O que é voyage-4-large?
O voyage-4-large é o modelo de embeddings de texto de maior qualidade da Voyage AI (parte da MongoDB), lançado em 15 de janeiro de 2026, e a Voyage diz que ele é o primeiro modelo de embeddings de produção construído com mixture-of-experts. Modelos de embeddings transformam texto em listas de números (vetores) para que o software encontre trechos relacionados, o que é o núcleo da busca e da geração aumentada por recuperação (RAG). Ele aceita até 32.000 tokens por entrada e gera 256, 512, 1024 ou 2048 dimensões, com precisão float, 8 bits ou binária.
Todos os modelos Voyage 4 compartilham um espaço de embeddings: você pode indexar documentos com o voyage-4-large e buscá-los com os mais baratos voyage-4, voyage-4-lite ou o voyage-4-nano de pesos abertos (Apache 2.0).
Ele custa US$ 0,12 por milhão de tokens, com os primeiros 200 milhões de tokens grátis. Está disponível pela API da Voyage e pelo MongoDB Atlas.
voyage-4-large vale a pena?
O voyage-4-large é uma escolha segura para recuperação de texto, mas o argumento de que ele é o melhor se apoia em evidências mais frágeis do que o marketing sugere. A Voyage relata ganhos médios de NDCG@10 de 14,05% sobre o text-embedding-3-large da OpenAI, 8,20% sobre o Cohere Embed v4 e 3,87% sobre o Gemini Embedding 001 nos 29 conjuntos de dados do RTEB. São números do fornecedor. O placar público do MTEB não tem nota comparável para ele.
O espaço de embeddings compartilhado é o recurso que falta aos rivais. Todos os modelos Voyage 4 produzem vetores compatíveis, então você pode indexar documentos uma vez com o voyage-4-large a US$ 0,12 por milhão de tokens e gerar embeddings das consultas com o voyage-4-lite a US$ 0,02 ou com o voyage-4-nano em hardware próprio, sem reindexar. A Voyage diz que essa configuração assimétrica melhorou a recuperação nos oito domínios que testou. A saída binária também reduz o armazenamento de vetores em 32 vezes frente à mesma dimensão em float32.
Os concorrentes avançaram desde janeiro. O embed-v5.0-pro da Cohere lê texto, imagens e PDFs mistos com contexto de 128K, quatro vezes os 32.000 tokens do voyage-4-large, e as comparações da Voyage são anteriores a ele e ao Gemini Embedding 2. Uma única requisição ao voyage-4-large é limitada a 120K tokens no total, contra 1M do voyage-4-lite, então a indexação em massa exige mais chamadas no modelo grande.
A configuração padrão de dados merece uma linha em qualquer análise de compras. O FAQ da Voyage diz que clientes da API hospedada podem optar por não deixar a Voyage armazenar e usar seus dados em treinamentos futuros; a opção começa ativada, desativá-la exige um administrador e um meio de pagamento cadastrado, e isso não pode ser revertido pelo painel. O tráfego desativado tem retenção de zero dias, mais rígida que a da maioria dos provedores, mas só depois que alguém aciona a chave.
Onde ele se destaca
Um engenheiro de plataforma indexando 1 bilhão de tokens de documentação e tickets de suporte para RAG
Gerar embeddings do corpus uma vez e manter o custo das consultas perto de zero
Indexe com o voyage-4-large por cerca de US$ 96 após os 200 milhões de tokens grátis e gere embeddings das consultas com o voyage-4-lite a US$ 0,02 por milhão, então 100 milhões de tokens de consulta por mês custam US$ 2. Vetores binários para 10 milhões de trechos com 1024 dimensões ocupam cerca de 1,3 GB em vez de 41 GB em float32.
Um fornecedor de legal tech cujos clientes querem busca em servidores próprios
Gerar embeddings de consultas on-premises sem perder a qualidade do índice hospedado
Distribua o voyage-4-nano (Apache 2.0, no Hugging Face) dentro do ambiente do cliente para as consultas, enquanto os documentos recebem embeddings do voyage-4-large. Os documentos ainda saem da rede uma vez, então desative o treinamento antes da primeira chamada.
Uma equipe do MongoDB Atlas adicionando busca vetorial a um app existente
Adicionar busca semântica sem um segundo contrato com fornecedor
Os modelos Voyage 4 são oferecidos pela Embedding and Reranking API do Atlas, então os embeddings ficam ao lado dos dados operacionais. A documentação de cobrança da MongoDB lista o voyage-4-large pelos mesmos US$ 0,12 por milhão de tokens, com 200 milhões de tokens grátis, cobrados na fatura do Atlas.
