Guide

Voyage AI, des embeddings sans reconstruire l'index

Voyage AI fournit des embeddings et un reranking avec un espace vectoriel commun dans la famille Voyage 4. Modèles, tarifs, compression, déploiement et alternatives.

L'équipe CodeWorlds14 min de lecture ·

Pratique Python dans des leçons interactives avec un éditeur de code.

Crée un compte gratuit→
Dans cet article9

Voyage AI fournit des modèles d'embeddings et des modèles qui réordonnent les résultats de recherche. L'entreprise a été rachetée en 2025 par l'éditeur d'une base de documents bien connue, tandis que l'API autonome est restée disponible et que l'intégration avec cette base est une voie supplémentaire et non une condition d'usage.

L'élément différenciant de cette offre est inhabituel et mérite d'être compris, car il résout un problème qui est une nuisance chez tous les autres fournisseurs. Toute la famille Voyage 4, du plus petit modèle au plus grand, produit des vecteurs dans le même espace.

Cela signifie que passer à un modèle plus puissant ou moins cher n'exige aucun recalcul de la collection. Les vecteurs de différents modèles de cette famille sont comparables, donc tu peux indexer une archive avec un modèle peu coûteux et l'interroger avec un modèle coûteux, ou changer de modèle sans toucher à l'index.

Pourquoi un espace commun compte

Ce fil mérite d'être développé, car vu de l'extérieur il ressemble à un détail et en pratique il change la façon de mener un projet.

Chez tous les autres fournisseurs, les vecteurs de deux modèles différents vivent dans des espaces différents et les comparer donne des résultats aléatoires. La conséquence est que choisir un modèle au départ est une décision pour des années : changer signifie recalculer toute l'archive, reconstruire l'index et subir une fenêtre où la recherche s'exécute sur deux ensembles incohérents.

Sur une grande archive, cette perspective bloque de fait tout changement. Les équipes restent avec un modèle choisi il y a deux ans non parce qu'il est le meilleur mais parce que la migration est trop coûteuse pour que quiconque la propose.

Un espace commun supprime ce coût. Tu peux commencer avec le modèle le moins cher et, quand la précision se révèle insuffisante, le remplacer dans la configuration et interroger le même index avec un modèle plus puissant. Tu peux aussi indexer une archive rarement consultée avec un modèle peu coûteux et les documents courants avec un modèle coûteux, en gardant tout au même endroit.

Une réserve à énoncer honnêtement : cette compatibilité couvre la famille Voyage 4. Les vecteurs des générations précédentes et des modèles d'autres fournisseurs restent incomparables, donc passer à cette famille exige un recalcul ponctuel.

Comprends aussi ce qu'un espace commun ne résout pas. Les modèles diffèrent en qualité, donc passer à un modèle plus puissant n'améliore la précision que pour les documents indexés avec le modèle plus puissant. Interroger un index calculé avec un modèle faible par un modèle fort donne un résultat intermédiaire, meilleur que le modèle faible seul et moins bon qu'un recalcul complet. Cela reste un confort considérable, mais ne remplace pas le recalcul quand tu veux la qualité maximale.

Les modèles et comment choisir

La famille compte quatre modèles qui diffèrent par la taille, le prix et la qualité tout en partageant un espace.

Le plus grand coûte le plus et offre la précision la plus haute. Le modèle de base coûte moitié moins pour une légère perte. Le modèle léger coûte une fraction de cela et convient aux gros volumes où le débit compte.

Le quatrième est le plus intéressant : un modèle à poids ouverts disponible sous licence permissive et exécutable en local. C'est rare chez les fournisseurs commerciaux et cela ouvre un dispositif que la concurrence n'offre pas.

Python
import voyageai

client = voyageai.Client()

response = client.embed(
    chunks,
    model="voyage-4-lite",
    input_type="document",
)

Un scénario pratique qui utilise les deux extrémités de la famille ressemble à ceci. Tu développes l'application en local avec le modèle ouvert, sans clés, sans coût et sans que des données quittent ta machine. En production, tu passes à un modèle payant, et comme l'espace est commun, l'index construit en local continue de fonctionner.

