Usamos cookies. Las cookies y el almacenamiento del navegador mantienen tu sesión iniciada y recuerdan tus preferencias. Con tu permiso, también medimos cómo se usa el sitio. Puedes en cualquier momento. Consulta nuestra política de cookies.
mongodb/voyage-4-liteSe ejecuta con tu saldo a los precios indicados arriba. Las cuentas nuevas empiezan con uso gratuito.
Configuración
VoyageAI by MongoDB: voyage-4-lite es un modelo de embeddings ligero y de propósito general de VoyageAI by MongoDB. Se sitúa en la categoría de embeddings, por lo que su función es convertir texto en representaciones vectoriales en lugar de generar respuestas de chat. El modelo está diseñado para baja latencia y coste, lo que lo convierte en una opción predeterminada razonable cuando necesitas embeddings a gran volumen y no quieres un modelo más pesado en la ruta de la solicitud. Fue lanzado por el proveedor el 2026-07-27.
El modelo acepta texto como entrada y produce embeddings como salida. Su longitud de contexto es de 32000 tokens, y la salida máxima es de 28800. El proveedor señala que voyage-4-lite está habilitado por aprendizaje Matryoshka y entrenamiento con reconocimiento de cuantización. El aprendizaje Matryoshka es relevante para los desarrolladores que quieren truncar los embeddings a dimensiones más cortas manteniendo una estructura útil, y el entrenamiento con reconocimiento de cuantización es relevante cuando los embeddings necesitan mantenerse precisos bajo representaciones comprimidas. Ambos importan cuando eliges un modelo de embeddings para un sistema de recuperación en lugar de para un único vector puntual.
Los casos de uso prácticos se derivan directamente de esas propiedades. La búsqueda semántica y la recuperación sobre colecciones de documentos son el encaje obvio, incluida la búsqueda vectorial dentro de MongoDB Atlas y almacenes similares. Debido a que el modelo es de propósito general, también sirve para agrupamiento y agrupación por temas, deduplicación y detección de casi duplicados, características de clasificación construidas sobre vectores de embeddings, y coincidencia por recomendación o similitud donde los elementos se comparan por significado en lugar de por coincidencia de palabras clave. El contexto de 32000 tokens significa que pasajes más largos, como páginas completas o documentos con varias secciones, pueden incluirse en una sola solicitud en lugar de dividirse en muchos fragmentos pequeños, lo que simplifica las canalizaciones de indexación.
Llamas al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "mongodb/voyage-4-lite". Debido a que el endpoint sigue la forma de embeddings de OpenAI, envías tu texto en el campo input y lees los vectores de vuelta desde la respuesta. El modelo no admite parámetros de solicitud adicionales más allá de la llamada de embeddings estándar, por lo que no hay temperature, top_p ni una configuración de muestreo similar que establecer. Mantén las solicitudes dentro del contexto de 32000 tokens y espera salidas de hasta 28800.
Si necesitas un modelo que genere texto, maneje imágenes o audio, o admita parámetros de generación ajustables, un modelo de embeddings es la herramienta equivocada y un modelo de chat o multimodal encajará mejor. Dentro del trabajo de embeddings, voyage-4-lite está orientado a baja latencia y coste, así que si tu tarea depende de un modelo de embeddings más grande o más especializado, considera qué más ofrece el proveedor.
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-lite",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
Esta comunidad aún no tiene temas. Abre el primero sobre VoyageAI by MongoDB: voyage-4-lite.