Wir verwenden Cookies. Cookies und Browserspeicher halten Sie angemeldet und merken sich Ihre Einstellungen. Mit Ihrer Zustimmung messen wir außerdem, wie die Website genutzt wird. Sie können jederzeit . Siehe unsere Cookie-Richtlinie.
mongodb/voyage-4-largeLäuft über Ihr Guthaben zu den oben genannten Preisen. Neue Konten starten mit kostenloser Nutzung.
Einstellungen
VoyageAI von MongoDB: voyage-4-large ist ein universelles und mehrsprachiges Embedding-Modell von VoyageAI von MongoDB. Es gehört zur Kategorie der Embeddings, seine Aufgabe ist es also, Text in Vektordarstellungen umzuwandeln, statt Chat-Antworten zu generieren. Es ist auf Retrieval-Qualität ausgelegt, was es zu einem natürlichen Fit für Such- und Retrieval-Systeme macht, bei denen die Qualität der Vektordarstellung direkt beeinflusst, was abgerufen wird.
Das Modell akzeptiert Text als Eingabe und gibt Embeddings als Ausgabe zurück. Es hat eine Kontextlänge von 32.000 Tokens und eine maximale Ausgabe von 28.800. Sein Design wird durch Matryoshka-Lernen und quantisierungsbewusstes Training ermöglicht, und es unterstützt Embeddings. Da es mehrsprachig und universell einsetzbar ist, kann es auf Text in mehr als einer Sprache angewendet werden, ohne zu einem separaten Modell zu wechseln.
Praktische Anwendungsfälle ergeben sich aus diesen Eigenschaften. Retrieval ist der primäre: das Indexieren von Dokumenten, Passagen oder Datensätzen und das Einbetten von Abfragen, sodass eine Suchschicht Ergebnisse nach semantischer Ähnlichkeit ordnen kann. Mehrsprachige Korpora sind gut geeignet, da dasselbe Modell Inhalte und Abfragen über Sprachen hinweg einbetten kann. Matryoshka-Lernen bedeutet, dass die Embeddings auf verschiedenen Trunkierungsebenen verwendet werden können, was nützlich ist, wenn Sie in einem Vektorindex Speicherplatz oder Latenz gegen Retrieval-Qualität abwägen müssen. Quantisierungsbewusstes Training ist wichtig, wenn Embeddings in komprimierter Form gespeichert werden, da es die Qualität näher an Vektoren mit voller Präzision hält.
Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID "mongodb/voyage-4-large" auf. Da der Endpunkt dem OpenAI-Format folgt, können Sie einen vorhandenen OpenAI-Client auf api14 richten und Embedding-Anfragen auf die übliche Weise senden, mit der Modell-ID im Anfragetext. Das Modell unterstützt keine zusätzlichen Anfrageparameter, daher bleiben die Anfragen einfach: die Modell-ID und der Eingabetext sind das, worauf es ankommt. Die Live-Preistabelle der Seite zeigt die aktuellen Tarife.
Eine Einschränkung sollten Sie beachten: Dies ist ein Embedding-Modell, kein Textgenerator. Wenn Sie Chat-Vervollständigungen, Reasoning, Tool-Aufrufe oder eine andere generierte Textausgabe benötigen, ist ein anderes Modell die richtige Wahl. Voyage-4-large dient der Erzeugung von Vektoren, und sein Kontext von 32.000 Tokens begrenzt, wie viel Text in eine einzelne Embedding-Anfrage passt.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.embeddings.create({
"model": "mongodb/voyage-4-large",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
In dieser Community gibt es noch keine Themen. Eröffnen Sie das erste zu VoyageAI by MongoDB: voyage-4-large.