MongoDB为 Voyage AI 一流的嵌入和重新排名模型提供了API 。将 Voyage AI模型与AI堆栈的其他部分（包括向量数据库和大语言模型 (LLM)）结合使用，构建具有准确AI搜索和检索功能的生产就绪应用程序。
开始构建
使用以下资源开始使用：
Voyage AI模型
Voyage AI 的嵌入和重排序模型在检索准确性方面是最先进的。要学习；了解有关模型的详情，请参阅 模型概述。
特色型号
voyage-4-large
最佳的通用和多语言检索质量。所有 4 系列模型股票相同的嵌入空间。
voyage-context-3
针对通用和多语言检索质量优化的上下文化数据块嵌入。
voyage-multimodal-3.5
丰富的多模态嵌入模型，可以矢量化交错的文本和视觉数据，例如 PDF 的屏幕截图、幻灯片、表格、数字、视频等。
rerank-2.5
我们的通才重排序器通过指令跟踪和多语言支持来优化质量。
用例
Voyage AI模型支持以下使用案例：
携手共进，共创佳绩
利用 Voyage AI与MongoDB Vector Search 和AI集成简化您的AI应用程序开发。
将 Voyage AI模型与MongoDB Vector Search 相结合，构建可立即投入生产的AI应用程序。
与 LangChain、LlamaIndex 和其他流行的AI框架集成。
关键概念
- 内嵌模型
- 嵌入模型是将数据转换为向量嵌入的算法，而向量嵌入可捕获数据的语义或根本的含义。这些向量启用向量搜索，并提供服务检索增强生成 (RAG) 的基本构建模块，而这是构建可靠AI应用程序的主要方法。
- reranker
- 重排序是对搜索查询和搜索结果之间的相关性进行评分的算法。重排序器根据相关性分数对文档重新排序，从而生成更准确的结果子集，从而帮助您优化初始结果。
- 向量嵌入
- 向量嵌入是一个数字大量，每个维度代表数据的不同功能或属性。向量可用于表示任何类型的数据，从文本、图像和视频到非结构化数据。您可以通过将数据传递到嵌入模型来创建向量嵌入，并且可以存储这些嵌入存储在支持向量嵌入的数据库中，例如MongoDB。
- Vector Search
- 向量搜索是支持语义搜索和 RAG 的搜索方法。通过测量向量之间的距离，可以确定不同数据点之间的语义相似度。这样，您就可以通过将矢量化查询与矢量嵌入进行比较来获取相关搜索结果。您可以将 Voyage AI模型与任何向量搜索解决方案和矢量数据库一起使用，但它们可与MongoDB Vector Search 和MongoDB Atlas无缝集成。
- RAG
- 检索增强生成 (RAG) 是一种架构，用于使用额外数据增强大型语言模型 (LLM)，以便生成更准确的响应。要学习；了解更多信息，请参阅带有 Voyage AI 的RAG。
- tokens
- 在嵌入模型和法学硕士中，词元是模型处理以创建嵌入或生成文本的文本的基本单位，例如单词、子词或字符。令牌是针对使用嵌入模型和 LLM 的计费方式。
- 速率限制
- 速率限制是API提供商对用户在特定时间范围内可以发出的请求数量施加的限制，通常以每分钟的令牌数 (TPM) 或每分钟的请求数 (RPM) 来衡量。这些限制可确保公平使用，防止滥用，并为所有用户保持服务的稳定性和性能。