Viaje AI / voyage-2
Milvus Integrated
Tarea: Inserción
Modalidad: Texto
Métrica de Similitud: Cualquiera (Normalizado)
Licencia: Propietario
Dimensiones: 1024
Tokens de Entrada Máximos: 4000
Precio: 0,1 $/1 millón de fichas
Introducción a voyage-2
voyage-2 es el modelo de incrustación de texto de uso general de Voyage AI optimizado para equilibrar coste, latencia y calidad de recuperación.
Comparación de voyage-2 con otros modelos de incrustación populares de Voyage AI:
| Modelo Longitud del contexto (tokens) Dimensión de incrustación Descripción | |||
| Voyage-large-2-instruct 16000 1024 Top of MTEB leaderboard. Modelo de incrustación de propósito general ajustado a las instrucciones y optimizado para agrupación, clasificación y recuperación. | |||
| voyage-multilingual-2 | 32000 | 1024 | Optimizado para recuperación multilingüe y RAG. |
| voyage-code-2 | 16000 | 1536 | Optimizado para la recuperación de códigos (un 17% mejor que las alternativas). |
| voyage-large-2 | 16000 | 1536 | Modelo de incrustación de uso general optimizado para la calidad de la recuperación (por ejemplo, mejor que OpenAI V3 Large). |
| voyage-2 | 4000 | 1024 | Modelo de incrustación de propósito general optimizado para un equilibrio entre coste, latencia y calidad de recuperación. |
Cómo crear incrustaciones de texto con voyage-2
Hay dos formas principales de crear incrustaciones vectoriales:
- PyMilvus: el SDK de Python para Milvus que integra perfectamente el modelo
voyage-2. - Voyage AI Embedding: el SDK de Python ofrecido por Voyage AI.
Una vez generadas las incrustaciones vectoriales, pueden almacenarse en Zilliz Cloud (un servicio de base de datos vectorial totalmente gestionado e impulsado por Milvus) y utilizarse para la búsqueda de similitud semántica. He aquí cuatro pasos clave:
- Registrarse para obtener una cuenta de Zilliz Cloud de forma gratuita.
- Configura un clúster sin servidor y obtén el Public Endpoint and API Key.
- Crea una colección de vectores e inserta tus incrustaciones vectoriales.
- Ejecuta una búsqueda semántica en las incrustaciones almacenadas.
Generar incrustaciones vectoriales a través de PyMilvus e insertarlas en Zilliz Cloud para la búsqueda semántica.
from pymilvus import model, MilvusClient
ef = model.dense.VoyageEmbeddingFunction(
model_name="viaje-2",
api_key="tu-voyage-api-key",
)
# Generar incrustaciones para documentos
docs = [
"La inteligencia artificial se fundó como disciplina académica en 1956",
"Alan Turing fue la primera persona en realizar una investigación sustancial en IA.",
"Nacido en Maida Vale, Londres, Turing se crió en el sur de Inglaterra."
]
docs_embeddings = ef.encode_documents(docs)
# Generar incrustaciones para consultas
queries = ["¿Cuándo se fundó la inteligencia artificial?
"¿Dónde nació Alan Turing?"]
query_embeddings = ef.encode_queries(queries)
# Conectar a Zilliz Cloud con el punto final público y la clave API
client = MilvusClient(
uri=ZILLIZ_PUBLIC_ENDPOINT,
token=ZILLIZ_API_KEY)
COLECCIÓN = "documentos"
if client.has_collection(nombre_coleccion=COLECCION):
client.drop_collection(nombre_coleccion=COLECCION)
client.create_collection(
nombre_colección=COLECCIÓN,
dimensión=ef.dim,
auto_id=True)
for doc, embedding in zip(docs, docs_embeddings):
client.insert(COLLECTION, {"texto": doc, "vector": incrustación})
resultados = client.search(
nombre_colección=COLECCIÓN,
datos=consulta_incrustaciones,
consistency_level="Strong",
output_fields=["text"])
Para más información, consulte nuestra Documentación sobre el modelo de incrustación de PyMilvus.
Generar incrustaciones vectoriales a través de Voyage AI 's Python SDK e insertarlas en Zilliz Cloud para la búsqueda semántica.
import voyageai
from pymilvus import MilvusClient
VOYAGE_API_KEY = "tu-clave-api-de-viaje"
vo = voyageai.Client(api_key=VOYAGE_API_KEY)
# Generar incrustaciones para documentos
docs = [
"La inteligencia artificial se fundó como disciplina académica en 1956",
"Alan Turing fue la primera persona en realizar una investigación sustancial en IA",
"Nacido en Maida Vale, Londres, Turing se crió en el sur de Inglaterra."
]
docs_embeddings = vo.embed(docs, model="voyage-2", input_type="document").embeddings
# Generar incrustaciones para consultas
queries = ["¿Cuándo se fundó la inteligencia artificial?
"¿Dónde nació Alan Turing?"]
query_embeddings = vo.embed(queries, model="voyage-2", input_type="query").embeddings
# Conectarse a Zilliz Cloud con el punto final público y la clave API
client = MilvusClient(
uri=ZILLIZ_PUBLIC_ENDPOINT,
token=ZILLIZ_API_KEY)
COLECCIÓN = "documentos"
if client.has_collection(nombre_coleccion=COLECCION):
client.drop_collection(nombre_coleccion=COLECCION)
client.create_collection(
nombre_colección=COLECCIÓN,
dimensión=1024,
auto_id=True)
for doc, embedding in zip(docs, docs_embeddings):
client.insert(COLLECTION, {"texto": doc, "vector": incrustación})
resultados = client.search(
nombre_colección=COLECCIÓN,
datos=consulta_incrustaciones,
consistency_level="Strong",
output_fields=["text"])
Para más información, consulte Voyage AI Embedding Guide.
Flujos de trabajo de IA sin interrupciones
Desde incrustaciones hasta búsqueda de IA escalable—Zilliz Cloud te permite almacenar, indexar y recuperar incrustaciones con una velocidad y eficiencia inigualables.
Prueba Zilliz Cloud Gratis
