Viaje AI / voyage-code-2
Milvus Integrated
Tarea: Inserción
Modalidad: Texto
Métrica de Similitud: Cualquiera (Normalizado)
Licencia: Propietario
Dimensiones: 1536
Tokens de Entrada Máximos: 16000
Precio: 0,12 $/1 millón de fichas
Introducción a voyage-code-2
voyage-code-2 es el modelo de incrustación de texto de Voyage AI optimizado para la recuperación de códigos (un 17% mejor que las alternativas).
Comparación de voyage-code-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 uso general optimizado para equilibrar el coste, la latencia y la calidad de recuperación. |
Cómo crear incrustaciones con voyage-code-2
Hay dos formas principales de crear incrustaciones vectoriales:
- PyMilvus: el SDK de Python para Milvus que integra perfectamente el modelo
voyage-code-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 modelo, MilvusClient
ef = model.dense.VoyageEmbeddingFunction(
model_name="voyage-code-2",
api_key="tu-voyage-api-key",
)
# Generar incrustaciones para documentos
documentos = [
"retriever = KNNRetriever.from_texts(documents, embeddings)",
"knn = KNeighborsClassifier(n_neighbors=3)",
"sorted_numbers = sorted(numbers)",
"def programación_dinámica(): print('si')",
"documentos_embds = get_embeddings(documentos)",
"response = client.embeddings.create(input = documentos, model='text-embedding-ada-002')"
]
docs_embeddings = ef.encode_documents(docs)
# Generar incrustaciones para consultas
queries = ["¿Está la función programación_dinámica() implementada usando programación dinámica?"]
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
vo = voyageai.Client(api_key="tu-voyage-api-key")
# Generar incrustaciones para documentos
docs = [
"retriever = KNNRetriever.from_texts(documents, embeddings)",
"knn = KNeighborsClassifier(n_neighbors=3)",
"sorted_numbers = sorted(numbers)",
"def programación_dinámica(): print('si')",
"documentos_embds = get_embeddings(documentos)",
"response = client.embeddings.create(input = documentos, model='text-embedding-ada-002')"
]
docs_embeddings = vo.embed(docs, model="voyage-code-2", input_type="document").embeddings
# Generar incrustaciones para consultas
queries = ["¿Está la función programación_dinámica() implementada usando programación dinámica?"]
query_embeddings = vo.embed(queries, model="voyage-code-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=1536,
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
