Что такое Matryoshka embeddings в Voyage 4 Large?

Эта технология позволяет использовать усеченные версии векторов (например, 256 или 512 измерений вместо 2048) для экономии места в базе данных, сохраняя при этом высокую релевантность поиска.

Для каких задач лучше всего подходит эта модель на alltokens?

Модель идеально подходит для создания систем вопрос-ответ по базе знаний, классификации текстов и семантического поиска в мультиязычных средах.

Какой максимальный объем текста можно передать за один раз?

Модель поддерживает контекстное окно до 32 000 токенов, что позволяет обрабатывать даже очень длинные статьи или техническую документацию целиком.

VoyageAI by MongoDB: voyage-4-large

VOVoyageaiОбновлено: 27 июля 2026 г.

Voyage 4 Large — это универсальная мультиязычная модель эмбеддингов, оптимизированная для достижения максимального качества поиска. Она поддерживает технологию Matryoshka, позволяя гибко настраивать размерность векторов от 256 до 2048 без значительной потери точности.

Использовать через API

Метрики

Вход

15 ₽/M

Выход

— ₽/M

Контекст

32k tokens

Параметры

Релиз

27 июля 2026 г.

Поддерживаемые параметры

Нет данных по параметрам.

Технический обзор

Voyage 4 Large — это универсальная многоязычная модель эмбеддингов от Voyage AI компании MongoDB, оптимизированная для качества поиска. Она поддерживает матрёшечные эмбеддинги размерности 2048, 1024, 512 и 256.

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-4-largeТекущая

Для чего

Контекст

32k

Цена ₽

15 / —

VoyageAI by MongoDB: voyage-4-largeТекущая

32k

15 / —

Модель

VoyageAI by MongoDB: voyage-4

Для чего

Младшая версия в линейке с аналогичной архитектурой, предлагающая баланс между производительностью и скоростью обработки.

Контекст

32k

Цена ₽

8 / —

VoyageAI by MongoDB: voyage-4

32k

8 / —

Модель

perplexity/pplx-embed-v1-4B

Для чего

Альтернативная модель для генерации векторных представлений текста, ориентированная на задачи поиска и извлечения информации.

Контекст

—

Цена ₽

— / —

perplexity/pplx-embed-v1-4B

—

— / —

Когда выбирать

Необходимо обеспечить высочайшее качество семантического поиска в сложных RAG-системах
Требуется поддержка длинных контекстов до 32 000 токенов для обработки объемных документов
Нужна гибкость в выборе размерности векторов для оптимизации хранилища данных через Matryoshka embeddings

Когда не выбирать

Требуется генерация текстовых ответов, а не создание векторных представлений
Проект ограничен минимальными требованиями к вычислительным ресурсам и не требует глубокой семантики
Необходима работа с модальностями, отличными от текстовых данных