MongoDB 认为，增强的数据检索，而不仅仅是更大的 AI 模型，对于建立值得信赖的企业 AI 系统至关重要。随着代理系统和检索增强生成 (RAG) 在生产环境中获得越来越多的关注，数据检索的质量正成为一个重要的瓶颈，可能会损害准确性、成本效益和用户信心，即使底层 AI 模型非常强大，数据库提供商表示。

为了应对这一挑战，MongoDB 最近推出了四个新版本的嵌入和重排序模型，统称为 Voyage 4。这些模型旨在提高数据检索过程的效率和准确性。Voyage 4 将以四种模式提供：voyage-4 embedding、voyage-4-large、voyage-4-lite 和 voyage-4-nano。

根据 MongoDB 的说法，voyage-4 embedding 作为其通用模型，适用于广泛的应用。Voyage-4-large 被定位为该公司的旗舰模型，为要求苛刻的任务提供增强的性能。Voyage-4-lite 针对需要低延迟和降低成本的场景进行了优化，使其适用于实时应用和资源受限的环境。voyage-4-nano 旨在用于本地开发和测试，以及设备上的数据检索，使开发人员能够在不依赖云基础设施的情况下试验 AI 模型。值得注意的是，voyage-4-nano 是 MongoDB 的第一个开放权重模型，为开发人员提供更大的透明度和灵活性。

所有四个模型都可以通过 API 和 MongoDB 的 Atlas 平台访问，使开发人员能够将它们无缝集成到他们现有的工作流程中。该公司声称，这些模型在检索质量和效率方面优于类似的模型。

对检索质量的关注突显了 AI 社区日益增长的共识，即 AI 系统的有效性不仅取决于模型本身的复杂性，还取决于有效访问和处理相关数据的能力。特别是 RAG 系统，严重依赖于准确和及时的数据检索来增强预训练语言模型的知识。

改进数据检索的意义远不止技术性能。通过提高 AI 系统的准确性和可靠性，更好的检索可以有助于提高用户信任度，并在各个行业中更广泛地采用 AI 技术。这在企业环境中尤为重要，在这些环境中，AI 越来越多地用于自动化关键业务流程和为决策提供信息。

更高效、更准确的检索模型的开发代表着朝着构建更值得信赖和更有效的 AI 系统迈出的重要一步。随着 AI 的不断发展，对数据检索的关注可能会加强，从而推动这一关键领域的进一步创新。