迁移到新的嵌入模型

当您当前的模型达到旧版或已弃用状态时，或当更新的模型为您的使用案例提供更好的检索质量、延迟或费用时，请迁移到新的 Voyage AI 嵌入模型。

不同模型生成的嵌入不具可比性，因此，迁移不仅仅涉及更改模型名称。必须使用后续模型重新生成整个语料库的嵌入，以便您存储的向量和查询向量来自同一模型。

即使后续模型产生的嵌入与当前模型具有相同的维度数和元素类型，也请重新生成语料库。相同的维度使两组向量在数学上可比较，但是 Voyage AI 模型没有训练以保持跨模型相关性。将来自新模型的查询嵌入与来自旧模型的存储嵌入进行比较，会降低检索质量，并削弱迁移到新模型的好处。

您遵循的步骤取决于您的嵌入是如何生成的：

嵌入方法	迁移步骤
自动嵌入	MongoDB Vector Search 会为您生成并存储嵌入内容。更改索引定义中的模型， MongoDB Vector Search 会重新嵌入您的数据。请参阅使用自动嵌入进行迁移。
自管理嵌入	您可以自行生成和存储嵌入。使用 Embedding and Reranking API重新嵌入语料库、更新应用程序并重建向量索引。请参阅迁移自管理的嵌入。

确定后续模型

首先，在当前模型状态表中检查当前模型的状态。如果模型是旧版或已弃用，请迁移到该表格为该模型推荐的替代项。

要比较可用模型，请参阅 Voyage AI嵌入和重排序模型概述。对于大多数迁移，请从以下推荐模型中选择后继模型：

通用文本。使用 voyage-4-large 可获得最佳检索质量，使用 voyage-4-lite 可获得最低延迟和费用，使用 voyage-4 可在质量和性能之间取得平衡。如要了解更多信息，请参阅文本嵌入。
代码。将 voyage-code-4 用于代码检索和代理编码应用程序，例如编码代理和编程文档。要比较专用领域的模型，请参阅专用领域模型。
更长的文档。使用 voyage-context-4 来嵌入捕获完整文档上下文的数据块，无需手动元数据和上下文增强。检索质量在较长的文档上提升最大。它可充当标准嵌入的即插即用型替代品，并且无需更改下游工作流。要了解更多信息，请参阅上下文相关的数据块嵌入。
多模态。使用 voyage-multimodal-3.5 嵌入交错的文本和视觉数据，例如 PDF、演示文稿、表格和图片的截图。要学习；了解更多信息，请参阅多模态嵌入。

在选择这些模型时，请考虑以下模型特征：

模态。迁移到支持与当前模型相同数据类型的模型。示例，从 voyage-multimodal-3 迁移到 voyage-multimodal-3.5，而不是迁移到仅含文本的模型。
嵌入维度。请注意后继模型生成的维数。新的向量索引必须指定该值。
上下文长度。比当前模型更短的上下文长度可能会截断最长的文档。在 Voyage AI嵌入和重排名模型概述中验证后继模型的上下文长度。

注意

voyage-4 系列模型的嵌入彼此兼容，这使得它们可以进行比较，但 Voyage AI 仍然建议您在它们之间迁移时重新生成语料库。

选择后续模型后，在迁移生产语料库之前，应在代表性示例数据上评估其检索质量。

使用自动嵌入迁移

如果您在 MongoDB 向量搜索中使用自动化嵌入，MongoDB 会为您托管迁移。编辑 MongoDB 向量搜索索引定义，并将 autoEmbed 类型字段定义中 model 字段的值更改为后续模型：

{
  "fields": [
    {
      "type": "autoEmbed",
      "modality": "text",
      "path": "<field-name>",
      "model": "<successor-model>"
    }
  ]
}

当您更改 model、numDimensions 或 quantization 设置时，MongoDB 向量搜索会重新生成索引和嵌入，这会产生额外的嵌入费用。重建索引时，您可以使用旧索引定义继续运行查询。重建完成后，MongoDB 向量搜索会自动替换旧索引。

注意

在自管理部署中，您在创建索引后无法修改 autoEmbed 类型字段。要迁移，请创建指定后续模型的新索引，然后删除旧索引。

迁移自管理嵌入

如果您自行生成嵌入，请完成以下步骤以迁移到后续模型。为避免停机，将新的嵌入写入新字段，并保留现有字段和索引，直到迁移完成。

重新嵌入您的语料库

使用 Embedding and Reranking API 和后续模型为现有文档生成新的嵌入。如果没有模型 API 密钥，请参阅创建 API 密钥。

以下示例从集合中的每个文档读取源文本，使用后续模型以批处理方式生成嵌入，并将结果写入新字段：

import os
import voyageai
from pymongo import MongoClient, UpdateOne
SUCCESSOR_MODEL = "<successor-model>"
TEXT_FIELD = "<source-text-field>"
NEW_EMBEDDING_FIELD = "<new-embedding-field>"
BATCH_SIZE = 100
vo = voyageai.Client()
# This automatically uses the VOYAGE_API_KEY environment variable.
client = MongoClient(os.environ["MONGODB_URI"])
collection = client["<database>"]["<collection>"]
def process_batch(documents):
    texts = [document[TEXT_FIELD] for document in documents]
    result = vo.embed(
        texts,
        model=SUCCESSOR_MODEL,
        input_type="document"
    )
    collection.bulk_write([
        UpdateOne(
            {"_id": document["_id"]},
            {"$set": {NEW_EMBEDDING_FIELD: embedding}}
        )
        for document, embedding in zip(documents, result.embeddings)
    ])
batch = []
for document in collection.find({}, {TEXT_FIELD: 1}):
    batch.append(document)
    if len(batch) == BATCH_SIZE:
        process_batch(batch)
        batch = []
if batch:
    process_batch(batch)

批处理您的请求并监控令牌使用情况，因为重新嵌入大型语料库可能会耗尽您的速率限制。要了解更多信息，请参阅管理限速和监控使用情况。

重建向量索引

在包含您的新嵌入的字段上创建一个新的 MongoDB 向量搜索索引。将 numDimensions 设置为后续模型产生的维度数：

{
  "fields": [
    {
      "type": "vector",
      "path": "<new-embedding-field>",
      "numDimensions": "<successor-model-dimensions>",
      "similarity": "dotProduct"
    }
  ]
}

要学习；了解如何创建索引，请参阅创建MongoDB Vector Search 索引。有关完整的索引定义语法，请参阅如何为向量搜索的字段编制索引。

请记住您为新索引命名的名称。在更新应用程序代码时需要它。请在索引达到 READY 状态后再查询。

更新您的应用程序代码

更新您的应用程序，使用后续模型生成查询嵌入。您的查询嵌入必须与您存储的嵌入来自同一模型，因此请在应用程序调用 Embedding and Reranking API 的任何位置更改模型：

result = vo.embed(
    [query_text],
    model="<successor-model>",
    input_type="query"
)

对于检索，将 input_type 参数设置为 query 用于查询，对于存储文本则设置为 document。Voyage AI 将任务专用提示前置到您的输入中，从而提高检索准确性。

如果您在配置文件或环境变量中设置了模型名称，请更新该值。还要更新任何依赖于嵌入维度数的代码，例如模式验证或向量存储设置。

更新查询以使用新索引名称和新嵌入字段路径（Field Path），然后验证检索结果。当您确认新索引返回了预期结果时，删除旧索引，并从文档中删除旧嵌入字段。

要了解更多关于生成嵌入，请参阅文本嵌入。

后退

模型生命周期和支持状态