Source: https://ailoot.ai/models/cs/amazon-titan-embed-text-v1/ Canonical: https://ailoot.ai/models/cs/amazon-titan-embed-text-v1/ Language: cs # Amazon: Titan Embeddings G1 - Text [Markdown](https://ailoot.ai/models/cs/amazon-titan-embed-text-v1/index.md) · [JSON](https://ailoot.ai/models/cs/amazon-titan-embed-text-v1/facts.json) ## [Amazon: Titan Embeddings G1 - Text](https://ailoot.ai/models/cs/amazon-titan-embed-text-v1/) `amazon/titan-embed-text-v1` AmazonVektorové reprezentaceVstup 0,0002 US$ / 1KVýstup — Převádí text na 1536rozměrné vektory pro sémantické vyhledávání, výběr podobných materiálů a seskupování dokumentů. ### Význam textu v číselném vektoru Amazon Titan Embeddings G1 je textový embeddingový model Amazon, známý také jako V1. Převádí text na vektor tvořený **1 536 čísly**. Takový výsledek pomáhá aplikaci porovnávat význam frází a dokumentů, i když používají různá slova: například najít návod ke změně údajů na základě otázky o změně platebních údajů. ### Vyhledávání, znalostní báze a seskupování G1 se hodí k přípravě textového indexu a vytvoření vyhledávací reprezentace uživatelského dotazu. V systému se znalostní bází jde o jednu z fází RAG: nejprve se najdou vhodné úryvky a poté samostatný jazykový model na jejich základě sestaví odpověď. Samotný Titan v této fázi vrací vektor; ukládání dokumentů, výpočet podobnosti a sestavení odpovědi zajišťuje vaše aplikace. Dalším scénářem je seskupování textů. Vektory lze využít k nalezení podobných požadavků na podporu, tematickému spojování materiálů nebo výběru podobných dokumentů. Konkrétní kategorie a prahy podobnosti se určují v pracovním postupu; embedding je neobsahuje jako hotové označení. ### Jak připravit materiály 1. Rozdělte sbírku na srozumitelné úseky: oddíly, odstavce nebo samostatné odpovědi. 2. Získejte jejich vektory a zachovejte vazbu každého vektoru na původní text. 3. Stejným způsobem převeďte vyhledávací dotaz. 4. Porovnejte jej s indexem a nalezené materiály vraťte uživateli nebo předejte další fázi zpracování. V Ailoot je dostupný textový vstup do **8 192 tokenů** a výsledek ve formátu embedding. Velikost úseku pro vyhledávání je lepší volit podle obsahu: jeden velký vektor dokumentu může zakrýt rozdíly mezi jednotlivými otázkami, kterými se zabývá. Při aktualizaci původního textu se aktualizuje také jeho reprezentace v indexu. ### Čím se G1 liší Tato generace Titan používá pevnou 1536rozměrnou reprezentaci. Amazon popisuje učení na 25 přirozených jazycích a nejpodrobnější testování v angličtině. Pro odbornou terminologii, nejednoznačné formulace a jiné jazyky se hodí malá sada vlastních dotazů s předem známými vhodnými dokumenty. G1 je určena především pro přirozený text; u další generace Titan jsou pro vyhledávání ve zdrojovém kódu samostatné informace o učení na programovacích jazycích. ### Dostupné přes Ailoot API Vstup `text` Výstup `embedding` Kontext 8 192 *tokenů* Max. odpověď V katalogu neuvedeno Vstup 0,0002 US$ */ 1K* `amazon/titan-embed-text-v1` · JSON ``` {"about":"### Význam textu v číselném vektoru\n\nAmazon Titan Embeddings G1 je textový embeddingový model Amazon, známý také jako V1. Převádí text na vektor tvořený **1 536 čísly**. Takový výsledek pomáhá aplikaci porovnávat význam frází a dokumentů, i když používají různá slova: například najít návod ke změně údajů na základě otázky o změně platebních údajů.\n\n### Vyhledávání, znalostní báze a seskupování\n\nG1 se hodí k přípravě textového indexu a vytvoření vyhledávací reprezentace uživatelského dotazu. V systému se znalostní bází jde o jednu z fází RAG: nejprve se najdou vhodné úryvky a poté samostatný jazykový model na jejich základě sestaví odpověď. Samotný Titan v této fázi vrací vektor; ukládání dokumentů, výpočet podobnosti a sestavení odpovědi zajišťuje vaše aplikace.