Source: https://ailoot.ai/models/ar/amazon-titan-embed-text-v2/
Canonical: https://ailoot.ai/models/ar/amazon-titan-embed-text-v2/
Language: ar

# Amazon: Titan Text Embeddings V2

[Markdown](https://ailoot.ai/models/ar/amazon-titan-embed-text-v2/index.md) · [JSON](https://ailoot.ai/models/ar/amazon-titan-embed-text-v2/facts.json)

## [Amazon: Titan Text Embeddings V2](https://ailoot.ai/models/ar/amazon-titan-embed-text-v2/)

`amazon/titan-embed-text-v2`

Amazonالتضميناتالإدخال ⁦‏0.00004 US$⁩ / 1Kالإخراج —

ينشئ متجهات نصية لـ RAG والبحث الدلالي والتجميع، بما يشمل البحث في مواد متعددة اللغات وفي الشيفرة.

### الجيل الثاني من تضمينات Titan النصية

يحوّل Amazon Titan Text Embeddings V2 النص إلى تمثيل عددي للبحث وغيره من المهام المبنية على تقارب المعاني. حُسّن النموذج لاستخراج المقاطع الملائمة: يطرح المستخدم السؤال بكلماته، ويقارن التطبيق متجهه بمتجهات مواد قاعدة المعرفة. وهكذا يمكن العثور على المعلومات المطلوبة دون تطابق كامل في الكلمات المفتاحية.

يختلف V2 عن G1 بتمثيله القياسي الأكثر إحكاماً: وفق وثائق Amazon، يبلغ حجم المتجه الافتراضي **⁦1 024⁩ بُعداً**. وبالنسبة للتطبيق، هذه خاصية للبيانات التي يخزنها ويقارنها. يجب أن تستخدم جميع سجلات الفهرس الواحد طريقة تمثيل متسقة؛ وعند الانتقال من نموذج تضمين آخر، يُعاد إعداد الفهرس للنموذج المختار.

### مجالات الاستخدام

- **RAG والبحث المؤسسي:** إعداد متجهات لأقسام التوثيق، ثم استخراج مقاطع لنموذج مستقل يجيب عن السؤال.
- **التشابه الدلالي:** مقارنة نصوص مختلفة الصياغة والعثور على مواد متقاربة.
- **التجميع:** استكشاف موضوعات الطلبات والمراجعات والمستندات عبر تقارب تمثيلاتها.
- **البحث في الشيفرة:** بناء سيناريوهات بحث للنصوص المصدرية والتوضيحات المرتبطة بها.

تشير Amazon إلى تدريب V2 على أكثر من 100 لغة طبيعية و13 لغة برمجة، منها Python وJavaScript وJava وC++ وRust وGo وSQL. ومع ذلك، فإن النموذج مُحسّن أساساً للنص الإنجليزي. وفي قاعدة متعددة اللغات، من المفيد خصوصاً اختبار الاستعلامات التي تختلف فيها لغة السؤال عن لغة المستندات: وجود اللغات في التدريب لا يعني تساوي الجودة لجميع هذه التركيبات.

### العمل في Ailoot

الإدخال نص، والنتيجة **متجه تضمين**. حد هذه البطاقة هو **⁦8 192⁩ توكناً للإدخال**. ولإنشاء فهرس بحث، يسهل تقسيم المواد الطويلة عند حدودها الدلالية: العناوين والأقسام والفقرات. يمكن بعد ذلك تخزين كل مقطع مع متجهه ومرجع إلى مصدره.

### دورة عملية

اختر أسئلة حقيقية وإجابات مناسبة من مجموعتك، وأنشئ التضمينات واختبر نتائج البحث. غيّر حجم المقطع وطريقة المقارنة على المجموعة نفسها، مع الحفاظ على الارتباط بالنص الأصلي. يعدّ Titan تمثيلات عددية؛ أما المقارنة وانتقاء النتائج وصياغة الإجابة فتجري في المراحل التالية من التطبيق. يساعد هذا الاختبار في اختيار إعدادات الفهرس الملائمة لمصطلحاتك وبنية مستنداتك.

