ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارAPI / منتج · جاهز للعملVoyage AI→ المصدر

Voyage 4: نموذج التضمين الرائد المبني على MoE أرخص بنسبة 40% في التشغيل من نظيراته الكثيفة

أطلقت Voyage AI نماذج Voyage 4، وهي أربعة نماذج تحوّل النص إلى متجهات رقمية تُستخدم في البحث ضمن أنظمة RAG. يعتمد النموذج الرائد بنية mixture-of-experts (MoE)، إذ يُفعَّل جزء فقط من الشبكة عند كل طلب، ولهذا تقل تكلفة تشغيله بنسبة 40% عن النماذج الكثيفة من الفئة نفسها. ومن حيث جودة البحث، يتفوق على Gemini Embedding 001 بنسبة 3.87%، وعلى OpenAI v3 Large بنسبة 14.05%. وبالنسبة إلى أنظمة RAG ذات الحركة الكبيرة، تمثّل هذه النماذج وسيلة لخفض الفاتورة.

معالج بواسطة الذكاء الاصطناعي من Voyage AI؛ بتحرير Hamidun News
Voyage 4: نموذج التضمين الرائد المبني على MoE أرخص بنسبة 40% في التشغيل من نظيراته الكثيفة
المصدر: Voyage AI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليVoyage AI ↗
رئيس التحرير
حقيقة رئيسية #1يُرمَّز المستندات بنموذج قوي، وتُرمَّز الاستعلامات بنموذج خفيف، فلا حاجة إلى إعادة حساب قاعدة البيانات
حقيقة رئيسية #2أول 200 مليون رمز (توكن) عبر Voyage API مجانية
حقيقة رئيسية #3نموذج nano المفتوح متاح على Hugging Face بترخيص Apache 2.0

لكي تتمكن الشبكة العصبية من البحث في مستنداتك، يُحوَّل النص أولاً إلى تضمينات (embeddings)، أي مجموعة أرقام يمكن بها معرفة مدى تقارب مقطعين في المعنى. وهذا هو أساس أي نظام RAG، أي الجمع بين البحث في قاعدة بيانات ونموذج لغوي. أطلقت Voyage AI عائلة Voyage 4، وتضم أربعة نماذج تضمين من هذا النوع تعمل في فضاء متجهي مشترك. وقد بُني النموذج الرائد على بنية mixture-of-experts (MoE)، إذ لا يُفعَّل عند كل طلب سوى جزء من معاملات الشبكة، كأن السؤال لا يُعرض على أطباء العيادة كلهم بل على المختصين المعنيين فقط. وبحسب بيانات الشركة، تقل تكلفة تشغيله بنسبة 40% عن النماذج الكثيفة المماثلة في الجودة، وهي النماذج التي تعمل فيها جميع المعاملات دفعة واحدة.

لغة متجهية واحدة لأربعة نماذج

تضم السلسلة نموذجاً رائداً ونموذجين متوسطي الحجم، وأول نموذج مفتوح تصدره الشركة. وأبرز ما يميزها فضاء التضمين المشترك: فالمتجهات التي تنتجها نماذج العائلة المختلفة متوافقة ويمكن مقارنتها مباشرة. أما عادةً، فعند تغيير النموذج تُعاد حسابات قاعدة البيانات كلها من جديد.

تسمي Voyage هذا الأسلوب البحث غير المتماثل (asymmetric retrieval). تخيّل قاعدة معرفة داخلية تضم مليون مستند. تمرّرها مرة واحدة عبر أدق النماذج وتدفع مقابل ذلك مرة واحدة. أما استعلامات المستخدمين فيرمّزها نموذج مدمج يستجيب بسرعة وتكلفته أقل. وتتحدد جودة البحث إلى حد كبير بمتجهات المستندات تحديداً، ولذلك تستفيد من النموذج الكبير، بينما يبقى زمن الاستجابة وسعر كل استعلام عند مستوى النموذج الصغير.

وتنصح الشركة الخدمات ذات الحركة الكبيرة باتباع الترتيب التالي: ترميز المجموعة الوثائقية بالنموذج الرائد، واستخدام نموذج خفيف للاستعلامات عند الإطلاق، ثم تحويل الاستعلامات إلى نموذج أقوى عندما ترتفع متطلبات الدقة. ولا حاجة في هذه الحالة إلى إعادة حساب المستندات.

MoE في التضمينات ونتائج الاختبار

أصبحت النماذج اللغوية المبنية على MoE مألوفة، لكن Voyage تصف نموذجها الرائد بأنه أول نموذج تضمين من هذا النوع جاهز للاستخدام الإنتاجي. والوعد بسيط: جودة في مستوى الأفضل بتكاليف تشغيل أقل بنسبة 40% من النماذج الكثيفة.

اختُبرت الجودة على 29 مجموعة بيانات من معيار RTEB. واختُبر الوضع غير المتماثل على حدة، على مجموعات من ثمانية مجالات: الطب، والبرمجة، والويب، والمالية، والوثائق التقنية، والمستندات الطويلة، والمراسلات، والقانون. والمقياس هو NDCG لأفضل عشرة مستندات يُعثر عليها، وهو يبيّن إلى أي مدى تظهر النصوص المطلوبة في أعلى النتائج. وبحسب Voyage، يتفوق النموذج الرائد في متوسط النتائج على Gemini Embedding 001 بنسبة 3.87%، وعلى Cohere Embed v4 بنسبة 8.20%، وعلى OpenAI v3 Large بنسبة 14.05%. كما يتفوق على النماذج السابقة للشركة نفسها. وتفيد الشركة بأن الجودة ترتفع في الوضع غير المتماثل حتى بالنسبة إلى النماذج الخفيفة.

