MongoDB认为，改进的数据检索，而非仅仅是更大的AI模型，对于构建值得信赖的企业AI系统至关重要。随着代理系统和检索增强生成（RAG）进入生产阶段，这家数据库供应商已经发现检索质量是一个重大弱点，即使底层模型很强大，也可能对准确性、成本和用户信任产生负面影响。

为了解决这个问题，MongoDB推出了四个新版本的嵌入和重排序模型，统称为“Voyage 4”。这些模型旨在提高AI系统中数据检索的效率和准确性。Voyage 4有四种模式：voyage-4 embedding、voyage-4-large、voyage-4-lite和voyage-4-nano。

根据MongoDB的说法，voyage-4 embedding是其通用模型，而Voyage-4-large被认为是其旗舰模型。Voyage-4-lite针对需要低延迟和降低成本的任务进行了优化。Voyage-4-nano则用于本地开发和测试环境，以及设备上的数据检索。值得注意的是，voyage-4-nano是MongoDB的第一个开放权重模型。

所有四个模型都可以通过API和MongoDB的Atlas平台访问。该公司声称，这些模型的性能优于目前可用的类似模型。

对检索质量的关注突显了AI行业日益增长的担忧。虽然大型语言模型（LLM）已经获得了广泛关注，但从数据库和知识库中有效检索相关信息的能力对于构建可靠和准确的AI应用程序至关重要。特别是RAG系统，依赖于准确的检索来利用外部数据增强LLM的知识。

检索质量差的影响不仅仅是准确性问题。不准确或低效的检索会导致计算资源浪费，从而增加成本，并可能削弱用户对AI系统的信任。随着AI更多地融入关键业务流程，确保数据检索的可靠性至关重要。

MongoDB对检索质量的强调表明了AI社区内部关注点的转变。公司不再仅仅追求更大更复杂的模型，而是开始认识到优化整个AI流程（包括数据检索）的重要性。这种整体方法对于构建不仅强大，而且值得信赖且具有成本效益的AI系统至关重要。

MongoDB的Voyage 4模型的可用性代表着朝着解决企业AI中检索质量挑战迈出的一步。该公司计划继续开发和改进其模型，以满足AI行业不断变化的需求。