### متاح عبر Ailoot API

الإدخال

`text`

الإخراج

`embedding`

السياق

⁦8,192⁩ *رمز*

الحد الأقصى للإجابة

غير محدد في الكتالوج

الإدخال

⁦‏0.00004 US$⁩ */ 1K*

`amazon/titan-embed-text-v2` · JSON

```
{"about":"### الجيل الثاني من تضمينات Titan النصية\n\nيحوّل Amazon Titan Text Embeddings V2 النص إلى تمثيل عددي للبحث وغيره من المهام المبنية على تقارب المعاني. حُسّن النموذج لاستخراج المقاطع الملائمة: يطرح المستخدم السؤال بكلماته، ويقارن التطبيق متجهه بمتجهات مواد قاعدة المعرفة. وهكذا يمكن العثور على المعلومات المطلوبة دون تطابق كامل في الكلمات المفتاحية.\n\nيختلف V2 عن G1 بتمثيله القياسي الأكثر إحكاماً: وفق وثائق Amazon، يبلغ حجم المتجه الافتراضي **1 024 بُعداً**. وبالنسبة للتطبيق، هذه خاصية للبيانات التي يخزنها ويقارنها. يجب أن تستخدم جميع سجلات الفهرس الواحد طريقة تمثيل متسقة؛ وعند الانتقال من نموذج تضمين آخر، يُعاد إعداد الفهرس للنموذج المختار.\n\n### مجالات الاستخدام\n\n- **RAG والبحث المؤسسي:** إعداد متجهات لأقسام التوثيق، ثم استخراج مقاطع لنموذج مستقل يجيب عن السؤال.\n- **التشابه الدلالي:** مقارنة نصوص مختلفة الصياغة والعثور على مواد متقاربة.\n- **التجميع:** استكشاف موضوعات الطلبات والمراجعات والمستندات عبر تقارب تمثيلاتها.\n- **البحث في الشيفرة:** بناء سيناريوهات بحث للنصوص المصدرية والتوضيحات المرتبطة بها.\n\nتشير Amazon إلى تدريب V2 على أكثر من 100 لغة طبيعية و13 لغة برمجة، منها Python وJavaScript وJava وC++ وRust وGo وSQL. ومع ذلك، فإن النموذج مُحسّن أساساً للنص الإنجليزي. وفي قاعدة متعددة اللغات، من المفيد خصوصاً اختبار الاستعلامات التي تختلف فيها لغة السؤال عن لغة المستندات: وجود اللغات في التدريب لا يعني تساوي الجودة لجميع هذه التركيبات.\n\n### العمل في Ailoot\n\nالإدخال نص، والنتيجة **متجه تضمين**. حد هذه البطاقة هو **8 192 توكناً للإدخال**. ولإنشاء فهرس بحث، يسهل تقسيم المواد الطويلة عند حدودها الدلالية: العناوين والأقسام والفقرات. يمكن بعد ذلك تخزين كل مقطع مع متجهه ومرجع إلى مصدره.\n\n### دورة عملية\n\nاختر أسئلة حقيقية وإجابات مناسبة من مجموعتك، وأنشئ التضمينات واختبر نتائج البحث. غيّر حجم المقطع وطريقة المقارنة على المجموعة نفسها، مع الحفاظ على الارتباط بالنص الأصلي. يعدّ Titan تمثيلات عددية؛ أما المقارنة وانتقاء النتائج وصياغة الإجابة فتجري في المراحل التالية من التطبيق. يساعد هذا الاختبار في اختيار إعدادات الفهرس الملائمة لمصطلحاتك وبنية مستنداتك.","alias_of":null,"aliases":[],"author":"Amazon","canonical_model":"amazon/titan-embed-text-v2","ctx":8192,"formats":["embeddings"],"id":"amazon/titan-embed-text-v2","input":["text"],"kind":"embedding","max_out":0,"methods":[{"cache_read":null,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":8192,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"embeddings","http":"POST","img_in":null,"img_out":null,"in":0.04,"input":["text"],"label":"Эмбеддинги","max_out":0,"max_tool_calls":null,"out":0,"output":["embedding"],"path":"/v1/embeddings","request_model_id":"amazon/titan-embed-text-v2","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"amazon/titan-embed-text-v2","request_model_id":"amazon/titan-embed-text-v2","route_label":"Ultra"}],"name":"Amazon: Titan Text Embeddings V2","price":{"in":0.04,"in_label":null,"out":null,"out_label":null,"sort_in":0.04,"sort_out":null,"varies":false},"public_id":"amazon/titan-embed-text-v2","short":"ينشئ متجهات نصية لـ RAG والبحث الدلالي والتجميع، بما يشمل البحث في مواد متعددة اللغات وفي الشيفرة."}
```

## الأسئلة

كيف أختار نموذجًا لمهمتي؟

حدد أولًا الإدخال والإخراج المطلوبين: نص أو صورة أو صوت أو فيديو. ثم قارن طرق API المتوافقة، وID النموذج الدقيق أو النموذج الذي يشير إليه الاسم البديل حاليًا، والسعر، ووحدة الفوترة. طلب GET /v1/models مجاني ويعرض النماذج المتاحة لمفتاحك.

هل يدعم كل نموذج جميع طرق API وأنواع الوسائط؟

استخدم طرق API وأنواع الإدخال والإخراج المذكورة في بطاقة النموذج. يعتمد دعم النصوص والصور والصوت والفيديو على النموذج والطريقة المحددين؛ راجع مثال الطلب الخاص بهما قبل إرسال بياناتك.

ما الفرق بين ID النموذج والاسم البديل؟

يشير ID النموذج الدقيق إلى نموذج محدد. أما الاسم البديل فيشير إلى نموذج، وقد يتغير النموذج الذي يشير إليه. تحقق في الكتالوج من النموذج الذي يشير إليه الاسم البديل حاليًا؛ واستخدم ID الدقيق عندما يتطلب التكامل نموذجًا بعينه.

كيف أقارن الأسعار قبل إرسال طلب؟

راجع بطاقة النموذج لمعرفة السعر ووحدة الفوترة لطريقة API المحددة. قارن باستخدام الوحدة نفسها ونوع الإدخال والإخراج نفسه؛ يعرض سجل الطلبات الاستخدام الفعلي والمبلغ المخصوم.

ما فائدة الاشتراك؟

خصم على شراء الرموز للعمل المنتظم. اختر خطة بحسب حجم الطلبات؛ وتظهر شروط الاشتراك وتكلفته عند الشراء.

كيف أستخدم رمز خصم حتى 50%؟

أدخل الرمز الترويجي عند شراء الرموز. يعاد حساب المبلغ النهائي وفق شروط العرض؛ ويظهر حجم الخصم قبل الدفع.

## Ailoot · الشركة ومحفظة مشاريعها





تستند Ailoot إلى خبرة تشغيلية متراكمة وقاعدة عملاء واسعة وخدمة مستقرة ومراقبة مستمرة لمؤشرات الأداء KPI.





الشركة ومحفظة مشاريعها: ملايين العملاء؛ مبيعات بالمليارات شهريًا.





توظف Ailoot هذه الخبرة التشغيلية لإتاحة الوصول عبر API إلى قدرات الذكاء الاصطناعي في منتجات العملاء ووكلائهم وتطبيقاتهم وعمليات الأتمتة.