توفير في التخزين ونموذج مفتوح

تدعم جميع النماذج ضغط المتجهات. ويمكن اختيار طول المتجه: 2048 أو 1024 أو 512 أو 256 قيمة (تقنية Matryoshka)، وكذلك صيغة الأرقام: أعداد عشرية 32 بت، أو أعداد صحيحة 8 بت بإشارة أو بدونها، أو صيغة ثنائية. وكلما قصر المتجه وبُسّطت الصيغة، قلّت المساحة التي يشغلها الفهرس وانخفضت تكلفة قاعدة المتجهات. وتؤكد Voyage أن فقدان الجودة ضئيل، لكن من الأفضل التحقق من ذلك على بياناتك الخاصة.

ولمن لا يريد الاعتماد على API، يتوفر نموذج nano المفتوح. وأوزانه منشورة على Hugging Face بترخيص Apache 2.0. وهو مناسب للنماذج الأولية المحلية، ثم يمكن الانتقال إلى النماذج المدفوعة دون تغيير فضاء المتجهات.

ماذا تفعل عملياً

النماذج متاحة عبر Voyage API، ولعملاء MongoDB Atlas عبر Embedding and Reranking API. وأول 200 مليون رمز مجانية، فيمكن مقارنة الخيارات دون ميزانية.

وفيما يلي التحفظات. جميع المقارنات منشورة من Voyage نفسها، ولذلك فالتحقق المستقل على مجموعتك الوثائقية ضروري، خصوصاً في المجالات الضيقة. ويتوقف مكسب الوضع غير المتماثل على نسبة الأحمال: فهو يظهر بوضوح حيث تفوق الاستعلامات عدد تحديثات المستندات بكثير. وإذا كانت المجموعة الوثائقية تتغير كل ساعة، فسيكون التوفير أقل. أما رقم 40% فيخص تكلفة تشغيل النموذج الرائد، لا فاتورة البحث لديك بأكملها.

إذا كنت تبني وكيلاً (agent) أو نظام بحث في المستندات بحركة كبيرة، فاختبر الجمع بين نموذج ثقيل للمستندات ونموذج خفيف للاستعلامات. وبالنسبة إلى مدير المنتج، هذه فرصة للحفاظ على جودة البحث وخفض سعر كل استعلام، دون إعادة بناء الفهرس عند تغيير النموذج.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول لغة متجهية واحدة لأربعة نماذج؟

تضم السلسلة نموذجاً رائداً ونموذجين متوسطي الحجم، وأول نموذج مفتوح تصدره الشركة. وأبرز ما يميزها فضاء التضمين المشترك: فالمتجهات التي تنتجها نماذج العائلة المختلفة متوافقة ويمكن مقارنتها مباشرة. أما عادةً، فعند تغيير النموذج تُعاد حسابات قاعدة البيانات كلها من جديد. تسمي Voyage هذا الأسلوب البحث غير المتماثل (asymmetric retrieval). تخيّل قاعدة معرفة داخلية تضم مليون مستند. تمرّرها مرة واحدة عبر أدق النماذج وتدفع مقابل ذلك مرة واحدة. أما استعلامات المستخدمين فيرمّزها نموذج مدمج يستجيب بسرعة وتكلفته أقل.

ما أبرز التفاصيل حول MoE في التضمينات ونتائج الاختبار؟

أصبحت النماذج اللغوية المبنية على MoE مألوفة، لكن Voyage تصف نموذجها الرائد بأنه أول نموذج تضمين من هذا النوع جاهز للاستخدام الإنتاجي. والوعد بسيط: جودة في مستوى الأفضل بتكاليف تشغيل أقل بنسبة 40% من النماذج الكثيفة. اختُبرت الجودة على 29 مجموعة بيانات من معيار RTEB. واختُبر الوضع غير المتماثل على حدة، على مجموعات من ثمانية مجالات: الطب، والبرمجة، والويب، والمالية، والوثائق التقنية، والمستندات الطويلة، والمراسلات، والقانون.

ما أبرز التفاصيل حول توفير في التخزين ونموذج مفتوح؟

تدعم جميع النماذج ضغط المتجهات. ويمكن اختيار طول المتجه: 2048 أو 1024 أو 512 أو 256 قيمة (تقنية Matryoshka)، وكذلك صيغة الأرقام: أعداد عشرية 32 بت، أو أعداد صحيحة 8 بت بإشارة أو بدونها، أو صيغة ثنائية. وكلما قصر المتجه وبُسّطت الصيغة، قلّت المساحة التي يشغلها الفهرس وانخفضت تكلفة قاعدة المتجهات. وتؤكد Voyage أن فقدان الجودة ضئيل، لكن من الأفضل التحقق من ذلك على بياناتك الخاصة. ولمن لا يريد الاعتماد على API، يتوفر نموذج nano المفتوح. وأوزانه منشورة على Hugging Face بترخيص Apache 2.0.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…