在AI技术广泛应用的企业场景中，提高检索准确度和效率已成为关键挑战。特别是面对生成式AI中的“幻觉”问题，企业急需有效解决方案。

华人学霸团队

Voyage AI，一家由华人创办的AI初创公司，正是为了应对这一问题而诞生。通过开发先进的嵌入和重新排序模型，Voyage AI为企业提供了高效的检索增强生成（RAG）解决方案，以应对复杂数据的检索需求。

Voyage AI近日宣布完成了2000万美元的A轮融资，由CRV领投，Wing VC、Snowflake和Databricks参与，总融资额已达2800万美元，这笔资金将助力公司进一步研发和完善其核心技术。

Voyage AI由清华大学毕业的马腾宇于2023年底创立，专注于开发顶尖的嵌入模型，并为企业提供定制化服务。

马腾宇在普林斯顿大学获得博士学位，师从著名理论计算机科学家Sanjeev Arora教授，随后加入斯坦福大学，专注于大规模嵌入模型和自然语言处理领域的研究。

Voyage AI的团队均为华人，汇集了来自斯坦福、麻省理工等顶尖学府的专家，既具备深厚的学术背景，也拥有丰富的AI实际应用经验。通过与Snowflake、Harvey、Databricks等知名企业的合作，他们推动了技术在真实商业场景中的落地，确保产品的实用性和市场适应性。

Voyage AI还得到了斯坦福人工智能实验室主任Christopher Manning和AI领域知名学者李飞飞等人的支持，他们作为学术顾问，为公司提供了宝贵的技术指导和学术洞见。

让AI更“智能”

RAG（检索增强生成）技术通过将生成式AI与企业现有的知识库结合，利用检索到的相关数据辅助生成，从而减少错误信息的产生。

Voyage AI通过嵌入模型和重新排序器的结合，显著提升了RAG系统的整体效果，尤其在金融、法律和多语言应用等领域表现突出。

嵌入模型是RAG的核心，它将文本、文档等非结构化数据转化为向量表示，帮助AI更好地理解内容和上下文。例如，Voyage AI的嵌入模型能够识别同一词汇在不同语境下的不同含义，提高数据检索的准确性。以“银行”为例，无论是指“河岸”还是“金融机构”，嵌入模型都能生成不同的向量反映其特定的语境含义，使得AI在处理复杂查询时，能够返回更精确、更相关的结果。

Voyage AI采用创新的对比学习技术，使模型能在无大量标记数据的情况下，从数据中提取深层次语义信息，提高了处理复杂数据的准确性和鲁棒性，特别适用于企业非结构化数据处理。

新一代嵌入模型与重排序模型

Voyage AI近期发布的新一代嵌入模型voyage-3和voyage-3-lite，在多个关键技术指标上显著超越了市场主流产品。与OpenAI的嵌入模型相比，voyage-3在检索精度上提升了7.55%，并将成本降低了2.2倍。

voyage-3-lite则在检索准确性提升了3.82%，同时成本减少了6倍。这种高效的成本控制对于大规模企业应用来说尤其重要，因为它不仅提高了系统的可用性，还显著降低了运营成本。

除了嵌入模型，Voyage AI还推出了新型重排序模型，该模型在复杂查询的处理上表现尤为出色。新重排序模型在检索准确度上提升了13.89%和11.86%，通过优化搜索结果的排列方式，确保最相关的信息能够优先呈现给用户。

左图：不同嵌入模型在不同数据领域的 NDCG@10。右图：在 OpenAI 最新嵌入模型上使用时各种重新排序器的 NDCG@10。

这一创新对于企业级应用尤其关键，因为在大量数据查询中，信息的相关性决定了AI系统能否高效辅助决策。通过这些新型模型，Voyage AI帮助企业实现了更加精准的数据检索和分析，显著提升了AI系统的商业价值。

这些技术不仅解决了企业在大规模数据处理中的痛点，还为复杂应用场景中的AI系统提供了可靠的支持，尤其在对速度、成本和准确度要求高的行业，如金融、法律、医疗和多语言处理领域，Voyage AI的技术具有极大的应用潜力。

目前，Voyage AI通过与Snowflake、Harvey、Databricks等知名企业的合作，Voyage AI在实际应用场景中获得了宝贵反馈，这些反馈进一步帮助他们优化产品，确保模型在真实商业环境中保持高效性能。

文章来自于微信公众号“中鲸社”，作者“鲸瞳”