# Чому ми оновили пошук коду до voyage-4-large

Canonical source: https://maguyva.ai/uk/blog/upgrading-code-search-to-voyage-4-large

License: text under [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/); code samples under [MIT-0](https://opensource.org/license/mit-0); the Maguyva name, logos, brand assets and other code are not covered. Details: [maguyva.ai/license](https://maguyva.ai/license).

Date: 2026-06-09 · Author: Maguyva Team

> Ми перевели наші ембеддинги коду на voyage-4-large — модель, що наразі очолює публічний рейтинг RTEB для пошуку коду. Чесна версія: компроміс, на який ми йдемо, що ми насправді індексуємо, і чому ми платимо за преміум-ембеддинги.

> *Числа бенчмарків у цьому дописі відображають рейтинги RTEB на момент публікації (червень 2026). Рейтинги змінюються; сприймайте позиції як знімок моменту, а не постійний факт.*

Семантичний пошук настільки хороший, наскільки хороші ембеддинги під ним.

Коли агент запитує Maguyva «де ми обробляємо повторні спроби», він не грепає слово «retry». Він запитує *сенс* — цикл backoff, запобіжник (circuit breaker), те, що обгортає ненадійний виклик. На це запитання відповідає векторна модель, що перетворює код на точку в просторі й знаходить сусідів. Оберіть кращу модель, і кожен семантичний запит у продукті тихо стає точнішим.

Тож ми змінили нашу. Станом на червень 2026 року ембеддинги коду Maguyva працюють на **`voyage-4-large`**, замінивши `voyage-code-3`.

## Бенчмарк

Ми не ухвалювали це рішення на відчуттях. Публічний [Retrieval Embedding Benchmark (RTEB)](https://embedding-benchmark-rteb.hf.space/code) ранжує моделі ембеддингів на реальних задачах пошуку, і в його рейтингу **Code** `voyage-4-large` посідає **#1 загалом (90.86)** — попереду `gemini-embedding-2-preview` (90.26) і, що важливо, попереду моделі, яку ми вже використовували, `voyage-code-3` (89.73, #3).

Це невеликий абсолютний розрив. Але це розрив у правильному напрямку, на публічному бенчмарку, на точно тій задачі, яка нас цікавить: пошук коду за сенсом.

## Компроміс, на який ми йдемо: бінарна квантизація

Ось та частина, яку більшість дописів «ми оновили нашу модель» пропускають.

Maguyva не зберігає вектори повної точності. Ми зберігаємо **бінарно-квантизовані** ембеддинги: кожен 2048-вимірний вектор стискається до 2048-бітного підпису — **256 байт на вектор**. Ці підписи шукаються за відстанню Хеммінга, індексовані та розділені по тенантах.

Це навмисний компроміс. Бінарна квантизація жертвує деякою точністю пошуку в обмін на значно менший обсяг зберігання та швидке й дешеве обчислення відстані без окремої векторної бази даних для експлуатації. Для продукту, що індексує цілі репозиторії на робочий простір, ця економіка важливіша, ніж вичавлювання останньої частки бенчмаркового балу.

`voyage-4-large` вписується в цей дизайн без примусової міграції шару сховища: вона видає 2048-вимірний вивід, так само як `voyage-code-3`, тож наші колонки `bit(2048)` та шлях пошуку за Хеммінгом не змінилися. Модель стала кращою; схема залишилася на місці.

## Код був лише початком

Maguyva — інструмент інтелекту коду. Але ми також клієнт номер нуль, і ми спрямовуємо його на дещо інше: markdown, що живе в наших репозиторіях поруч з кодом. Записи архітектурних рішень, runbook-и, контракти, фінансові документи та внутрішні політики — усе це під контролем версій у Git, усе за тим самим сервером MCP, семантичний індекс над *документами*, а не лише над джерельним кодом.

Саме тому широта voyage-4-large має значення. У тій самій родині рейтингів RTEB вона **#1 у фінансах, #1 в охороні здоров'я і #1 у загальному текстовому пошуку** — попереду Gemini Embedding від Google, Embed v4 від Cohere та text-embedding-3-large від OpenAI. (Voyage — співтворець RTEB, тож ми сприймаємо це як сильний публічний сигнал, а не як абсолютно нейтрального суддю — але вона бенчмаркується напряму проти кожної великої комерційної моделі на приватних відкладених наборах.) Той самий індекс, що знаходить потрібну функцію для агента, знаходить потрібне положення в контракті чи потрібний рядок у документі внутрішньої політики — і в цих доменах voyage-4-large не компроміс, а лідер.

## Чому ми платимо за преміум-ембеддинги

Існує дешевший спосіб робити пошук, і чимало з нього безкоштовне. Лексичний пошук — BM25 та його родичі — зіставляє ключові слова, працює локально й нічого не коштує. Моделі ембеддингів з відкритим кодом на кшталт BGE, Nomic та embeddinggemma дають справді *пристойний* семантичний пошук, і їх можна хостити самостійно за ціну GPU. Maguyva також використовує безкоштовний бік: кожен запит зливає текстовий, AST, графовий та семантичний пошук. На чому ми не економимо — це семантичний шар.

Ми платимо за токен за преміум-ембеддинги — `voyage-4-large` — замість того щоб самостійно хостити безкоштовну модель, з двох причин. По-перше, самого лише пошуку за ключовими словами недостатньо, щоб відповісти на «де ми обробляємо повторні спроби», коли код каже `backoff` та `circuit breaker` і ніколи не каже слово «retry» — саме передавання сенсу є призначенням ембеддингу, і в доменах, які ми обслуговуємо, відкриті моделі відстають від преміум: на пару балів на загальному тексті, і ще більше в нішах на кшталт коду, контрактів та фінансів. По-друге, за нашим досвідом, якість пошуку формує фінальну відповідь більше, ніж модель на іншому кінці — сильний агент, якому дали неправильний контекст, все одно відповість неправильно, і він ніколи не побачить документ, якого йому ніколи не дали.

Тож преміум-ембеддинги — це рахунок за токен, що масштабується з кожним репозиторієм і документом, який ми індексуємо — і ми платимо його навмисно. Заради результату, який отримують наші користувачі — правильної функції чи правильного положення — ми вважаємо, що цей компроміс вартий того.

## Чесна частина

Власна документація Voyage все ще позначає `voyage-code-3` як модель, оптимізовану для коду. То чому ж перехід?

Бо ми читаємо публічний бенчмарк, а не лише таблицю моделей вендора, а бенчмарк поставив `voyage-4-large` на вершину для пошуку коду. Це було рішення з поглядом уперед: взяти новішу, загалом сильнішу модель і валідувати її проти публічного рейтингу на задачах, які мають значення. Нам комфортно робити цю ставку, бо докази широкі — voyage-4-large не просто перемагає в коді, вона також лідирує у фінансах, охороні здоров'я та загальному пошуку.

## Непомітна основа

Кожен інструмент, який ми надаємо — семантичний пошук, збір контексту задачі, обґрунтовані запитання й відповіді — врешті-решт спирається на пошук. Коли ретрівер покращується, агент на іншому кінці отримує кращі докази, рідше ухвалює хибні рішення і обґрунтовує свої відповіді правильним кодом — або потрібним положенням контракту чи потрібною внутрішньою політикою. Точніша модель ембеддингів — не яскрава функція. Це основа всього іншого, і ми щойно підвищили її якість. Ви цього не помітите. У цьому й суть.