हम cookies इस्तेमाल करते हैं. Cookies और ब्राउज़र स्टोरेज आपको साइन इन रखते हैं और आपकी प्राथमिकताएं याद रखते हैं। आपकी अनुमति से हम यह भी मापते हैं कि साइट कैसे इस्तेमाल होती है। आप कभी भी । हमारी cookie नीति देखें।
mongodb/voyage-4-liteऊपर दी गई कीमतों पर आपके बैलेंस से चलता है। नए अकाउंट मुफ्त उपयोग से शुरू होते हैं।
सेटिंग्स
MongoDB द्वारा VoyageAI: voyage-4-lite, MongoDB द्वारा VoyageAI का एक हल्का, सामान्य-उद्देश्य वाला embedding मॉडल है। यह embeddings श्रेणी में आता है, इसलिए इसका काम चैट प्रतिक्रियाएँ उत्पन्न करना नहीं, बल्कि टेक्स्ट को वेक्टर प्रतिनिधित्व में बदलना है। यह मॉडल कम विलंबता और लागत के लिए बनाया गया है, जो इसे तब एक उचित डिफ़ॉल्ट बनाता है जब आपको बड़ी मात्रा में embeddings चाहिए और अनुरोध पथ में कोई भारी मॉडल नहीं चाहिए। इसे प्रदाता ने 2026-07-27 को जारी किया था।
मॉडल इनपुट के रूप में टेक्स्ट स्वीकार करता है और आउटपुट के रूप में embeddings उत्पन्न करता है। इसकी context length 32000 tokens है, और अधिकतम आउटपुट 28800 है। प्रदाता बताता है कि voyage-4-lite, Matryoshka learning और quantization-aware training द्वारा सक्षम है। Matryoshka learning उन डेवलपर्स के लिए प्रासंगिक है जो उपयोगी संरचना बनाए रखते हुए embeddings को छोटे आयामों तक छोटा करना चाहते हैं, और quantization-aware training तब प्रासंगिक है जब embeddings को संपीड़ित प्रतिनिधित्व के अंतर्गत सटीक बने रहना होता है। दोनों तब मायने रखते हैं जब आप किसी retrieval system के लिए embedding मॉडल चुन रहे हों, न कि किसी एकल एकबारगी वेक्टर के लिए।
व्यावहारिक उपयोग के मामले सीधे उन गुणों से निकलते हैं। दस्तावेज़ संग्रहों पर semantic search और retrieval स्पष्ट रूप से उपयुक्त हैं, जिसमें MongoDB Atlas और समान भंडारों के भीतर vector search भी शामिल है। चूँकि मॉडल सामान्य उद्देश्य का है, यह clustering और विषय समूहन, deduplication और निकट-डुप्लिकेट पहचान, embedding वेक्टर के ऊपर बनाई गई classification सुविधाओं, और अनुशंसा या समानता मिलान के लिए भी काम करता है, जहाँ वस्तुओं की तुलना कीवर्ड ओवरलैप के बजाय अर्थ के आधार पर की जाती है। 32000 token का context इसका मतलब है कि लंबे अंश, जैसे पूरे पृष्ठ या बहु-अनुभागीय दस्तावेज़, कई छोटे हिस्सों में विभाजित होने के बजाय एक ही अनुरोध में embed किए जा सकते हैं, जो indexing pipelines को सरल बनाता है।
आप मॉडल को model id "mongodb/voyage-4-lite" का उपयोग करके api14 के OpenAI-संगत API के माध्यम से कॉल करते हैं। चूँकि endpoint OpenAI embeddings आकार का अनुसरण करता है, आप अपना टेक्स्ट input फ़ील्ड में भेजते हैं और प्रतिक्रिया से वेक्टर पढ़ते हैं। मॉडल मानक embeddings कॉल से परे कोई अतिरिक्त अनुरोध पैरामीटर समर्थित नहीं करता, इसलिए सेट करने के लिए कोई temperature, top_p या समान सैंपलिंग कॉन्फ़िगरेशन नहीं है। अनुरोधों को 32000 token context के भीतर रखें और 28800 तक के आउटपुट की अपेक्षा करें।
यदि आपको ऐसा मॉडल चाहिए जो टेक्स्ट उत्पन्न करता हो, छवियों या ऑडियो को संभालता हो, या समायोज्य generation पैरामीटर समर्थित करता हो, तो embeddings मॉडल गलत उपकरण है और एक चैट या multimodal मॉडल बेहतर फिट होगा। embeddings के काम के भीतर, voyage-4-lite का लक्ष्य कम विलंबता और लागत है, इसलिए यदि आपका कार्य किसी बड़े या अधिक विशेषीकृत embedding मॉडल पर निर्भर करता है, तो विचार करें कि प्रदाता और क्या प्रदान करता है।
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));
इस कम्युनिटी में अभी कोई टॉपिक नहीं है। VoyageAI by MongoDB: voyage-4-lite के बारे में पहला टॉपिक खोलें।