voyageai/voyage-4-lite

Publié par Voyage AI le 15 janvier 2026, voyageai/voyage-4-lite est un modèle d’embedding dense qui convertit les textes en vecteurs de 1 024 dimensions. Ses évaluations couvrent notamment des contenus en français et en allemand, ainsi que plusieurs domaines spécialisés.

Ces représentations numériques servent à classer des résultats par proximité sémantique, à retrouver des passages dans un système RAG, à mesurer la similarité entre textes et à regrouper des documents par thèmes. Le modèle produit des vecteurs destinés à l’indexation et à la comparaison, plutôt que du texte.

Caractéristiques

Performances (benchmarks)

Scores issus de MTEB (Massive Text Embedding Benchmark), suite d'évaluation indépendante. Le rang situe le modèle parmi les modèles d'embedding évalués sur le même track.

Comment se situe-t-il ?

Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.

Notre analyse

Forces. voyageai/voyage-4-lite se distingue surtout en recherche financière, où RTEB Finance le place dans le top 10 parmi 95 modèles. Les résultats indiquent également une bonne aptitude au retrieval en allemand dans les domaines juridique, médical et commercial. Son classement sur RTEB Legal montre aussi une position solide pour retrouver des décisions, des textes législatifs et des résumés juridiques. La représentation dense de 1 024 dimensions fournit un format de sortie fixe pour dimensionner les index vectoriels et les traitements de similarité.

Limites et points d’attention. Les performances sont moins compétitives sur RTEB French, où le modèle se situe derrière plusieurs dizaines de concurrents pour la recherche juridique et de connaissances générales. RTEB Healthcare constitue également un point plus modéré que la finance, malgré une capacité mesurée sur les questions-réponses et contenus médicaux. Le choix de 1 024 dimensions implique que chaque document indexé comporte autant de valeurs denses, ce qui doit être pris en compte dans le stockage et la recherche vectorielle. Usages pertinents : recherche sémantique financière, retrieval allemand, corpus juridiques, RAG documentaire, similarité et clustering.

Sources des données : MTEB — Massive Text Embedding Benchmark · LLM-Stats (llm-stats.com).