Używamy plików cookie. Pliki cookie i pamięć przeglądarki pozwalają utrzymać logowanie i zapamiętać Twoje preferencje. Za Twoją zgodą mierzymy też, jak korzystasz ze strony. W każdej chwili możesz . Zobacz naszą politykę cookie.
mongodb/voyage-4-liteKorzysta z Twojego salda według powyższych cen. Nowe konta zaczynają z darmowym użyciem.
Ustawienia
VoyageAI by MongoDB: voyage-4-lite to lekki, ogólnego przeznaczenia model embeddingowy od VoyageAI by MongoDB. Należy do kategorii embeddings, więc jego zadaniem jest zamiana tekstu na reprezentacje wektorowe, a nie generowanie odpowiedzi czatu. Model został zbudowany z myślą o niskich opóźnieniach i kosztach, co czyni go rozsądnym domyślnym wyborem, gdy potrzebujesz embeddingów na dużą skalę i nie chcesz umieszczać cięższego modelu na ścieżce żądania. Został udostępniony przez dostawcę 2026-07-27.
Model przyjmuje tekst jako dane wejściowe i zwraca embeddingi jako dane wyjściowe. Jego długość kontekstu wynosi 32000 tokenów, a maksymalne dane wyjściowe to 28800. Dostawca zauważa, że voyage-4-lite wykorzystuje uczenie Matryoshka oraz trening uwzględniający kwantyzację. Uczenie Matryoshka jest istotne dla deweloperów, którzy chcą skracać embeddingi do mniejszych wymiarów, zachowując użyteczną strukturę, a trening uwzględniający kwantyzację ma znaczenie, gdy embeddingi muszą pozostać dokładne przy skompresowanych reprezentacjach. Oba aspekty mają znaczenie, gdy wybierasz model embeddingowy do systemu wyszukiwania, a nie do pojedynczego wektora.
Praktyczne przypadki użycia wynikają bezpośrednio z tych właściwości. Wyszukiwanie semantyczne i wyszukiwanie w kolekcjach dokumentów to oczywiste zastosowanie, w tym wyszukiwanie wektorowe w MongoDB Atlas i podobnych magazynach. Ponieważ model jest ogólnego przeznaczenia, sprawdza się również w klastrowaniu i grupowaniu tematycznym, deduplikacji i wykrywaniu niemal identycznych elementów, cechach klasyfikacyjnych budowanych na wektorach embeddingowych oraz dopasowywaniu rekomendacji lub podobieństwa, gdzie elementy są porównywane według znaczenia, a nie według nakładania się słów kluczowych. Kontekst 32000 tokenów oznacza, że dłuższe fragmenty, takie jak pełne strony lub dokumenty wielosekcyjne, można osadzić w jednym żądaniu zamiast dzielić je na wiele małych fragmentów, co upraszcza potoki indeksowania.
Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu "mongodb/voyage-4-lite". Ponieważ endpoint jest zgodny ze strukturą embeddings OpenAI, wysyłasz tekst w polu input i odczytujesz wektory z odpowiedzi. Model nie obsługuje żadnych dodatkowych parametrów żądania poza standardowym wywołaniem embeddings, więc nie ma temperatury, top_p ani podobnej konfiguracji próbkowania do ustawienia. Utrzymuj żądania w kontekście 32000 tokenów i oczekuj danych wyjściowych do 28800.
Jeśli potrzebujesz modelu, który generuje tekst, obsługuje obrazy lub dźwięk, albo obsługuje konfigurowalne parametry generowania, model embeddingowy jest niewłaściwym narzędziem i lepiej sprawdzi się model czatu lub multimodalny. W ramach pracy z embeddingami voyage-4-lite jest ukierunkowany na niskie opóźnienia i koszty, więc jeśli Twoje zadanie zależy od większego lub bardziej specjalistycznego modelu embeddingowego, rozważ, co jeszcze oferuje dostawca.
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));
Ta społeczność nie ma jeszcze wątków. Załóż pierwszy wątek o VoyageAI by MongoDB: voyage-4-lite.