Was ist voyage-4-large?
voyage-4-large ist das hochwertigste Text-Embedding-Modell von Voyage AI (Teil von MongoDB), veröffentlicht am 15. Januar 2026, und laut Voyage das erste produktive Embedding-Modell auf Basis von Mixture-of-Experts. Embedding-Modelle verwandeln Text in Zahlenlisten (Vektoren), damit Software verwandte Passagen finden kann, der Kern von Suche und Retrieval-Augmented Generation (RAG). Es nimmt bis zu 32.000 Tokens pro Eingabe an und gibt 256, 512, 1024 oder 2048 Dimensionen aus, in Float-, 8-Bit- oder Binärpräzision.
Alle Voyage-4-Modelle teilen einen Embedding-Raum: Du kannst Dokumente mit voyage-4-large indexieren und sie mit den günstigeren voyage-4 und voyage-4-lite oder dem Open-Weight-Modell voyage-4-nano (Apache 2.0) durchsuchen.
Es kostet 0,12 $ pro Million Tokens, die ersten 200 Millionen Tokens sind kostenlos. Verfügbar ist es über die Voyage-API und MongoDB Atlas.
Lohnt sich voyage-4-large?
voyage-4-large ist eine sichere Wahl für Text-Retrieval, doch die Behauptung, es sei das beste, steht auf dünnerer Grundlage, als das Marketing nahelegt. Voyage meldet über die 29 Datensätze von RTEB durchschnittliche Verbesserungen bei NDCG@10 von 14,05 % gegenüber OpenAIs text-embedding-3-large, 8,20 % gegenüber Cohere Embed v4 und 3,87 % gegenüber Gemini Embedding 001. Das sind Zahlen des Herstellers. Die öffentliche MTEB-Rangliste hat keinen vergleichbaren Wert für das Modell.
Der gemeinsame Embedding-Raum ist die Funktion, die der Konkurrenz fehlt. Jedes Voyage-4-Modell erzeugt kompatible Vektoren, sodass du Dokumente einmal mit voyage-4-large für 0,12 $ pro Million Tokens indexieren und Anfragen mit voyage-4-lite für 0,02 $ oder mit voyage-4-nano auf eigener Hardware embedden kannst, ohne neu zu indexieren. Laut Voyage verbesserte dieses asymmetrische Setup das Retrieval in allen acht getesteten Domänen. Binäre Ausgabe senkt zudem den Vektorspeicher gegenüber derselben Dimension in float32 um den Faktor 32.
Die Konkurrenz hat seit Januar nachgelegt. Cohere embed-v5.0-pro liest Text, Bilder und gemischte PDFs mit einem Kontext von 128K, viermal so viel wie die 32.000 Tokens von voyage-4-large, und Voyages Vergleiche sind älter als dieses Modell und Gemini Embedding 2. Ein einzelner Request an voyage-4-large ist auf insgesamt 120K Tokens begrenzt, gegenüber 1 Mio. bei voyage-4-lite, die Massenindexierung braucht beim großen Modell also mehr Aufrufe.
Die Standardeinstellung für Daten verdient in jeder Beschaffungsprüfung eine Zeile. Laut Voyages FAQ können Kunden der gehosteten API widersprechen, dass Voyage ihre Daten speichert und für künftiges Training nutzt; der Schalter steht anfangs auf Zustimmung, der Widerspruch braucht einen Admin und eine hinterlegte Zahlungsmethode und lässt sich im Dashboard nicht rückgängig machen. Traffic nach dem Widerspruch wird gar nicht aufbewahrt, strenger als bei den meisten Anbietern, aber erst, wenn jemand den Schalter umlegt.
Wo es sich lohnt
Ein Plattform-Engineer, der 1 Milliarde Tokens an Support-Dokumenten und Tickets für RAG indexiert
Den Korpus einmal embedden und die Kosten für Anfragen nahe null halten
Indexiere mit voyage-4-large für etwa 96 $ nach den 200 Mio. kostenlosen Tokens und embedde Anfragen dann mit voyage-4-lite für 0,02 $ pro Million, sodass 100 Mio. Anfrage-Tokens im Monat 2 $ kosten. Binärvektoren für 10 Mio. Chunks mit 1024 Dimensionen belegen etwa 1,3 GB statt 41 GB in float32.
Ein Legal-Tech-Anbieter, dessen Kunden die Suche auf eigenen Servern wollen
Anfragen on-premises embedden, ohne die Qualität des gehosteten Index zu verlieren
Liefere voyage-4-nano (Apache 2.0, auf Hugging Face) für Anfragen in der Kundenumgebung aus, während die Dokumente mit voyage-4-large embeddet werden. Die Dokumente verlassen das Netzwerk dabei trotzdem einmal, setze also den Widerspruch gegen Training vor dem ersten Aufruf.
Ein Team mit MongoDB Atlas, das einer bestehenden App Vektorsuche hinzufügt
Semantische Suche ohne zweiten Anbietervertrag ergänzen
Die Voyage-4-Modelle werden über die Embedding and Reranking API von Atlas angeboten, die Embeddings liegen also neben den operativen Daten. MongoDBs Abrechnungs-Docs listen voyage-4-large zu denselben 0,12 $ pro Million Tokens, mit 200 Millionen kostenlosen Tokens, abgerechnet über die Atlas-Rechnung.
