Source: https://ailoot.ai/models/cs/amazon-titan-embed-text-v2/ Canonical: https://ailoot.ai/models/cs/amazon-titan-embed-text-v2/ Language: cs # Amazon: Titan Text Embeddings V2 [Markdown](https://ailoot.ai/models/cs/amazon-titan-embed-text-v2/index.md) · [JSON](https://ailoot.ai/models/cs/amazon-titan-embed-text-v2/facts.json) ## [Amazon: Titan Text Embeddings V2](https://ailoot.ai/models/cs/amazon-titan-embed-text-v2/) `amazon/titan-embed-text-v2` AmazonVektorové reprezentaceVstup 0,00004 US$ / 1KVýstup — Vytváří textové vektory pro RAG, sémantické vyhledávání a seskupování včetně vyhledávání ve vícejazyčných materiálech a kódu. ### Druhá generace textových embeddingů Titan Amazon Titan Text Embeddings V2 převádí text na číselnou reprezentaci pro vyhledávání a další úlohy založené na významové podobnosti. Model je optimalizován pro vyhledání vhodných úryvků: uživatel položí otázku vlastními slovy a aplikace porovná její vektor s vektory materiálů znalostní báze. Potřebné informace tak lze najít bez úplné shody klíčových slov. V2 se od G1 liší kompaktnější standardní reprezentací: dokumentace Amazon uvádí výchozí velikost vektoru **1 024 rozměrů**. Pro aplikaci je to vlastnost dat, která ukládá a porovnává. Všechny záznamy jednoho indexu musí používat jednotný způsob reprezentace; při přechodu z jiného embeddingového modelu se index připravuje pro zvolený model znovu. ### Kde model využít - **RAG a podnikové vyhledávání:** připravit vektory oddílů dokumentace a následně získávat úryvky pro samostatný model, který odpoví na otázku. - **Sémantická podobnost:** porovnávat různě formulované texty a hledat podobné materiály. - **Seskupování:** zkoumat témata požadavků, recenzí a dokumentů pomocí podobnosti jejich reprezentací. - **Vyhledávání v kódu:** vytvářet vyhledávací scénáře pro zdrojové texty a související vysvětlení. Amazon uvádí učení V2 na více než 100 přirozených jazycích a 13 programovacích jazycích včetně Python, JavaScript, Java, C++, Rust, Go a SQL. Model je přitom optimalizován především pro anglický text. Ve vícejazyčné bázi je zvlášť užitečné ověřit dotazy, kde se jazyk otázky liší od jazyka dokumentů: zastoupení jazyků při učení nezaručuje stejnou kvalitu všech takových kombinací. ### Práce v Ailoot Na vstupu je text a na výstupu **embedding**. Limit této karty je **8 192 vstupních tokenů**. Dlouhé materiály je pro vyhledávací index vhodné rozdělovat podle významových hranic: nadpisů, oddílů a odstavců. Každý úsek pak lze uložit společně s jeho vektorem a odkazem na původní zdroj. ### Praktický cyklus Vyberte skutečné otázky a vhodné odpovědi ze své sbírky, vytvořte embeddingy a ověřte výsledky vyhledávání. Na stejné sadě měňte velikost úseku a způsob porovnávání a zachovávejte vazbu na původní text. Titan připravuje číselné reprezentace; porovnání, výběr výsledků a sestavení odpovědi zajišťují další fáze aplikace. Takové ověření pomáhá zvolit nastavení indexu podle vaší terminologie a struktury dokumentů. ### Dostupné přes Ailoot API Vstup `text` Výstup `embedding` Kontext 8 192 *tokenů* Max. odpověď V katalogu neuvedeno Vstup 0,00004 US$ */ 1K* `amazon/titan-embed-text-v2` · JSON ``` {"about":"### Druhá generace textových embeddingů Titan\n\nAmazon Titan Text Embeddings V2 převádí text na číselnou reprezentaci pro vyhledávání a další úlohy založené na významové podobnosti. Model je optimalizován pro vyhledání vhodných úryvků: uživatel položí otázku vlastními slovy a aplikace porovná její vektor s vektory materiálů znalostní báze. Potřebné informace tak lze najít bez úplné shody klíčových slov.\n\nV2 se od G1 liší kompaktnější standardní reprezentací: dokumentace Amazon uvádí výchozí velikost vektoru **1 024 rozměrů**. Pro aplikaci je to vlastnost dat, která ukládá a porovnává. Všechny záznamy jednoho indexu musí používat jednotný způsob reprezentace; při přechodu z jiného embeddingového modelu se index připravuje pro zvolený model znovu.\n\n### Kde model využít\n\n- **RAG a podnikové vyhledávání:** připravit vektory oddílů dokumentace a následně získávat úryvky pro samostatný model, který odpoví na otázku.\n- **Sémantická podobnost:** porovnávat různě formulované texty a hledat podobné materiály.\n- **Seskupování:** zkoumat témata požadavků, recenzí a dokumentů pomocí podobnosti jejich reprezentací.\n- **Vyhledávání v kódu:** vytvářet vyhledávací scénáře pro zdrojové texty a související vysvětlení.\n\nAmazon uvádí učení V2 na více než 100 přirozených jazycích a 13 programovacích jazycích včetně Python, JavaScript, Java, C++, Rust, Go a SQL. Model je přitom optimalizován především pro anglický text. Ve vícejazyčné bázi je zvlášť užitečné ověřit dotazy, kde se jazyk otázky liší od jazyka dokumentů: zastoupení jazyků při učení nezaručuje stejnou kvalitu všech takových kombinací.\n\n### Práce v Ailoot\n\nNa vstupu je text a na výstupu **embedding**. Limit této karty je **8 192 vstupních tokenů**. Dlouhé materiály je pro vyhledávací index vhodné rozdělovat podle významových hranic: nadpisů, oddílů a odstavců. Každý úsek pak lze uložit společně s jeho vektorem a odkazem na původní zdroj.\n\n### Praktický cyklus\n\nVyberte skutečné otázky a vhodné odpovědi ze své sbírky, vytvořte embeddingy a ověřte výsledky vyhledávání. Na stejné sadě měňte velikost úseku a způsob porovnávání a zachovávejte vazbu na původní text. Titan připravuje číselné reprezentace; porovnání, výběr výsledků a sestavení odpovědi zajišťují další fáze aplikace. Takové ověření pomáhá zvolit nastavení indexu podle vaší terminologie a struktury dokumentů.","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":"Vytváří textové vektory pro RAG, sémantické vyhledávání a seskupování včetně vyhledávání ve vícejazyčných materiálech a kódu."} ``` ## 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.