Fireworks AI مدل Voyage Multimodal 3.5 را معرفی کرد؛ مدلی برای تعبیه‌سازی با تمرکز بر بازیابی اطلاعات که متن و محتوای بصریِ درهم‌آمیخته را پردازش می‌کند. این مدل با اسکرین‌شات، فایل‌های PDF، جدول، شکل، اسلاید و فریم‌های ویدئویی کار می‌کند. مدل تا 32 000 توکن را پشتیبانی می‌کند و هر 1120 پیکسل از ویدئو را یک توکن در نظر می‌گیرد. به لطف تعبیه‌سازی‌های Matryoshka، کاربران می‌توانند ابعادی از 256 تا 2048 را برای تعبیه‌سازی انتخاب کنند و برای کاهش هزینهٔ ذخیره‌سازی، از میان چند قالب کوانتیزه‌سازی دست به انتخاب بزنند.
چرا مهم است
تیم‌هایی که باید در مجموعه‌داده‌های چندرسانه‌ای جست‌وجو کنند، می‌توانند با Voyage Multimodal 3.5 متن مرتبط یا بخش‌های ویدئویی موردنظر را پیدا کنند، بی‌آنکه لازم باشد نمایه‌های جداگانه بسازند.
