voyageai/voyage-4-nano

Publié par Voyage AI le 15 janvier 2026, voyageai/voyage-4-nano est un modèle d’embedding textuel multilingue de 346 millions de paramètres, sous licence ouverte Apache 2.0. Son architecture Qwen3 bidirectionnelle avec mean pooling accepte un contexte de 32 000 tokens.

Le modèle produit des vecteurs denses de 2048 dimensions, réductibles à 1024, 512 ou 256 dimensions grâce au Matryoshka Representation Learning. Il sert à la recherche sémantique, à la recherche documentaire pour le RAG, au calcul de similarité et au clustering, avec des prompts distincts pour les requêtes et les documents.

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. Son contexte de 32 000 tokens facilite l’indexation de documents longs. Les dimensions flexibles permettent d’arbitrer entre richesse de représentation, taille des index et vitesse de recherche, tandis que les sorties float32, int8, uint8, binaires ou binaires non signées offrent plusieurs options de stockage. L’espace d’embedding partagé avec les autres modèles Voyage 4 rend leurs vecteurs directement comparables et interchangeables. La licence Apache 2.0 favorise l’auto-hébergement et l’intégration dans des systèmes commerciaux. Son orientation multilingue couvre notamment les tâches de classification, de clustering et de comparaison de paires évaluées par MTEB Thai.

Limites et points d'attention. Sur MTEB Thai, son classement le place dans le milieu de tableau, ce qui invite à valider sa qualité sur les corpus thaïlandais visés. La sortie maximale de 2048 dimensions augmente la mémoire nécessaire à l’index et le coût des recherches par rapport aux variantes réduites. À l’inverse, choisir 256, 512 ou 1024 dimensions constitue un compromis susceptible de réduire la finesse des représentations. Les quantifications et formats binaires impliquent également un arbitrage entre compacité et précision. Usages pertinents : recherche sémantique multilingue, RAG sur documents longs, déduplication, similarité textuelle et clustering.

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