Voyage AI发布新一代代码嵌入模型voyage-code-4，专为编码代理优化，提升检索性能并降低成本。在代理代码检索基准上，其性能平均超越Cohere Embed v4和Gemini Embedding 2达28.25%和31.03%，在传统代码检索上也显著领先。该模型支持多种维度嵌入和量化，价格比前代低三分之一，现可通过Voyage API等获取。

voyage-context-4是新一代上下文化块嵌入模型，能够在无需手动元数据的情况下捕捉完整文档上下文。它在39个数据集上超越前代模型，支持自动分块和处理超长文档，提升检索准确性，适用于多种应用场景。

Dify与MongoDB Atlas和Voyage AI的结合简化了AI应用开发流程。Dify提供可视化工作流，MongoDB Atlas负责数据存储与检索，Voyage AI提升检索精度。开发者和无代码构建者能够快速创建知识助手和项目管理代理等应用，提升AI应用的效率与准确性。

零售供应链已成为高层关注的重点，需从传统ERP系统转向灵活的AI数据平台，以应对外部冲击。现代化的供应商管理应用通过MongoDB实现数据统一，提升可见性和响应速度，帮助零售商快速识别替代供应商，确保业务灵活性和消费者信任。

本文介绍了Voyage AI在嵌入模型扩展方面的研究，特别是通过混合专家（MoE）架构提高效率。Voyage-4-large模型实现了75%的参数减少，同时保持检索准确率，显著降低计算成本和延迟。MoE模型通过优化设计有效解耦知识容量与计算成本。

Hugging Face平台推出了一种基于情绪的电影推荐引擎，利用AI嵌入模型（voyage-4-nano）和MongoDB Atlas进行情感匹配搜索。用户可以根据情绪描述搜索电影，系统通过理解意图提供精准推荐，提升了传统电影搜索的效果。

Voyage 4系列推出四种文本嵌入模型，具共享嵌入空间，支持不同模型间的互用。voyage-4-large采用混合专家架构，提升检索准确率并降低40%成本，适合高效检索需求的客户和开发者，支持多维度嵌入，优化查询与文档嵌入的独立调优。

我们推出了voyage-multimodal-3.5，这是一个新一代多模态嵌入模型，支持文本、图像和视频检索。该模型在检索准确性上优于Cohere Embed v4和Google Multimodal Embedding 001，特别是在文本搜索中表现突出。它通过统一的变换器编码器处理视觉和文本信息，并支持视频帧嵌入，提升了检索质量。

向量搜索是增强生成系统的首要步骤。通过降维，可以显著降低存储和计算成本。采用Matroyshka表示学习（MRL）可以在不损失准确性的前提下优化检索性能，研究表明512维向量在存储和计算上更具优势，同时保持高准确率。

voyage-context-3是一种新型上下文化块嵌入模型，能够在无需手动元数据的情况下捕捉文档完整上下文。与传统模型相比，它在块级和文档级检索任务中表现更优，提升了检索准确性并降低存储成本。该模型简化了技术架构，支持多维度和量化选项，适用于长文档和高敏感度检索任务。

我们推出了voyage-context-3模型，通过上下文化的块嵌入提升文档检索的准确性。在块级和文档级检索任务中，分别比OpenAI-v3-large和Cohere-v4提高了14.24%和12.56%。该模型简化了技术堆栈，降低了存储成本，支持多维度和量化选项，适用于长文档和高敏感度检索任务。

嵌入模型是AI应用的基础，传统模型生成固定大小的向量，导致性能与计算开销之间的权衡。Matryoshka表示学习（MRL）提供灵活的多保真度嵌入，允许根据需求截取不同维度的向量，保持语义质量。MRL通过多损失训练优化信息分布，结合量化技术，提升了效率，适用于Voyage AI模型。

向量量化是一种将高维嵌入从32位浮点数压缩到低精度格式的技术，能够显著提升性能并保持语义搜索能力。二进制量化速度最快且资源占用最低，标量量化在性能与准确性之间取得平衡，而浮点数则提供最高保真度但成本较高。通过MongoDB Atlas的自动量化，企业可以在处理百万级嵌入时优化计算和内存使用，提升检索效率。

向量量化是一种将高维嵌入压缩至低精度格式的技术，能够显著提升性能并保持语义搜索能力。二进制量化速度最快且资源占用最低，标量量化在性能与准确性之间取得平衡，而float32提供最高保真度但成本较高。通过MongoDB的自动量化，企业在处理百万级嵌入时可以显著降低内存和计算需求，同时保持语义准确性。

新推出的voyage-3.5和voyage-3.5-lite嵌入模型在检索质量上优于前代产品，分别提高了2.66%和4.28%。这两款模型支持多维度嵌入，成本显著降低，分别比OpenAI-v3-large降低83%。它们在多个领域的评估中表现出色，提供更高的性价比。

新推出的voyage-3.5和voyage-3.5-lite嵌入模型在检索质量上优于前代产品，成本更低，支持多维嵌入，向量数据库成本减少83%，在多个领域表现超越OpenAI-v3-large。

随着互联网内容的多样化，基于LLM的AI应用逐渐扩展到图像、音频和视频处理。本文探讨如何构建一个多模态RAG应用，利用文本、图像和表格作为知识源，涵盖多模态处理、模型评估和应用构建等方面。