Bevor du dich festlegst
- Einrichtung
- Erstelle einen API-Schlüssel und rufe den Embeddings-Endpunkt mit dem Modell voyage-4-large auf, input_type auf query oder document gesetzt. Bis zu 1.000 Eingaben und 120K Tokens pro Request.
- Integrationen
- Voyage-API und Python-Client sowie die Embedding and Reranking API von MongoDB Atlas; voyage-4-nano läuft lokal mit sentence-transformers von Hugging Face.
- Daten und Datenschutz
- Daten der gehosteten API können standardmäßig gespeichert und für Training genutzt werden. Ein Org-Admin mit Zahlungsmethode kann im Dashboard widersprechen, was eine Aufbewahrung von null Tagen bringt und sich dort nicht rückgängig machen lässt. Voyages Website nennt SOC 2 und HIPAA mit Berichten im Vanta Trust Center; regionales Hosting behandelt die öffentliche FAQ nicht.
- Kosten im großen Maßstab
- 1 Mrd. Tokens zu indexieren kostet zum Listenpreis 120 $ (96 $ nach den kostenlosen Tokens) oder etwa 80 $ über Batch mit 33 % Rabatt, wo es keine kostenlosen Tokens gibt. Anfragen über voyage-4-lite kosten 0,02 $ pro Million.
- Grenzen
- Eingaben bis 32.000 Tokens, 120K Tokens pro Request, nur Text. Tier 1 (Zahlungsmethode hinterlegt) erlaubt 3 Mio. Tokens und 2.000 Requests pro Minute; Tier 2 und 3 verdoppeln bzw. verdreifachen das, sobald 100 $ bzw. 1.000 $ abgerechnet wurden.
Was gut ist
- Ein Vektorraum für das große, das Basis-, das lite- und das offene nano-Modell
- 0,12 $ pro 1 Mio. Tokens, 200 Mio. kostenlos
- Binär- und int8-Ausgabe plus 256 bis 2048 Dimensionen
- Keine Aufbewahrung, sobald du dem Training widersprichst
Was nicht
- Speichert API-Daten und darf auf ihnen trainieren, bis ein Admin widerspricht
- Der Vorsprung beruht auf Voyages eigenen RTEB-Läufen; kein vergleichbarer MTEB-Wert
- Nur Text, Eingaben bis 32K Tokens, 120K Tokens pro Request
- Die kostenlosen Tokens gelten nicht für die Batch-API
Am besten für
Teams, die Textsuche oder RAG bauen, beim Indexieren für Qualität zahlen und Anfragen günstig oder lokal embedden wollen.
Alternativen zu voyage-4-large
voyage-4-large: häufige Fragen
- Lohnt sich voyage-4-large?
- Ein starkes Retrieval-Modell mit einem Trick, der der Konkurrenz fehlt, einem gemeinsamen Vektorraum, doch sein Vorsprung beruht auf Voyages eigenen Tests, und es darf auf deinen Daten trainieren, bis ein Admin widerspricht. Wir bewerten es mit 4.5 von 5.
- Was kostet voyage-4-large?
- 0,12 $ pro 1 Mio. Tokens; die ersten 200 Mio. Tokens kostenlos (nicht bei Batch); Batch-API mit 33 % Rabatt.
- Welche Nachteile hat voyage-4-large?
- Speichert API-Daten und darf auf ihnen trainieren, bis ein Admin widerspricht; Der Vorsprung beruht auf Voyages eigenen RTEB-Läufen; kein vergleichbarer MTEB-Wert; Nur Text, Eingaben bis 32K Tokens, 120K Tokens pro Request; Die kostenlosen Tokens gelten nicht für die Batch-API.
- Für wen eignet sich voyage-4-large?
- Teams, die Textsuche oder RAG bauen, beim Indexieren für Qualität zahlen und Anfragen günstig oder lokal embedden wollen.
- Was kostet voyage-4-large für ein Team oder im Produktivbetrieb?
- 1 Mrd. Tokens zu indexieren kostet zum Listenpreis 120 $ (96 $ nach den kostenlosen Tokens) oder etwa 80 $ über Batch mit 33 % Rabatt, wo es keine kostenlosen Tokens gibt. Anfragen über voyage-4-lite kosten 0,02 $ pro Million.
- Ist voyage-4-large sicher für Firmendaten?
- Daten der gehosteten API können standardmäßig gespeichert und für Training genutzt werden. Ein Org-Admin mit Zahlungsmethode kann im Dashboard widersprechen, was eine Aufbewahrung von null Tagen bringt und sich dort nicht rückgängig machen lässt. Voyages Website nennt SOC 2 und HIPAA mit Berichten im Vanta Trust Center; regionales Hosting behandelt die öffentliche FAQ nicht.
- Was sind die besten Alternativen zu voyage-4-large?
- Die nächsten Alternativen, die wir getestet haben, sind Cohere Embed 5, Gemini Embedding 2 und text-embedding-3-large.
Antworten geprüft am 26. Okt. 2026.