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-code-4Läuft über Ihr Guthaben zu den oben genannten Preisen. Neue Konten starten mit kostenloser Nutzung.
Einstellungen
VoyageAI von MongoDB: voyage-code-4 ist ein Code-Embedding-Modell von Voyage AI, einem Unternehmen von MongoDB. Es gehört zur Kategorie der Embeddings, seine Aufgabe ist es also, Eingaben in Vektoren umzuwandeln, statt Chat-Antworten zu generieren. Es ist für Coding-Agents und Code-Retrieval konzipiert, was es in den Teil eines Stacks einordnet, in dem Code als Vektoren repräsentiert werden muss, die gespeichert, verglichen und durchsucht werden können.
Das Modell akzeptiert Text als Eingabe und erzeugt Embeddings als Ausgabe. Es hat eine Kontextlänge von 32.000 Tokens und eine maximale Ausgabe von 28.800, und es verwendet Matryoshka-Embeddings mit 2048 Dimensionen. Matryoshka-Embeddings können auf kürzere Längen gekürzt werden und bleiben dabei nutzbar, was Ihnen Flexibilität dabei gibt, wie viel Vektorspeicher und Rechenleistung Sie einsetzen. Da die Eingabemodalität Text ist, arbeitet das Modell mit Code, der als Text serialisiert wurde, so wie Quelldateien, Diffs und Snippets normalerweise einen Embedding-Endpunkt erreichen.
Diese Fähigkeiten deuten auf eine ziemlich spezifische Gruppe von Anwendungen hin. Code-Retrieval ist die zentrale: ein Repository indexieren, sodass eine Suchanfrage, eine natürlichsprachliche Beschreibung oder ein Codefragment die relevantesten Dateien oder Funktionen zurückgibt. Coding-Agents können dieselben Embeddings nutzen, um relevanten Kontext zu finden, bevor sie Code bearbeiten oder generieren, was den Agent in der tatsächlichen Codebasis verankert, statt sich darauf zu verlassen, was in einen Prompt passt. Der Kontext von 32.000 Tokens bedeutet, dass größere Dateien oder mehrere Dateiabschnitte in einer einzigen Anfrage eingebettet werden können, und die Matryoshka-Eigenschaft lässt Sie beim Entwurf Ihres Index Vektorgröße gegen Retrieval-Qualität abwägen.
Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID "mongodb/voyage-code-4" auf. Da die Schnittstelle dem OpenAI-Format folgt, können Sie einen vorhandenen OpenAI-Client auf api14 ausrichten und Embedding-Anfragen senden, ohne Ihre Integration neu zu schreiben. Das Modell unterstützt keine zusätzlichen Anfrageparameter, Sie senden also die Modell-ID und Ihren Eingabetext und lesen die zurückgegebenen Vektoren. Es gibt hier keine Chat-Completion-Oberfläche und keine Tool-Aufrufe oder strukturierte Ausgabe zum Konfigurieren.
Behalten Sie den Anwendungsbereich im Blick, wenn Sie es auswählen. Dies ist ein Embedding-Modell, es wird also keine Fragen beantworten, keinen Code schreiben und kein Gespräch führen; kombinieren Sie es mit einem generativen Modell, wenn Sie diese Verhaltensweisen benötigen. Wenn Ihre Aufgabe allgemeine semantische Suche über Fließtext statt über Code ist, passt ein Text-Embedding-Modell möglicherweise besser, und wenn Sie Generierung benötigen, brauchen Sie ein ganz anderes Modell. Für Code-Retrieval und Kontext für Coding-Agents ist voyage-code-4 genau dafür gebaut.
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-code-4",
"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-code-4.