Viaggio AI / voyage-code-2
Milvus Integrated
Compito: Incorporazione
Modalità: Testo
Metrica di Similarità: Qualsiasi (normalizzato)
Licenza: Proprietario
Dimensioni: 1536
Token di Input Massimi: 16000
Prezzo: $ 0,12/1M di gettoni
Introduzione a voyage-code-2
voyage-code-2" è il modello di incorporazione del testo di Voyage AI ottimizzato per il recupero dei codici (17% migliore delle alternative).
Confronto tra voyage-code-2 e altri modelli di incorporamento popolari di Voyage AI:
| Modello | Lunghezza del contesto (token) | Dimensione di incorporamento | Descrizione |
| voyage-large-2-instruct | 16000 | 1024 | In cima alla classifica MTEB. Modello di incorporamento generale ottimizzato per il clustering, la classificazione e il recupero. |
| voyage-multilingual-2 | 32000 | 1024 | Ottimizzato per il recupero multilingue e il RAG. |
| voyage-code-2 | 16000 | 1536 | Ottimizzato per il recupero di codici (17% migliore delle alternative). |
| voyage-large-2 | 16000 | 1536 | Modello di incorporamento generico ottimizzato per la qualità del recupero (ad esempio, migliore di OpenAI V3 Large). |
| voyage-2 | 4000 | 1024 | Modello di incorporamento generico ottimizzato per bilanciare costi, latenza e qualità di recupero. |
Come creare embeddings con voyage-code-2
Esistono due modi principali per creare le incorporazioni vettoriali:
- PyMilvus: l'SDK Python per Milvus che integra perfettamente il modello
voyage-code-2. - Voyage AI Embedding: l'SDK Python offerto da Voyage AI.
Una volta generate le incorporazioni vettoriali, queste possono essere archiviate in Zilliz Cloud (un servizio di database vettoriale completamente gestito da Milvus) e utilizzate per la ricerca di similarità semantica. Ecco i quattro passaggi chiave:
- Iscriviti per un account Zilliz Cloud gratuito.
- Configurare un cluster serverless e ottenere il Public Endpoint and API Key.
- Creare una collezione di vettori e inserire gli embeddings vettoriali.
- Eseguire una ricerca semantica sugli embeddings memorizzati.
Generare embeddings vettoriali tramite PyMilvus e inserirli in Zilliz Cloud per la ricerca semantica.
da pymilvus import model, MilvusClient
ef = model.dense.VoyageEmbeddingFunction(
model_name="voyage-code-2",
api_key="your-voyage-api-key",
)
# Generare le incorporazioni per i documenti
documenti = [
"retriever = KNNRetriever.from_texts(documents, embeddings)",
"knn = KNeighborsClassifier(n_neighbors=3)",
"sorted_numbers = sorted(numbers)",
"def dynamic_programming(): print('yes')",
"documents_embds = get_embeddings(documents)",
"response = client.embeddings.create(input = documents, model='text-embedding-ada-002')"
]
docs_embeddings = ef.encode_documents(docs)
# Generare embeddings per le query
queries = ["La funzione dynamic_programming() è implementata utilizzando la programmazione dinamica?"]
query_embeddings = ef.encode_queries(queries)
# Connettersi a Zilliz Cloud con l'endpoint pubblico e la chiave API
client = MilvusClient(
uri=ZILLIZ_PUBLIC_ENDPOINT,
token=ZILLIZ_API_KEY)
COLLEZIONE = "documenti"
if client.has_collection(collection_name=COLLECTION):
client.drop_collection(nome_raccolta=COLLEZIONE)
client.create_collection(
nome_collezione=COLLEZIONE,
dimensione=ef.dim,
auto_id=True)
per doc, embedding in zip(docs, docs_embeddings):
client.insert(COLLECTION, {"text": doc, "vector": embedding})
risultati = client.search(
nome_collezione=COLLEZIONE,
dati=query_embeddings,
consistency_level="Strong",
output_fields=["text"])
Per ulteriori informazioni, consultare la nostra [documentazione sul modello di incorporazione di PyMilvus] (https://milvus.io/docs/embeddings.md).
Generare embeddings vettoriali tramite l'SDK Python di Voyage AI e inserirli in Zilliz Cloud per la ricerca semantica.
importare voyageai
da pymilvus import MilvusClient
vo = voyageai.Client(api_key="your-voyage-api-key")
# Generare le incorporazioni per i documenti
documenti = [
"retriever = KNNRetriever.from_texts(documents, embeddings)",
"knn = KNeighborsClassifier(n_neighbors=3)",
"sorted_numbers = sorted(numbers)",
"def dynamic_programming(): print('yes')",
"documents_embds = get_embeddings(documents)",
"response = client.embeddings.create(input = documents, model='text-embedding-ada-002')"
]
docs_embeddings = vo.embed(docs, model="voyage-code-2", input_type="document").embeddings
# Generare embeddings per le query
queries = ["La funzione dynamic_programming() è implementata utilizzando la programmazione dinamica?"]
query_embeddings = vo.embed(queries, model="voyage-code-2", input_type="query").embeddings
# Connettersi a Zilliz Cloud con l'endpoint pubblico e la chiave API
client = MilvusClient(
uri=ZILLIZ_PUBLIC_ENDPOINT,
token=ZILLIZ_API_KEY)
COLLEZIONE = "documenti"
if client.has_collection(collection_name=COLLECTION):
client.drop_collection(nome_raccolta=COLLEZIONE)
client.create_collection(
nome_collezione=COLLEZIONE,
dimensione=1536,
auto_id=True)
per doc, embedding in zip(docs, docs_embeddings):
client.insert(COLLECTION, {"text": doc, "vector": embedding})
risultati = client.search(
nome_collezione=COLLEZIONE,
dati=query_embeddings,
consistency_level="Strong",
output_fields=["text"])
Per ulteriori informazioni, consultare Voyage AI Embedding Guide.
Flussi di lavoro AI senza interruzioni
Dalle embedding alla ricerca AI scalabile—Zilliz Cloud ti consente di memorizzare, indicizzare e recuperare embedding con velocità e efficienza senza pari.
Prova Zilliz Cloud gratuitamente
