskrivningssteget med källkopplingar. Inbäddningsmodellen producerar vektorer och genererar inte ett regelsvar. Likhet rangordnar kandidater under den valda modellen och jämförelseinställningarna; granska den faktiska passagen för det exakta villkor frågan gäller.
Den användbara utgåvespecifika kombinationen i voyage-4-lite är en latensfokuserad textmodell, flexibla representationer, en kontext på 32 000 token och dokumenterad kompatibilitet inom Voyage 4-textfamiljen. Behåll egenskaperna tillsammans med den indexerade samlingen och använd källbaserade sökresultat för att stödja den omgivande applikationen.
", "aboutText": "voyage-4-lite är den latensfokuserade textinbäddningsmodellen i Voyage AI:s Voyage 4-familj. Den representerar frågor och dokument som numeriska vektorer för generell informationssökning. Dess särskiljande familjeegenskap är ett gemensamt inbäddningsrum med voyage-4, voyage-4-large och voyage-4-nano, vilket låter fråge- och dokumentmodeller väljas separat.\n\n### Börja med sökrollerna\n\nFörbered användarens informationsbehov som en fråga och det sökbara materialet som dokument. Voyage rekommenderar indatatyperna query/document för sökning; det publicerade receptet lägger till motsvarande sökinstruktion när texten vektoriseras.\n\nFör en samling personalhandböcker bör en fråga om att överföra outtagen ledighet till nästa period jämföras med de specifika regelavsnitten. Behåll regeln, dess villkor och eventuella relevanta undantag i den indexerade passagen. Behåll originaldokumentet och avsnittsidentifieraren bredvid vektorn så att applikationen kan returnera den faktiska regeltexten.\n\nEn ospecificerad indatatyp representerar texten direkt, medan query/document-rollerna anpassar den för sökning. Tillverkaren anger att inbäddningar som produceras med och utan dessa rollinställningar är kompatibla, men en konsekvent förberedelsepolicy gör samlingen lättare att bedöma.\n\n### Gemensamt rum inom Voyage 4-textfamiljen\n\nVoyage dokumenterar uttryckligen ett asymmetriskt sökarbetsflöde: Dokument kan kodas med voyage-4-large och sökas med frågevektorer från voyage-4-lite. Detta är ett kompatibilitetsuttalande på familjenivå, inte en slutsats från att två modeller returnerar samma vektorlängd.\n\nHåll vald vektordimension och representation samordnade mellan samlingen och frågesidan. Det gemensamma rummet tillåter också att frågemodellen ändras inom denna namngivna Voyage 4-textfamilj utan att befintliga dokument vektoriseras på nytt. Bedöm den resulterande rangordningen med representativa frågor när frågeutgåvan väljs.\n\nLite-utgåvans roll är det mindre, latensfokuserade alternativet för frågor och textinbäddning. Tillverkaren tillskriver mixture-of-experts-arkitekturen specifikt voyage-4-large; familjenamnet fastställer inte den arkitekturen för Lite.\n\n### Kontext, dimensioner och resultatformat\n\nDen publicerade kontextlängden är 32 000 token per text. Standardvektorn har 1024 dimensioner, med 256, 512 och 2048 också tillgängliga genom Matryoshka-inlärning. Tillverkarens textinbäddningsflöde dokumenterar flyttalsrepresentationer, 8-bitars heltalsrepresentationer med eller utan tecken och bitpackade binärrepresentationer för voyage-4-lite.\n\nFör vanliga flyttalsvektorer beskriver Voyages likhetsvägledning inbäddningar med enhetslängd, vilket gör cosinuslikhet och skalärproduktslikhet ekvivalenta. Kvantiserade former behöver motsvarande representationshantering. Till exempel lagrar en bitpackad binärlista åtta inbäddningsbitar i varje byte; listlängden skiljer sig från den semantiska vektordimensionen.\n\nI Voyages dokumenterade batchrecept innehåller en lista högst 1000 texter och en miljon token totalt för denna exakta Lite-utgåva. Standardbeteendet för för långa indata kapar varje enskild text till kontextgränsen; alternativinställningen avvisar för långa indata. Dessa batchgränser och gränser per text är olika.