Вояж ИИ / voyage-large-2
Milvus Integrated
Задача: Встраивание
Модальность: Текст
Метрика сходства: Любой (нормализованный)
Лицензия: Собственные
Размерности: 1536
Максимальное количество входных токенов: 16000
Цена: $ 0,12/1M токенов
Введение в модель voyage-large-2
voyage-large-2 - это модель встраивания текста общего назначения от Voyage AI, оптимизированная для качества поиска (например, лучше, чем OpenAI V3 Large). Она также идеально подходит для таких задач, как обобщение, кластеризация и классификация.
Сравнение voyage-large-2 с другими популярными моделями встраивания от Voyage AI:
| Модель | Модель | Длина контекста (токены) | Размер встраивания | Описание |
| voyage-large-2-instruct | 16000 | 1024 | Top of MTEB leaderboard. Настроенная на инструкции модель встраивания общего назначения, оптимизированная для кластеризации, классификации и поиска. | |
| voyage-multilingual-2 | 32000 | 1024 | Оптимизирована для многоязычного поиска и RAG. | |
| voyage-code-2 | 16000 | 1536 | Оптимизирована для поиска по коду (на 17 % лучше, чем альтернативные варианты). | |
| voyage-large-2 | 16000 | 1536 | Модель встраивания общего назначения, оптимизированная для качества поиска (например, лучше, чем OpenAI V3 Large). | |
| voyage-2 | 4000 | 1024 | Модель встраивания общего назначения, оптимизированная для баланса между стоимостью, задержкой и качеством поиска. |
Как генерировать векторные вкрапления с помощью voyage-large-2
- PyMilvus: Python SDK для Milvus, в который легко интегрируется модель
voyage-large-2. - Пакет Voyage AI Python: SDK для Python, предлагаемый Voyage AI.
После того как векторные вкрапления сгенерированы, их можно хранить в Zilliz Cloud (полностью управляемый сервис векторных баз данных на базе Milvus) и использовать для поиска семантического сходства. Вот четыре ключевых шага:
- Зарегистрируйтесь для получения бесплатной учетной записи Zilliz Cloud.
- Настройте бессерверный кластер и получите Публичную конечную точку и ключ API.
- Создайте коллекцию векторов и вставьте в нее свои векторные вкрапления.
- Запустите семантический поиск по сохраненным вкраплениям.
Генерировать векторные вкрапления с помощью PyMilvus и вставлять их в Zilliz Cloud для семантического поиска
из pymilvus import model, MilvusClient
ef = model.dense.VoyageEmbeddingFunction(
model_name="voyage-large-2",
api_key="your-voyage-api-key",
)
# Генерируем вкрапления для документов
docs = [
"Искусственный интеллект был основан как академическая дисциплина в 1956 году",
"Алан Тьюринг был первым человеком, который провел серьезные исследования в области искусственного интеллекта",
"Тьюринг родился в Майда-Вейл, Лондон, и вырос на юге Англии".
]
docs_embeddings = ef.encode_documents(docs)
# Генерируем вкрапления для запросов
запросы = ["Когда был основан искусственный интеллект",
"Где родился Алан Тьюринг?"]
query_embeddings = ef.encode_queries(queries)
# Подключение к облаку Zilliz с помощью публичной конечной точки и ключа API
client = MilvusClient(
uri=ZILLIZ_PUBLIC_ENDPOINT,
token=ZILLIZ_API_KEY)
КОЛЛЕКЦИЯ = "документы"
if client.has_collection(collection_name=COLLECTION):
client.drop_collection(collection_name=COLLECTION)
client.create_collection(
имя_коллекции=COLLECTION,
dimension=ef.dim,
auto_id=True)
для doc, embedding в zip(docs, docs_embeddings):
client.insert(COLLECTION, {"text": doc, "vector": embedding})
results = client.search(
имя_коллекции=КОЛЛЕКЦИЯ,
data=query_embeddings,
consistency_level="Strong",
output_fields=["text"])
Для получения дополнительной информации обратитесь к нашей документации PyMilvus Embedding Model.
Генерируем векторные вкрапления с помощью пакета Voyage AI Python и вставляем их в Zilliz Cloud для семантического поиска
import voyageai
from pymilvus import MilvusClient
vo = voyageai.Client(api_key="your-voyage-api-key")
# Генерируем вкрапления для документов
docs = [
"Искусственный интеллект был основан как академическая дисциплина в 1956 году",
"Алан Тьюринг был первым человеком, который провел серьезные исследования в области искусственного интеллекта",
"Тьюринг родился в Майда-Вейл, Лондон, и вырос на юге Англии".
]
doc_embeddings = vo.embed(docs, model="voyage-large-2", input_type="document").embeddings
# Генерируем вкрапления для запросов
queries = ["Когда был основан искусственный интеллект",
"Где родился Алан Тьюринг?"].
query_embeddings = vo.embed(docs, model="voyage-large-2", input_type="query").embeddings
# Подключение к облаку Zilliz с помощью публичной конечной точки и ключа API
client = MilvusClient(
uri=ZILLIZ_PUBLIC_ENDPOINT,
token=ZILLIZ_API_KEY)
КОЛЛЕКЦИЯ = "документы"
if client.has_collection(collection_name=COLLECTION):
client.drop_collection(collection_name=COLLECTION)
client.create_collection(
имя_коллекции=COLLECTION,
dimension=1536,
auto_id=True)
для doc, embedding в zip(docs, docs_embeddings):
client.insert(COLLECTION, {"text": doc, "vector": embedding})
results = client.search(
имя_коллекции=КОЛЛЕКЦИЯ,
data=query_embeddings,
consistency_level="Strong",
output_fields=["text"])
Для получения дополнительной информации обратитесь к Voyage AI Embedding Guide.
- Введение в модель voyage-large-2
- Как генерировать векторные вкрапления с помощью voyage-large-2
Контент
Беспрерывные AI рабочие процессы
От встраиваний до масштабируемого AI поиска—Zilliz Cloud позволяет вам хранить, индексировать и извлекать встраивания с непревзойденной скоростью и эффективностью.
Попробуйте Zilliz Cloud Бесплатно