\n\nDalším scénářem je seskupování textů. Vektory lze využít k nalezení podobných požadavků na podporu, tematickému spojování materiálů nebo výběru podobných dokumentů. Konkrétní kategorie a prahy podobnosti se určují v pracovním postupu; embedding je neobsahuje jako hotové označení.\n\n### Jak připravit materiály\n\n1. Rozdělte sbírku na srozumitelné úseky: oddíly, odstavce nebo samostatné odpovědi.\n2. Získejte jejich vektory a zachovejte vazbu každého vektoru na původní text.\n3. Stejným způsobem převeďte vyhledávací dotaz.\n4. Porovnejte jej s indexem a nalezené materiály vraťte uživateli nebo předejte další fázi zpracování.\n\nV Ailoot je dostupný textový vstup do **8 192 tokenů** a výsledek ve formátu embedding. Velikost úseku pro vyhledávání je lepší volit podle obsahu: jeden velký vektor dokumentu může zakrýt rozdíly mezi jednotlivými otázkami, kterými se zabývá. Při aktualizaci původního textu se aktualizuje také jeho reprezentace v indexu.\n\n### Čím se G1 liší\n\nTato generace Titan používá pevnou 1536rozměrnou reprezentaci. Amazon popisuje učení na 25 přirozených jazycích a nejpodrobnější testování v angličtině. Pro odbornou terminologii, nejednoznačné formulace a jiné jazyky se hodí malá sada vlastních dotazů s předem známými vhodnými dokumenty. G1 je určena především pro přirozený text; u další generace Titan jsou pro vyhledávání ve zdrojovém kódu samostatné informace o učení na programovacích jazycích.","alias_of":null,"aliases":[],"author":"Amazon","canonical_model":"amazon/titan-embed-text-v1","ctx":8192,"formats":["embeddings"],"id":"amazon/titan-embed-text-v1","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":0.2,"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-v1","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"amazon/titan-embed-text-v1","request_model_id":"amazon/titan-embed-text-v1","route_label":"Ultra"}],"name":"Amazon: Titan Embeddings G1 - Text","price":{"in":0.2,"in_label":null,"out":null,"out_label":null,"sort_in":0.2,"sort_out":null,"varies":false},"public_id":"amazon/titan-embed-text-v1","short":"Převádí text na 1536rozměrné vektory pro sémantické vyhledávání, výběr podobných materiálů a seskupování dokumentů."} ``` ## Otázky Jak vybrat model pro svůj úkol? Nejprve určete požadovaný vstup a výstup: text, obrázek, zvuk nebo video. Poté porovnejte kompatibilní metody API, přesné ID modelu nebo aktuální cílový model aliasu, cenu a účtovací jednotku. GET /v1/models je zdarma a vypíše modely dostupné vašemu klíči. Podporuje každý model všechny metody API a typy médií? Používejte metody API a typy vstupů a výstupů uvedené na kartě modelu. Podpora textu, obrázků, zvuku nebo videa závisí na vybraném modelu a metodě; před odesláním dat si prohlédněte příslušný příklad požadavku. Jaký je rozdíl mezi ID modelu a aliasem? Přesné ID modelu označuje konkrétní model. Alias odkazuje na model a jeho cílový model se může změnit. Aktuální cílový model aliasu ověřte v katalogu; pokud vaše integrace potřebuje konkrétní model, použijte přesné ID. Jak porovnat ceny před odesláním požadavku? Na kartě modelu zkontrolujte cenu a účtovací jednotku pro vybranou metodu API. Porovnávejte stejnou jednotku a stejný typ vstupu a výstupu; historie požadavků uvádí skutečné využití a účtovanou částku. Co poskytuje předplatné? Slevu na nákup tokenů pro pravidelnou práci. Vyberte tarif podle objemu požadavků; podmínky a cena předplatného se zobrazí při objednání. Jak použiji promo kód pro slevu až 50%? Promo kód zadejte při nákupu tokenů. Výsledná částka se přepočítá podle podmínek akce; výše slevy je vidět před platbou. ## Ailoot · Společnost a její portfolio projektů Ailoot staví na dlouhodobých provozních zkušenostech, široké klientské základně, stabilních službách a průběžném sledování KPI. Společnost a její portfolio projektů: miliony zákazníků; měsíční tržby v miliardách. Ailoot využívá tyto provozní zkušenosti k poskytování přístupu přes API k funkcím AI v produktech zákazníků, agentech, aplikacích a automatizacích.