\n\n### Förbered och granska sökresultat\n\nDela långt källmaterial i sammanhängande avsnitt som kan returneras som evidens. En kontext på 32 000 token tillåter långa indata, men en användbar sökenhet bör fortfarande leda till det relevanta källavsnittet. Ta med rubriken eller den identifierande detalj som behövs för att tolka en regel.\n\nFör RAG hämtar du kandidatavsnitt och ger deras originaltext till svarsskrivningssteget med källkopplingar. Inbäddningsmodellen producerar vektorer och genererar inte ett regelsvar. Likhet rangordnar kandidater under den valda modellen och jämförelseinställningarna; granska den faktiska passagen för det exakta villkor frågan gäller.\n\nDen användbara utgåvespecifika kombinationen i voyage-4-lite är en latensfokuserad textmodell, flexibla representationer, en kontext på 32 000 token och dokumenterad kompatibilitet inom Voyage 4-textfamiljen. Behåll egenskaperna tillsammans med den indexerade samlingen och använd källbaserade sökresultat för att stödja den omgivande applikationen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c6235c07bbaa20da6cf6de5e96ea73b3c460e3f707f07eba479c54a7b16c15d2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "voyageai/voyage-4-liteVoyage AI voyage-4-lite är den latensfokuserade textinbäddningsutgåvan i Voyage 4-familjen. Den stöder indata på 32 000 token, fyra valbara vektorstorlekar och kvantiserade representationer, med ett gemensamt inbäddningsrum kompatibelt med de andra Voyage 4-textmodellerna.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
voyage-4-lite är den latensfokuserade textinbäddningsmodellen i Voyage AI:s Voyage 4-familj. Den representerar frågor och dokument som numeriska vektorer för generell informationssökning. Dess särskiljande familjeegenskap är ett gemensamt inbäddningsrum med voyage-4, voyage-4-large och voyage-4-nano, vilket låter fråge- och dokumentmodeller väljas separat.
Förbered användarens informationsbehov som en fråga och det sökbara materialet som dokument. Voyage rekommenderar indatatyperna query/document för sökning; det publicerade receptet lägger till motsvarande sökinstruktion när texten vektoriseras.
För en samling personalhandböcker bör en fråga om att överföra outtagen ledighet till nästa period jämföras med de specifika regelavsnitten. Behåll regeln, dess villkor och eventuella relevanta undantag i den indexerade passagen. Behåll originaldokumentet och avsnittsidentifieraren bredvid vektorn så att applikationen kan returnera den faktiska regeltexten.
En ospecificerad indatatyp representerar texten direkt, medan query/document-rollerna anpassar den för sökning. Tillverkaren anger att inbäddningar som produceras med och utan dessa rollinställningar är kompatibla, men en konsekvent förberedelsepolicy gör samlingen lättare att bedöma.
Voyage dokumenterar uttryckligen ett asymmetriskt sökarbetsflöde: Dokument kan kodas med voyage-4-large och sökas med frågevektorer från voyage-4-lite. Detta är ett kompatibilitetsuttalande på familjenivå, inte en slutsats från att två modeller returnerar samma vektorlängd.
Håll vald vektordimension och representation samordnade mellan samlingen och frågesidan. Det gemensamma rummet tillåter också att frågemodellen ändras inom denna namngivna Voyage 4-textfamilj utan att befintliga dokument vektoriseras på nytt. Bedöm den resulterande rangordningen med representativa frågor när frågeutgåvan väljs.
Lite-utgåvans roll är det mindre, latensfokuserade alternativet för frågor och textinbäddning. Tillverkaren tillskriver mixture-of-experts-arkitekturen specifikt voyage-4-large; familjenamnet fastställer inte den arkitekturen för Lite.
