Source: https://ailoot.ai/models/da/amazon-titan-embed-text-v2/ Canonical: https://ailoot.ai/models/da/amazon-titan-embed-text-v2/ Language: da # Amazon: Titan Text Embeddings V2 [Markdown](https://ailoot.ai/models/da/amazon-titan-embed-text-v2/index.md) · [JSON](https://ailoot.ai/models/da/amazon-titan-embed-text-v2/facts.json) ## [Amazon: Titan Text Embeddings V2](https://ailoot.ai/models/da/amazon-titan-embed-text-v2/) `amazon/titan-embed-text-v2` AmazonEmbeddingsInput 0,00004 US$ / 1KOutput — Danner tekstvektorer til RAG, semantisk søgning og gruppering, herunder søgning i flersproget materiale og kode. ### Anden generation af Titans tekstembeddings Amazon Titan Text Embeddings V2 omsætter tekst til en numerisk repræsentation til søgning og andre opgaver baseret på betydningsmæssig nærhed. Modellen er optimeret til at hente relevante tekstudsnit: Brugeren stiller et spørgsmål med egne ord, og applikationen sammenligner dets vektor med vektorerne for materialet i vidensbasen. Dermed kan relevant information findes uden fuldstændigt sammenfald mellem nøgleordene. V2 adskiller sig fra G1 ved en mere kompakt standardrepræsentation: Ifølge Amazons dokumentation har vektoren som standard **1 024 dimensioner**. For applikationen er dette en egenskab ved de data, den lagrer og sammenligner. Alle poster i samme indeks skal bruge en ensartet repræsentation; ved skift fra en anden embeddingmodel opbygges indekset på ny til den valgte model. ### Anvendelsesområder - **RAG og virksomhedssøgning:** dan vektorer for dokumentationsafsnit, og hent derefter tekstudsnit til en særskilt model, der besvarer spørgsmålet. - **Semantisk lighed:** sammenlign tekster med forskellige formuleringer, og find beslægtet materiale. - **Gruppering:** undersøg emner i henvendelser, anmeldelser og dokumenter gennem nærheden mellem deres repræsentationer. - **Kodesøgning:** opbyg søgeforløb til kildekode og tilhørende forklaringer. Amazon oplyser, at V2 er trænet på mere end 100 naturlige sprog og 13 programmeringssprog, herunder Python, JavaScript, Java, C++, Rust, Go og SQL. Modellen er dog primært optimeret til engelsk tekst. I en flersproget base er det særligt nyttigt at afprøve spørgsmål, hvor spørgsmålets sprog afviger fra dokumenternes: At et sprog indgår i træningen, betyder ikke ensartet kvalitet for alle sådanne kombinationer. ### Brug i Ailoot API Input er tekst, og output er en **embedding**. Grænsen i dette modelkort er **8 192 inputtokens**. Til et søgeindeks er det praktisk at opdele lange tekster ved betydningsmæssige grænser: overskrifter, afsnit og tekststykker. Hver del kan derefter lagres sammen med sin vektor og en henvisning til den oprindelige kilde. ### Praktisk arbejdsgang Vælg faktiske spørgsmål og relevante svar fra din samling, dan embeddings, og kontroller søgeresultaterne. Juster tekststykkernes størrelse og sammenligningsmetoden på samme datasæt, mens forbindelsen til kildeteksten bevares. Titan danner numeriske repræsentationer; sammenligning, udvælgelse og formulering af svar udføres i applikationens efterfølgende trin. Kontrollen hjælper med at tilpasse indeksets indstillinger til din terminologi og dokumentstruktur. ### Tilgængeligt via Ailoot API Inputtyper `text` Outputtyper `embedding` Kontekst 8.192 *tokens* Maks. svar Ikke angivet i kataloget Input 0,00004 US$ */ 1K* `amazon/titan-embed-text-v2` · JSON ``` {"about":"### Anden generation af Titans tekstembeddings\n\nAmazon Titan Text Embeddings V2 omsætter tekst til en numerisk repræsentation til søgning og andre opgaver baseret på betydningsmæssig nærhed. Modellen er optimeret til at hente relevante tekstudsnit: Brugeren stiller et spørgsmål med egne ord, og applikationen sammenligner dets vektor med vektorerne for materialet i vidensbasen. Dermed kan relevant information findes uden fuldstændigt sammenfald mellem nøgleordene.