Voyage 4: la modelo de embeddings insignia con MoE cuesta un 40% menos de servir que los densos equivalentes
Voyage AI ha presentado Voyage 4, cuatro modelos que convierten texto en vectores numéricos para la búsqueda en RAG. El modelo insignia funciona con una arquitectura mixture-of-experts (MoE): en cada consulta solo se activa una parte de la red, por eso su servicio resulta un 40% más barato que el de modelos densos de la misma clase. En calidad de búsqueda supera a Gemini Embedding 001 en un 3,87% y a OpenAI v3 Large en un 14,05%. Para sistemas RAG con mucho tráfico, es una forma de reducir la factura.
Procesado por IA desde Voyage AI; editado por Hamidun News
Para que una red neuronal pueda buscar en tus documentos, primero el texto se convierte en embeddings: un conjunto de números que permite saber cuán cercanos en significado son dos fragmentos. Esta es la base de cualquier RAG, es decir, la combinación de «búsqueda en una base de datos más un modelo de lenguaje». Voyage AI ha lanzado la familia Voyage 4: cuatro modelos capaces de trabajar en un espacio vectorial común.
El insignia está construido con la arquitectura mixture-of-experts (MoE): en cada consulta solo se activa una parte de los parámetros de la red, como si la consulta no la analizaran todos los médicos de una clínica, sino solo los especialistas necesarios. Gracias a ello, según datos de la compañía, su servicio cuesta un 40% menos que el de modelos densos de calidad comparable, en los que todos los parámetros trabajan a la vez.
Un lenguaje vectorial para cuatro modelos
La serie incluye el modelo insignia, dos modelos de tamaño medio y el primer modelo abierto de la compañía. Su rasgo principal es el espacio de embeddings compartido: los vectores generados por distintos modelos de la familia son compatibles y se pueden comparar directamente. Normalmente, al cambiar de modelo hay que recalcular toda la base.
Voyage llama a este esquema búsqueda asimétrica. Imagine una base de conocimiento interna de un millón de documentos. Usted la procesa una sola vez con el modelo más preciso y paga por ello una única vez. Las consultas de los usuarios las codifica un modelo compacto, que responde rápido y cuesta menos. La calidad de la búsqueda depende sobre todo de los vectores de los documentos, así que usted obtiene el beneficio del modelo grande, mientras que la latencia y el coste de cada consulta siguen siendo los de un modelo pequeño.
Para servicios con mucho tráfico, la compañía recomienda este orden: codificar el corpus con el insignia, usar un modelo ligero para las consultas al inicio y, si aumentan los requisitos de precisión, pasar las consultas a un modelo más potente. En ese caso no hará falta recalcular los documentos.
MoE en embeddings y resultados de las pruebas
Los modelos de lenguaje con MoE ya son habituales, pero Voyage afirma que su insignia es el primer modelo de embeddings de este tipo listo para uso en producción. La promesa es sencilla: calidad al nivel de los mejores, con un coste de servicio un 40% inferior al de los modelos densos.
La calidad se evaluó en 29 conjuntos de datos del benchmark RTEB. El modo asimétrico se evaluó por separado, con colecciones de ocho ámbitos: medicina, código, web, finanzas, documentación técnica, documentos largos, correspondencia y derecho. La métrica es NDCG sobre los diez mejores documentos encontrados, que muestra cuán arriba aparecen en los resultados los textos relevantes. En promedio, según Voyage, el insignia supera a Gemini Embedding 001 en un 3,87%, a Cohere Embed v4 en un 8,20% y a OpenAI v3 Large en un 14,05%. También es mejor que los modelos anteriores de la propia compañía. En el modo asimétrico, según sus datos, la calidad también aumenta con los modelos ligeros.
Ahorro en almacenamiento y modelo abierto
Todos los modelos admiten la compresión de vectores. Se puede elegir una longitud de vector de 2048, 1024, 512 o 256 valores (tecnología Matryoshka) y el formato de los números: decimales de 32 bits, enteros de 8 bits con o sin signo, o binario. Cuanto más corto sea el vector y más simple el formato, menos espacio ocupa el índice y más barata resulta la base vectorial. Voyage asegura que las pérdidas de calidad son mínimas, aunque conviene comprobarlo con sus propios datos.
Para quien no quiera depender de la API, existe el modelo abierto nano. Sus pesos están publicados en Hugging Face bajo licencia Apache 2.0. Sirve para prototipos locales y, después, se puede pasar a los modelos de pago sin cambiar el espacio vectorial.
Qué hacer en la práctica
Los modelos están disponibles a través de la API de Voyage, y para los clientes de MongoDB Atlas, mediante la Embedding and Reranking API. Los primeros 200 millones de tokens son gratuitos, de modo que puede comparar las opciones sin presupuesto.
Hay que tener en cuenta lo siguiente. Todas las comparaciones las publica la propia Voyage, por lo que es imprescindible una verificación independiente sobre su corpus, sobre todo en ámbitos especializados. La ventaja del modo asimétrico depende de la proporción de cargas: se nota donde hay muchas más consultas que actualizaciones de documentos. Si el corpus cambia cada hora, el ahorro será más modesto. La cifra del 40% se refiere al coste de servir el insignia, no a toda su factura de búsqueda.
Si está construyendo un agente o un buscador de documentos con mucho tráfico, pruebe la combinación «modelo pesado para documentos, ligero para consultas». Para un responsable de producto, es la oportunidad de mantener la calidad de búsqueda y reducir el precio de cada consulta, sin reconstruir el índice al cambiar de modelo.
- 21 nov 2026GPT-6 Cyber encontró unos 35 fallos en iPhone, Mac y otros dispositivos de Apple
- 21 nov 202622 agentes de Claude pasaron seis semanas buscando respuestas sobre agujeros negros, y resolvieron dos problemas
- 21 nov 2026Google separará el almacenamiento de chats del entrenamiento de Gemini: rechazar sin perder el historial
- 21 nov 2026Apple en macOS 27.3 beta 2 permitirá limitar el acceso de los agentes de IA a los archivos del Mac
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Un lenguaje vectorial para cuatro modelos?
La serie incluye el modelo insignia, dos modelos de tamaño medio y el primer modelo abierto de la compañía. Su rasgo principal es el espacio de embeddings compartido: los vectores generados por distintos modelos de la familia son compatibles y se pueden comparar directamente. Normalmente, al cambiar de modelo hay que recalcular toda la base. Voyage llama a este esquema búsqueda asimétrica. Imagine una base de conocimiento interna de un millón de documentos.
¿Qué se sabe sobre MoE en embeddings y resultados de las pruebas?
Los modelos de lenguaje con MoE ya son habituales, pero Voyage afirma que su insignia es el primer modelo de embeddings de este tipo listo para uso en producción. La promesa es sencilla: calidad al nivel de los mejores, con un coste de servicio un 40% inferior al de los modelos densos. La calidad se evaluó en 29 conjuntos de datos del benchmark RTEB.
¿Qué se sabe sobre Ahorro en almacenamiento y modelo abierto?
Todos los modelos admiten la compresión de vectores. Se puede elegir una longitud de vector de 2048, 1024, 512 o 256 valores (tecnología Matryoshka) y el formato de los números: decimales de 32 bits, enteros de 8 bits con o sin signo, o binario. Cuanto más corto sea el vector y más simple el formato, menos espacio ocupa el índice y más barata resulta la base vectorial. Voyage asegura que las pérdidas de calidad son mínimas, aunque conviene comprobarlo con sus propios datos.
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.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.