Modelos de embedding y rerankers para búsqueda semántica y RAG
Voyage AI documenta en docs.voyageai.com embeddings y rerankers para RAG. API POST /v1/embeddings; paquete Python voyageai.Client.embed() con modelos voyage-4-large, voyage-4-lite, voyage-code-3, etc. input_type query/document, output_dimension y output_dtype. Rerankers refinan retrieval. Parte del ecosistema MongoDB AI.
Casos de uso
- Retrieval vectorial RAG
- Reranking tras BM25/embeddings
- Modelos domain-specific
- Comparar con Pinecone/Weaviate/Vespa
- Ajuste coste/latencia con lite/quantization
Funciones principales
- Embeddings con input_type query/document
- Rerankers query–documento
- Dimensiones y cuantización configurables
- Cliente Python y REST
- Similitud semántica multilingüe
Relacionados
Relacionados
3 Entradas indexadas
Chroma
Chroma documenta en docs.trychroma.com una base de embeddings open source para almacenar y consultar vectores, metadatos y texto en clientes Python y JavaScript. Cubre colecciones en memoria, almacenamiento persistente, servidor self-hosted y Chroma Cloud con tokens. APIs: add/query/get/update/delete, funciones de embedding e híbrido para RAG y memoria de agentes.
Milvus
Milvus documenta en milvus.io/docs una base vectorial de alto rendimiento con filtrado de metadatos e híbrida. Modos: Milvus Lite, Standalone (Docker) y Distributed (Kubernetes). SDKs: PyMilvus, Go, Java, Node.js; Zilliz Cloud gestionado. Arquitectura desacoplada con object storage (MinIO, S3, Azure).
Weaviate
Weaviate documenta en docs.weaviate.io/weaviate una base vectorial open source para objetos y embeddings con búsqueda semántica, keyword e híbrida, RAG y agentes. Incluye Docker/Kubernetes, Weaviate Cloud, Query Agent y Embeddings gestionados. Clientes: Python (weaviate-client v4, Weaviate 1.23.7+), TypeScript, Go, Java vía REST/gRPC/GraphQL.