O guia para o voyage-large-2

Todos os modelos
IA de viagem / voyage-large-2

IA de viagem / voyage-large-2

AI Model Milvus Integrated

Tarefa: Incorporação

Modalidade: Texto

Métrica de Similaridade: Qualquer (Normalizado)

Licença: Proprietário

Dimensões: 1536

Tokens Máximos de Entrada: 16000

Preço: $ 0,12/1 milhão de tokens

Introdução ao modelo voyage-large-2

O voyage-large-2 é o modelo de incorporação de texto de uso geral da Voyage AI, optimizado para a qualidade da recuperação (por exemplo, melhor do que o OpenAI V3 Large). Ele também é ideal para tarefas como sumarização, agrupamento e classificação.

Comparação do voyage-large-2 com outros modelos de incorporação populares da Voyage AI:


Modelo	Comprimento do contexto (tokens)	Dimensão de incorporação	Descrição
voyage-large-2-instruct	16000	1024	Topo da tabela de classificação do MTEB. Modelo de incorporação de uso geral ajustado por instruções, otimizado para agrupamento, classificação e recuperação.
voyage-multilingual-2	32000	1024	Optimizado para recuperação multilingue e RAG.
voyage-code-2	16000	1536	Optimizado para recuperação de código (17% melhor do que as alternativas).
voyage-large-2	16000	1536	Modelo de incorporação de uso geral que é otimizado para a qualidade da recuperação (por exemplo, melhor que o OpenAI V3 Large).
voyage-2](https://zilliz.com/ai-models/voyage-2)	4000	1024	Modelo de incorporação de uso geral otimizado para um equilíbrio entre custo, latência e qualidade de recuperação.

Como gerar embeddings vetoriais com voyage-large-2

PyMilvus: o SDK Python para Milvus que integra perfeitamente o modelo voyage-large-2.
Pacote Python da Voyage AI: o SDK Python oferecido pela Voyage AI.

Uma vez gerados os embeddings vectoriais, estes podem ser armazenados em Zilliz Cloud (um serviço de base de dados vetorial totalmente gerido por Milvus) e utilizados para pesquisa de similaridade semântica. Eis quatro passos fundamentais:

Inscreva-se para obter uma conta Zilliz Cloud gratuitamente.
Configurar um cluster sem servidor e obter o Ponto de extremidade público e chave de API.
Crie uma coleção de vectores e insira os seus embeddings vectoriais.
Execute uma pesquisa semântica nos embeddings armazenados.

Gerar embeddings vectoriais através do PyMilvus e inseri-los no Zilliz Cloud para pesquisa semântica

from pymilvus import model, MilvusClient

ef = model.dense.VoyageEmbeddingFunction(
   nome_do_modelo="voyage-large-2",
   api_key="your-voyage-api-key",
   )

# Gerar embeddings para documentos
docs = [
   "A inteligência artificial foi fundada como disciplina académica em 1956",
   "Alan Turing foi a primeira pessoa a efetuar investigação substancial em IA.",
   "Nascido em Maida Vale, Londres, Turing foi criado no sul de Inglaterra."
]

docs_embeddings = ef.encode_documents(docs)

# Gerar embeddings para consultas
consultas = ["Quando foi fundada a inteligência artificial",
          "Onde nasceu Alan Turing?"]

consultas_embeddings = ef.encode_queries(queries)

# Ligar ao Zilliz Cloud com o ponto de extremidade público e a chave da API
cliente = MilvusClient(
    uri=ZILLIZ_PUBLIC_ENDPOINT,
    token=ZILLIZ_API_KEY)

COLLECTION = "documents" (coleção)
if client.has_collection(nome_da_colecção=COLLECTION):
    client.drop_collection(nome_da_colecção=COLLECTION)
client.create_collection(
    nome_da_colecção=COLLECTION,
    dimension=ef.dim,
    auto_id=True)

for doc, embedding in zip(docs, docs_embeddings):
    client.insert(COLLECTION, {"text": doc, "vetor": embedding})
    
resultados = cliente.search(
    nome_da_colecção=COLLECTION,
    data=query_embeddings,
    consistency_level="Strong",
    output_fields=["text"])

Para mais informações, consulte a nossa PyMilvus Embedding Model documentation.

Gerar embeddings vectoriais com o pacote Voyage AI Python e inseri-los no Zilliz Cloud para pesquisa semântica

import voyageai
from pymilvus import MilvusClient

vo = voyageai.Client(api_key="your-voyage-api-key")

# Gerar embeddings para documentos
docs = [
   "A inteligência artificial foi fundada como disciplina académica em 1956",
   "Alan Turing foi a primeira pessoa a efetuar investigação substancial em IA.",
   "Nascido em Maida Vale, Londres, Turing foi criado no sul de Inglaterra."
]
doc_embeddings = vo.embed(docs, model="voyage-large-2", input_type="document").embeddings

# Gerar embeddings para consultas
consultas = ["Quando foi fundada a inteligência artificial",
          "Onde nasceu Alan Turing?"]
query_embeddings = vo.embed(docs, model="voyage-large-2", input_type="query").embeddings

# Ligar ao Zilliz Cloud com o ponto final público e a chave API
cliente = MilvusClient(
    uri=ZILLIZ_PUBLIC_ENDPOINT,
    token=ZILLIZ_API_KEY)

COLLECTION = "documents" (coleção)
if client.has_collection(nome_da_colecção=COLLECTION):
    client.drop_collection(nome_da_colecção=COLLECTION)
client.create_collection(
    nome_da_colecção=COLLECTION,
    dimension=1536,
    auto_id=True)

for doc, embedding in zip(docs, docs_embeddings):
    client.insert(COLLECTION, {"text": doc, "vetor": embedding})
    
resultados = cliente.search(
    nome_da_colecção=COLLECTION,
    data=query_embeddings,
    consistency_level="Strong",
    output_fields=["text"])