Antes de decidir
- Configuração
- Crie uma chave de API e chame o endpoint de embeddings com o modelo voyage-4-large e input_type definido como query ou document. Até 1.000 entradas e 120K tokens por requisição.
- Integrações
- API e cliente Python da Voyage, mais a Embedding and Reranking API do MongoDB Atlas; o voyage-4-nano roda localmente com sentence-transformers a partir do Hugging Face.
- Dados e privacidade
- Os dados da API hospedada podem ser armazenados e usados para treinamento por padrão. Um administrador da organização com meio de pagamento pode desativar isso no painel, o que dá retenção de zero dias e não pode ser desfeito ali. O site da Voyage lista SOC 2 e HIPAA, com relatórios em seu trust center na Vanta; hospedagem regional não é abordada no FAQ público.
- Custo em escala
- Indexar 1 bilhão de tokens custa US$ 120 a preço de tabela (US$ 96 após os tokens grátis) ou cerca de US$ 80 no Batch com 33% de desconto, que não recebe tokens grátis. Consultas no voyage-4-lite custam US$ 0,02 por milhão.
- Limites
- Entradas de 32.000 tokens, 120K tokens por requisição, só texto. O Tier 1 (meio de pagamento adicionado) permite 3 milhões de tokens e 2.000 requisições por minuto; os tiers 2 e 3 dobram e triplicam isso depois que US$ 100 e US$ 1.000 forem cobrados.
O que é bom
- Um espaço vetorial entre os modelos large, base, lite e o nano aberto
- US$ 0,12 por 1 milhão de tokens, com 200 milhões grátis
- Saída binária e int8, mais 256 a 2048 dimensões
- Retenção de zero dias depois que você desativa o treinamento
O que não é
- Armazena e pode treinar com dados da API até que um administrador desative
- A liderança se apoia nas execuções de RTEB da própria Voyage; sem nota comparável no MTEB
- Só texto, entradas de 32K tokens, 120K tokens por requisição
- Os tokens grátis não valem para a Batch API
Ideal para
Equipes que constroem busca de texto ou RAG e querem pagar por qualidade na indexação e rodar embeddings de consulta baratos ou locais.
Alternativas ao voyage-4-large
voyage-4-large: perguntas frequentes
- voyage-4-large vale a pena?
- Um modelo de recuperação forte com um truque que os rivais não têm, um espaço vetorial compartilhado, mas sua liderança se apoia nos testes da própria Voyage, e ele pode treinar com seus dados até que um administrador desative isso. Damos nota 4.5 de 5.
- Quanto custa voyage-4-large?
- US$ 0,12 por 1 milhão de tokens; primeiros 200 milhões de tokens grátis (não no Batch); Batch API com 33% de desconto.
- Quais são as desvantagens de voyage-4-large?
- Armazena e pode treinar com dados da API até que um administrador desative; a liderança se apoia nas execuções de RTEB da própria Voyage; sem nota comparável no MTEB; só texto, entradas de 32K tokens, 120K tokens por requisição; os tokens grátis não valem para a Batch API.
- Para quem voyage-4-large é indicado?
- Equipes que constroem busca de texto ou RAG e querem pagar por qualidade na indexação e rodar embeddings de consulta baratos ou locais.
- Quanto custa voyage-4-large para uma equipe ou em produção?
- Indexar 1 bilhão de tokens custa US$ 120 a preço de tabela (US$ 96 após os tokens grátis) ou cerca de US$ 80 no Batch com 33% de desconto, que não recebe tokens grátis. Consultas no voyage-4-lite custam US$ 0,02 por milhão.
- voyage-4-large é seguro para dados da empresa?
- Os dados da API hospedada podem ser armazenados e usados para treinamento por padrão. Um administrador da organização com meio de pagamento pode desativar isso no painel, o que dá retenção de zero dias e não pode ser desfeito ali. O site da Voyage lista SOC 2 e HIPAA, com relatórios em seu trust center na Vanta; hospedagem regional não é abordada no FAQ público.
- Quais são as melhores alternativas ao voyage-4-large?
- As alternativas mais próximas que analisamos são Cohere Embed 5, Gemini Embedding 2 e text-embedding-3-large.
Respostas verificadas em 26 de out. de 2026.