Что такое Matryoshka embeddings в Voyage 4 Lite?

Это технология, позволяющая сокращать размерность вектора (например, с 2048 до 256), сохраняя при этом большую часть семантической информации для экономии ресурсов.

Какой максимальный объем текста можно обработать за один раз?

Модель поддерживает контекстное окно до 32 000 токенов, что позволяет создавать эмбеддинги для крупных документов и логов.

Можно ли использовать эту модель через alltokens?

Да, модель Voyage 4 Lite доступна для интеграции через API alltokens, обеспечивая быстрый доступ к функционалу векторного поиска.

VoyageAI by MongoDB: voyage-4-lite

VOVoyageaiОбновлено: 27 июля 2026 г.

Voyage 4 Lite — это высокоэффективная модель эмбеддингов общего назначения, оптимизированная для минимальной задержки при поиске данных. Благодаря поддержке технологии Matryoshka, она позволяет гибко настраивать размерность векторов без значительной потери точности.

Использовать через API

Метрики

Вход

3 ₽/M

Выход

— ₽/M

Контекст

32k tokens

Параметры

Релиз

27 июля 2026 г.

Поддерживаемые параметры

Нет данных по параметрам.

Технический обзор

Voyage 4 Lite — это универсальная модель для создания эмбеддингов с акцентом на эффективность от Voyage AI компании MongoDB, оптимизированная для быстрого отклика и экономичного поиска. Поддерживает матрёшечные эмбеддинги с размерами 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-liteТекущая

Для чего

Контекст

32k

Цена ₽

3 / —

VoyageAI by MongoDB: voyage-4-liteТекущая

32k

3 / —

Модель

perplexity/pplx-embed-v1-4B

Для чего

Обе модели предназначены для создания текстовых эмбеддингов и ориентированы на высокую производительность в задачах поиска.

Контекст

—

Цена ₽

— / —

perplexity/pplx-embed-v1-4B

—

— / —

Модель

Perplexity: Embed V1 0.6B

Для чего

Являются компактными решениями для быстрого извлечения информации, где критически важна скорость обработки запросов.

Контекст

32k

Цена ₽

1 / —

Perplexity: Embed V1 0.6B

32k

1 / —

Когда выбирать

Необходима минимальная задержка (low-latency) при выполнении поисковых запросов в RAG-системах
Требуется гибкая настройка размерности векторов с помощью Matryoshka embeddings для оптимизации хранилища
Работа ведется с длинными контекстами до 32 000 токенов в рамках одной операции

Когда не выбирать

Требуется генерация текстовых ответов или написание кода, а не создание векторных представлений
Необходима работа с модальностями, отличными от чистого текста
Проект требует использования максимально тяжелых моделей для сверхсложного семантического анализа в ущерб скорости