Cela résout une vraie nuisance du travail sur les embeddings : l'écart entre les environnements de développement et de production, qui avec d'autres fournisseurs oblige soit à payer chaque test, soit à maintenir deux index séparés.

Réordonner les résultats

La seconde moitié de l'offre concerne un modèle qui note l'adéquation entre une requête et un document, et c'est l'étape qui améliore le plus la précision dans une recherche typique.

Le mécanisme diffère des embeddings. Un modèle d'embedding calcule une seule fois le vecteur d'un document, sans connaître la question, donc la comparaison se réduit à la distance entre deux points. Un modèle de reranking voit la requête et le document ensemble et note directement l'adéquation, ce qui donne de bien meilleurs résultats à un prix par opération beaucoup plus élevé.

Le dispositif pratique comporte deux étapes. La recherche vectorielle renvoie cinquante candidats à peu de frais, et le modèle de notation choisit parmi eux les cinq meilleurs. Tu paies cinquante notations au lieu de tout comparer avec tout, et la qualité du résultat approche ce que donnerait la comparaison exhaustive.

Python
results = client.rerank(
    query="What is the notice period?",
    documents=candidates,
    model="rerank-2.5",
    top_k=5,
)

Mesure cette étape avant de la déployer, car sa valeur dépend de la collection. Sur des documents thématiquement variés, la recherche vectorielle seule suffit généralement. Sur une collection où de nombreux fragments traitent de choses similaires, la différence peut être grande et justifie le coût et la latence supplémentaires.

Tarifs et offre gratuite

La facturation suit les tokens, et les tarifs diffèrent nettement entre les modèles de la famille, de quelques centimes à plus de dix centimes par million de tokens.

L'offre gratuite est généreuse pour cette catégorie et permet de construire et de tester un prototype sans rien dépenser. La grille tarifaire la fixe à deux cents millions de tokens par compte pour chaque modèle de la famille Voyage 4, et autant pour les modèles de reranking. Cela compte pour comparer les fournisseurs, car cela te permet de vérifier la précision sur tes propres données avant de décider.

Il y a ici une exception facile à manquer lors d'une première grosse indexation. Le quota gratuit ne couvre pas le traitement par lots : les tokens envoyés ainsi sont facturés dès le premier et n'entament pas le solde gratuit, mais ils sont facturés à un tarif inférieur d'un tiers, avec un délai d'exécution mesuré en heures. Pour un recalcul ponctuel d'une archive, cela revient généralement quand même moins cher, mais il faut savoir que les deux ne se cumulent pas.

Le modèle à poids ouverts ne coûte rien au-delà du matériel sur lequel tu l'exécutes. Sous un volume élevé et stable, cela peut être décisif, car le coût passe d'une ligne variable à une ligne fixe et cesse de croître avec le trafic.

Chiffre les deux variantes par rapport à tes propres chiffres. Indexer un million de fragments de cinq cents tokens représente cinq cents millions de tokens, soit de dix à soixante dollars environ selon le modèle, tandis que la recherche coûte nettement moins ensuite, car les requêtes sont courtes.

Chiffre l'étape de reranking séparément, car l'arithmétique y va dans l'autre sens. Les embeddings se paient une fois à l'indexation, alors que la notation des candidats a lieu à chaque requête. À mille requêtes par jour et cinquante candidats par requête, ce poste est comparable au coût total de l'indexation, sauf qu'il se répète chaque mois. Réduire les candidats de cinquante à vingt le divise par plus de deux et ne change généralement pas le résultat, car le bon document se trouve rarement au-delà de la vingtième place après la recherche vectorielle.

Dimensions et compression

Les modèles de cette famille te permettent de raccourcir un vecteur sans le recalculer, et le plus petit prend en charge une plage de quelques centaines à plus de deux mille dimensions.

Le gain ne se voit que sur des collections plus grandes, où il est substantiel. Un vecteur de deux mille dimensions stocké en virgule flottante occupe huit kilo-octets ; le même tronqué à cinq cent douze en occupe deux. Sur cinq millions de fragments, c'est la différence entre quarante et dix gigaoctets dans la base vectorielle.

