Для каких основных задач подходит модель voyage-4?

Модель специально оптимизирована для задач поиска, извлечения информации (retrieval) и построения интеллектуальных поисковых систем в составе ИИ-приложений.

Поддерживает ли модель другие языки, кроме английского?

Да, voyage-4 является мультиязычной моделью, что позволяет использовать её для глобальных проектов и локализованного поиска.

Каков максимальный объем текста, который модель может обработать за один раз?

Модель поддерживает контекстное окно до 32 000 токенов, что позволяет создавать качественные эмбеддинги для объемных документов и статей.

VoyageAI by MongoDB: voyage-4

MOMongodbОбновлено: 27 июля 2026 г.

Voyage-4 — это универсальная модель эмбеддингов, оптимизированная для задач поиска и извлечения информации в ИИ-приложениях. Она поддерживает мультиязычность и обладает расширенным контекстным окном, что делает её эффективным инструментом для работы с длинными документами.

Использовать через API

Метрики

Вход

8 ₽/M

Выход

— ₽/M

Контекст

32k tokens

Параметры

Релиз

27 июля 2026 г.

Поддерживаемые параметры

Нет данных по параметрам.

Технический обзор

voyage-4 — это универсальная модель для создания эмбеддингов (включая многоязычную поддержку), оптимизированная для поиска, извлечения информации и приложений искусственного интеллекта.

Кодинг

Инструменты

Длинный контекст

Мультимодальность

Веб-автоматизация

Смежные подборки

Недорогие модели

Сравнение с похожими моделями

Модель

Для чего

Контекст

Цена ₽

Модель

VoyageAI by MongoDB: voyage-4Текущая

Для чего

Контекст

32k

Цена ₽

8 / —

VoyageAI by MongoDB: voyage-4Текущая

32k

8 / —

Модель

Amazon: Titan Text Embeddings V2

Для чего

Обе модели предназначены для генерации текстовых эмбеддингов и поддерживают современные стандарты поиска, однако Voyage-4 предлагает значительно больший контекст.

Контекст

Цена ₽

3 / —

Amazon: Titan Text Embeddings V2

3 / —

Модель

Amazon: Titan Embeddings G1 - Text

Для чего

Модели являются конкурентами в сегменте базовых решений для RAG-систем и семантического поиска.

Контекст

Цена ₽

13 / —

Amazon: Titan Embeddings G1 - Text

Модели являются конкурентами в сегменте базовых решений для RAG-систем и семантического поиска.

13 / —

Когда выбирать

Необходима высокая точность семантического поиска в мультиязычных базах данных
Требуется обработка длинных текстовых фрагментов благодаря контексту в 32 000 токенов
Создается RAG-система на базе инфраструктуры MongoDB для быстрого извлечения данных

Когда не выбирать

Требуется генерация текста или ведение диалога, а не создание векторных представлений
Необходима работа с модальностями, отличными от текста (изображения, аудио)
Задачи ограничены простым ключевым поиском, не требующим глубокого семантического анализа