Den publicerade kontextlängden är 32 000 token per text. Standardvektorn har 1024 dimensioner, med 256, 512 och 2048 också tillgängliga genom Matryoshka-inlärning. Tillverkarens textinbäddningsflöde dokumenterar flyttalsrepresentationer, 8-bitars heltalsrepresentationer med eller utan tecken och bitpackade binärrepresentationer för voyage-4-lite.
För vanliga flyttalsvektorer beskriver Voyages likhetsvägledning inbäddningar med enhetslängd, vilket gör cosinuslikhet och skalärproduktslikhet ekvivalenta. Kvantiserade former behöver motsvarande representationshantering. Till exempel lagrar en bitpackad binärlista åtta inbäddningsbitar i varje byte; listlängden skiljer sig från den semantiska vektordimensionen.
I Voyages dokumenterade batchrecept innehåller en lista högst 1000 texter och en miljon token totalt för denna exakta Lite-utgåva. Standardbeteendet för för långa indata kapar varje enskild text till kontextgränsen; alternativinställningen avvisar för långa indata. Dessa batchgränser och gränser per text är olika.
Dela långt källmaterial i sammanhängande avsnitt som kan returneras som evidens. En kontext på 32 000 token tillåter långa indata, men en användbar sökenhet bör fortfarande leda till det relevanta källavsnittet. Ta med rubriken eller den identifierande detalj som behövs för att tolka en regel.
För RAG hämtar du kandidatavsnitt och ger deras originaltext till svarsskrivningssteget med källkopplingar. Inbäddningsmodellen producerar vektorer och genererar inte ett regelsvar. Likhet rangordnar kandidater under den valda modellen och jämförelseinställningarna; granska den faktiska passagen för det exakta villkor frågan gäller.
Den användbara utgåvespecifika kombinationen i voyage-4-lite är en latensfokuserad textmodell, flexibla representationer, en kontext på 32 000 token och dokumenterad kompatibilitet inom Voyage 4-textfamiljen. Behåll egenskaperna tillsammans med den indexerade samlingen och använd källbaserade sökresultat för att stödja den omgivande applikationen.
POST /v1/embeddingstext, token_idsembedding| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser voyageai/voyage-4-lite | Standard— |
Fältinput | Typstring|string[]|integer[]|integer[][] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 Villkor: En homogen batch som inte är tom. Token-ID:n är heltal som är större än eller lika med noll. Indatabudget: Maximum: 32 000 · Textenhet: UTF8-byte · Tokenenhet: element i en tokenarray | Standard— |
Fältencoding_format | Typstring | KravValfritt | Värden & gränser float | Standardfloat |
Fältdimensions | Typinteger | KravStöds inte | Värden & gränser Minimum: 1 | Standard— |
Fältuser | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fältsession_id | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fälttrace | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisades | Standard— |
text_to_embedding
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input |
Parameterinput_shapes | Avtalstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalfloat |
Parameterdimensions_override | Avtalfalse |
Parametermax_input_budget_units | Avtal32000 |
Parametermultimodal_objects | Avtalfalse |
Parametermaterial_types | Avtaltext, token_ids |
Livscykel: synchronous_json
Behåll varje vektorindex och dimension.
Att modellen har ett multimodalt namn innebär inte att bildobjekt tillåts på just denna anropsväg.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00004 / 1K token Utdata · Utdatatoken $0 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje vektor tillsammans med dess index. Antalet vektorer måste vara lika med antalet indataobjekt; dimensionerna måste vara konsekventa.
Ingen endpoint för inbäddningsjobb införs.
| Fält | Typ |
|---|---|
Fältobject | Typstring |
Fältmodel | Typstring |
Fältdata[].index | Typinteger |
Fältdata[].embedding | Typfinite float[] |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra voyageai/voyage-4-lite
Använd metodsökvägarna som visas ovan.