Les modèles sont aussi préparés à la compression du format des nombres, donc un stockage sur des octets simples ne dégrade pas les résultats comme ce serait le cas avec un modèle non entraîné pour cela. Cela compte en pratique, car cela réduit encore l'empreinte d'un facteur quatre, généralement pour une perte de précision mesurée en points de pourcentage.

Choisis les réglages par la mesure plutôt que d'après un tableau. Indexe la même collection avec le nombre complet de dimensions et un nombre tronqué, fais passer le même ensemble de questions dans les deux et compare la fréquence à laquelle le bon document est arrivé dans les cinq premiers. Si la différence est d'un point de pourcentage et l'économie de trois quarts de l'espace, la décision se prend toute seule.

Consigne les réglages choisis à côté de l'index. Les vecteurs calculés avec des nombres de dimensions différents ne sont pas comparables, même au sein d'un même modèle, donc ajouter des documents avec un autre réglage corrompt la recherche silencieusement, sans aucun message.

Déploiement pas à pas

Montrer l'ensemble est rentable, car les embeddings sont un élément et non le système entier.

La première étape est de découper les documents en fragments correspondant à l'unité dans laquelle une réponse tient : une section de documentation, une clause de contrat, une page de rapport. Ce choix influence la précision plus que le choix du modèle et c'est celui que l'on saute le plus souvent. Avec des PDF et des scans, cela commence encore plus tôt, car le texte doit être extrait avec la mise en page, ce qui est le travail d'une couche d'outillage séparée comme Unstructured ; ses erreurs, un tableau fusionné ou des colonnes mélangées, se propagent alors dans chaque étape suivante.

La deuxième est de calculer les vecteurs par lots, avec la progression écrite dans un fichier. Sur une grande collection, tu atteindras les limites de débit des requêtes, et une exécution interrompue doit reprendre là où elle s'est arrêtée plutôt que du début.

La troisième est d'écrire dans une base vectorielle avec les métadonnées. Un numéro de page, un nom de fichier et une date te permettent de montrer à l'utilisateur la source de la réponse et de restreindre les recherches, et les récupérer plus tard signifie retraiter l'archive. Dans MongoDB Atlas Vector Search, exploité par l'entreprise qui a racheté Voyage AI, les deux étapes précédentes peuvent disparaître, car la base calcule les vecteurs avec ces modèles à l'écriture des documents. La fonctionnalité est en préversion publique, et son prix est de lier l'index aux modèles d'un seul fournisseur.

La quatrième est une recherche à deux couches : vectorielle pour le sens et classique pour les correspondances exactes, car une requête sur un numéro de facture ou un code d'erreur n'aboutira pas par la seule similarité de sens.

La cinquième, facultative, est de noter les candidats avec un modèle de reranking. Active-la seulement une fois que tu as mesuré que les quatre étapes précédentes sont insuffisantes, car elle ajoute du coût à chaque requête et allonge le temps de réponse.

Voyage AI face aux alternatives

OptionPoint fortPoint faibleÀ choisir quand
Voyage AIEspace commun dans toute la famille, un modèle à poids ouvertsMoins connu, moins de contenusUn projet où le modèle peut changer
OpenAIPrix le plus bas, simplicité, prévisibilitéTexte uniquement, changer de modèle impose une reconstructionRecherche dans des documents ordinaires
CohereImages et texte dans un même espacePlus cher sur les imagesDocuments à mise en page visuelle
Un autre modèle localAucun coût par token, contrôle totalMatériel, entretien, qualité généralement inférieureDonnées qui ne peuvent pas quitter l'entreprise

La première ligne l'emporte dans un cas précis : quand tu ne sais pas encore quelle qualité il te faut et que recalculer l'archive dans six mois serait coûteux. Un espace commun transforme cette décision, d'un choix contraignant et unique, en choix réversible.

