Modèles de Voyage IA

Le nouveau modèle phare MoE. Établit une nouvelle frontière en matière de précision de récupération tout en maintenant des coûts de service inférieurs à ceux des modèles denses comparables.

Ce modèle se rapproche de la précision de recherche du précédent modèle phare, voyage-3-large, tout en conservant la haute efficacité d’un modèle de taille moyenne. Tous les modèles voyage-4 utilisent un espace d’embedding commun.

Permet des embeddings de haute qualité à un coût de calcul considérablement réduit, se rapprochant de la précision de récupération de voyage-3.5.

Un modèle d’embedding léger et ouvert, optimisé pour l’exécution sur des machines de développement local.

Un modèle unique pour le texte, les images et la vidéo. Entraîné spécifiquement sur des images vidéo pour permettre la recherche sémantique dans les archives vidéo, les documents et les captures d’écran sans compromettre la précision du texte.

Modèle d'intégration contextuel qui produit des vecteurs pour les segments capturant le contexte complet du document sans métadonnées manuelles ni augmentation de contexte.

ReRank-2.5 est un outil de reclassement à usage général optimisé pour la qualité de recherche et qui supporte le multilingue.

ReRank-2.5-Lite est un reclasseur polyvalent optimisé pour la latence et la qualité avec support multilingue.