text-embedding-3-large مقابل Voyage 4 Large
أيهما تختار؟
اختر text-embedding-3-large من OpenAI عندما تريد نموذج تضمين مستخدماً على نطاق واسع مع متجهات قابلة للتقصير تخدم البحث والتجميع والتصنيف واكتشاف الشذوذ من واجهة برمجة تطبيقات واحدة. اختر Voyage 4 Large عندما تكون المهمة هي الاسترجاع وتريد فهرسة المستندات باستخدام النموذج الكبير ولكن تضمين الاستعلامات المباشرة باستخدام Voyage 4 أو Voyage 4 Lite الأصغر، حيث إنهما يتشاركان في مساحة متجهة واحدة. لا يمكن خلط أي منهما مع متجهات الآخر.
مقارنة الأسعار
| text-embedding-3-large | Voyage 4 Large | |
|---|---|---|
| مطور النموذج | OpenAI | أخرى |
| توفر التسليم | متاح | متاح |
| نافذة السياق | 8.2K | 32K |
| الحد الأقصى للمخرجات | - | - |
| السعر الرسمي | المدخلات$0.13لكل 1M Tokenالمخرجات$0.00لكل 1M Token | المدخلات$0.12لكل 1M Tokenالمخرجات$0.00لكل 1M Token |
| سعر TokenLab | المدخلات$0.091لكل 1M Tokenالمخرجات$0.00لكل 1M Token | — |
| أداء النموذج | جاري جمع البيانات | جاري جمع البيانات |
| القدرات |
اختر text-embedding-3-large في هذه الحالات
- أنت تستخدم التضمينات للتجميع أو التصنيف أو اكتشاف الشذوذ بالإضافة إلى البحث.
- أنت تخزن بالفعل متجهات بنمط OpenAI وتريد ترقية الجودة.
- تريد تقليص حجم المتجه ليتناسب مع حدود الفهرس.
اختر Voyage 4 Large في هذه الحالات
- عبء العمل الرئيسي الخاص بك هو الاسترجاع متعدد اللغات لـ RAG أو البحث.
- تريد تضميناً رخيصاً وقت الاستعلام مقابل فهرس مستندات عالي الجودة.
- تريد عدة أحجام مخرجات للموازنة بين الجودة والتخزين.
فروقات الأداء
| المعيار | text-embedding-3-large | Voyage 4 Large |
|---|---|---|
| تركيز التصميم | تصفه OpenAI بأنه أكثر نماذج التضمين قدرة لديها للنصوص الإنجليزية وغير الإنجليزية. | تصفه Voyage بأنه أفضل نموذج استرجاع في سلسلتها الرابعة للنصوص العامة ومتعددة اللغات. |
| خلط أحجام النماذج | نموذج واحد لكل من المستندات والاستعلامات. | يمكن أن تأتي المستندات والاستعلامات من أفراد عائلة مختلفين، لأن المتجهات متوافقة. |
| حجم المتجه | يمكن تقصير الأبعاد لتوفير التخزين. | يتم تقديم أربعة أحجام مخرجات، من الصغير إلى الكبير. |
| نطاق المهام | البحث، التجميع، التوصيات، اكتشاف الشذوذ، والتصنيف. | يهدف إلى الاسترجاع والترتيب في البحث وRAG. |
| تكلفة التبديل | المتجهات غير قابلة للمقارنة مع نماذج التضمين الأخرى. | نفس القاعدة: الانتقال إلى أو من عائلة أخرى يعني إعادة تضمين المجموعة. |
ملخص
- text-embedding-3-large: المدخلات $0.091 / المخرجات $0.00 لكل 1M Token; Voyage 4 Large: المدخلات $0.12 / المخرجات $0.00 لكل 1M Token. تعتمد الأسعار على وحدة الفوترة والمواصفات والاستخدام. قارن بين الشروط المتطابقة في التسعير التفصيلي للنموذج؛ السعر الواحد لا يحدد التكلفة الإجمالية.
- يحتوي Voyage 4 Large على نافذة سياق أكبر بـ 3.9 أضعاف
FAQ
أيهما أفضل لـ RAG، text-embedding-3-large أم Voyage 4 Large؟
Voyage 4 Large هو الخيار الذي يركز على الاسترجاع، وتسمح لك مساحته المشتركة مع Voyage 4 Lite بخفض تكلفة الاستعلام. text-embedding-3-large هو خيار عام قوي إذا كنت تقوم أيضاً بتجميع أو تصنيف النصوص. اختبر كلاهما على استعلاماتك الخاصة.
هل يمكنني استبدال أحدهما بالآخر دون إعادة الفهرسة؟
لا. تعيش متجهات كل نموذج في مساحتها الخاصة، لذا فإن تغيير النماذج يعني إعادة تضمين كل مستند وكل استعلام قبل أن تتمكن من مقارنة أي نتائج.
هل يتعامل أي منهما مع النصوص غير الإنجليزية؟
نعم. تصف OpenAI نموذج text-embedding-3-large بأنه قوي للمهام غير الإنجليزية، وتصف Voyage نموذج Voyage 4 Large بأنه مسترجع متعدد اللغات، لذا كلاهما يناسب المجموعات التي تمزج بين عدة لغات.
هل يمكنني استخدام كليهما معاً؟
فقط في فهارس منفصلة. احتفظ بمخزن متجهات واحد لكل نموذج وادمج النتائج في خطوة الترتيب، ولا تخلط أبداً المتجهات الخام من النموذجين في مخزن واحد.
أيهما أرخص، text-embedding-3-large أم Voyage 4 Large؟
text-embedding-3-large: المدخلات $0.091 / المخرجات $0.00 لكل 1M Token; Voyage 4 Large: المدخلات $0.12 / المخرجات $0.00 لكل 1M Token. تعتمد الأسعار على وحدة الفوترة والمواصفات والاستخدام. قارن بين الشروط المتطابقة في التسعير التفصيلي للنموذج؛ السعر الواحد لا يحدد التكلفة الإجمالية.
ما هي الاختلافات الرئيسية بين text-embedding-3-large و Voyage 4 Large؟
يتمتع كلا النموذجين بقدرات متشابهة.
المصادر
تمت المراجعة في ٠٢/١٠/٢٠٢٦