La dernière ligne mérite d'être distinguée du modèle ouvert de cette famille. Ce dernier a l'avantage de rester compatible avec les modèles payants, donc passer du local à l'hébergé n'exige rien d'autre qu'un changement de configuration.

La quatrième ligne mérite une mise en garde, car « un modèle local » se confond avec « un modèle que tu as le droit d'utiliser ». Jina AI publie les poids de ses embeddings et de ses rerankers sur Hugging Face, mais la famille actuelle porte une étiquette CC BY-NC 4.0, une licence qui interdit l'usage commercial, et le modèle de quatrième génération n'a aucune étiquette, seul le fichier dans le dépôt révélant une licence de recherche Qwen avec une clause d'usage exclusivement non commercial. Pire : les modèles étiquetés non commerciaux ne portent aucun fichier de licence dans le dépôt, donc récupérer les poids avec un script ne laisse aucune trace de la restriction dans l'archive. Pour un produit commercial, cela laisse l'API payante du fournisseur, et parmi les familles ouvertes, BGE et Sentence Transformers sont celles qui entrent réellement en jeu.

Erreurs fréquentes

La première est de supposer que l'espace commun couvre tout. Il s'applique à la famille Voyage 4 et non aux générations antérieures ni aux modèles d'autres fournisseurs.

La deuxième est d'omettre le paramètre de type d'entrée. Un document et une requête sont encodés différemment, et utiliser la même valeur pour les deux dégrade la précision d'une façon facile à manquer.

La troisième est d'ajouter une étape de reranking sans mesurer. Sur une collection thématiquement variée, la recherche vectorielle seule suffit généralement, et l'étape supplémentaire coûte de l'argent et de la latence.

La quatrième est de noter toute la collection plutôt que les candidats issus de la recherche. C'est un dispositif à deux étapes et il n'a de sens économique que sous cette forme.

La cinquième est d'exécuter le modèle local en production sans mesurer l'écart de précision. Les poids ouverts séduisent par le prix, et un modèle plus petit donne généralement de moins bons résultats, ce qui mérite d'être quantifié.

La sixième est d'indexer sans consigner quel modèle et quel nombre de dimensions ont produit les vecteurs. Six mois plus tard, personne ne s'en souvient, et ajouter de nouveaux documents avec d'autres réglages corrompt l'index silencieusement.

FAQ

Que signifie un espace commun ?

Chaque modèle de la famille Voyage 4 produit des vecteurs comparables entre eux. Passer à un modèle plus puissant ou moins cher n'exige ni recalcul ni reconstruction de l'index, ce qui, sur une grande archive, transforme une décision contraignante en décision réversible.

Existe-t-il vraiment un modèle que je peux exécuter moi-même ?

Oui, le plus petit modèle de la famille a des poids ouverts sous licence permissive et s'exécute en local. Plus important encore, il reste compatible avec les modèles payants, donc tu peux développer en local et passer à un modèle hébergé sans toucher à l'index.

En quoi l'embedding diffère-t-il du reranking ?

Un modèle d'embedding calcule une seule fois le vecteur d'un document, sans connaître la question. Un modèle de reranking voit la requête et le document ensemble, donc il note l'adéquation plus précisément à un prix par opération beaucoup plus élevé. D'où le dispositif à deux étapes : une recherche peu coûteuse, puis la notation des candidats.

Dois-je utiliser la base de documents du fournisseur ?

Non. L'API autonome fonctionne indépendamment, et les vecteurs vont dans n'importe quelle base vectorielle, comme celles traitées dans les articles sur Qdrant ou pgvector. L'intégration avec la base du fournisseur est une voie supplémentaire et non une exigence.

Comment vérifier que le changement en vaut la peine ?

Construis un ensemble de cinquante vraies questions avec des réponses attendues, indexe la même collection avec ton modèle actuel et avec le nouveau, et compare la fréquence à laquelle le bon document est arrivé dans les cinq premiers. L'offre gratuite couvre ce test sans rien dépenser.

La documentation se trouve sur le site du fournisseur, et les détails de la famille Voyage 4 dans son article de lancement.

À lire aussi