\n\nV2 adskiller sig fra G1 ved en mere kompakt standardrepræsentation: Ifølge Amazons dokumentation har vektoren som standard **1 024 dimensioner**. For applikationen er dette en egenskab ved de data, den lagrer og sammenligner. Alle poster i samme indeks skal bruge en ensartet repræsentation; ved skift fra en anden embeddingmodel opbygges indekset på ny til den valgte model.\n\n### Anvendelsesområder\n\n- **RAG og virksomhedssøgning:** dan vektorer for dokumentationsafsnit, og hent derefter tekstudsnit til en særskilt model, der besvarer spørgsmålet.\n- **Semantisk lighed:** sammenlign tekster med forskellige formuleringer, og find beslægtet materiale.\n- **Gruppering:** undersøg emner i henvendelser, anmeldelser og dokumenter gennem nærheden mellem deres repræsentationer.\n- **Kodesøgning:** opbyg søgeforløb til kildekode og tilhørende forklaringer.\n\nAmazon oplyser, at V2 er trænet på mere end 100 naturlige sprog og 13 programmeringssprog, herunder Python, JavaScript, Java, C++, Rust, Go og SQL. Modellen er dog primært optimeret til engelsk tekst. I en flersproget base er det særligt nyttigt at afprøve spørgsmål, hvor spørgsmålets sprog afviger fra dokumenternes: At et sprog indgår i træningen, betyder ikke ensartet kvalitet for alle sådanne kombinationer.\n\n### Brug i Ailoot API\n\nInput er tekst, og output er en **embedding**. Grænsen i dette modelkort er **8 192 inputtokens**. Til et søgeindeks er det praktisk at opdele lange tekster ved betydningsmæssige grænser: overskrifter, afsnit og tekststykker. Hver del kan derefter lagres sammen med sin vektor og en henvisning til den oprindelige kilde.\n\n### Praktisk arbejdsgang\n\nVælg faktiske spørgsmål og relevante svar fra din samling, dan embeddings, og kontroller søgeresultaterne. Juster tekststykkernes størrelse og sammenligningsmetoden på samme datasæt, mens forbindelsen til kildeteksten bevares. Titan danner numeriske repræsentationer; sammenligning, udvælgelse og formulering af svar udføres i applikationens efterfølgende trin. Kontrollen hjælper med at tilpasse indeksets indstillinger til din terminologi og dokumentstruktur.","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":"Danner tekstvektorer til RAG, semantisk søgning og gruppering, herunder søgning i flersproget materiale og kode."} ``` ## Spørgsmål Hvordan vælger jeg en model til min opgave? Fastlæg først det nødvendige input og output: tekst, billede, lyd eller video. Sammenlign derefter kompatible API-metoder, det præcise model-ID eller den model, aliaset aktuelt peger på, pris og afregningsenhed. GET /v1/models er gratis og viser de modeller, din nøgle har adgang til. Understøtter hver model alle API-metoder og medietyper? Brug de API-metoder og input- og outputtyper, der står på modelkortet. Understøttelse af tekst, billeder, lyd eller video afhænger af den valgte model og metode; se det tilhørende eksempel på en forespørgsel, før du sender dine data. Hvad er forskellen på et model-ID og et alias? Et præcist model-ID angiver en bestemt model. Et alias peger på en model, og det kan ændre sig, hvilken model det peger på. Kontrollér den aktuelle målmodel for aliaset i kataloget; brug det præcise ID, når din integration kræver en bestemt model. Hvordan sammenligner jeg priser, før jeg sender en forespørgsel? Se prisen og afregningsenheden for den valgte API-metode på modelkortet. Sammenlign samme enhed og samme type input og output; forespørgselshistorikken viser det faktiske forbrug og det opkrævede beløb. Hvad giver abonnementet? Rabat på tokenkøb til regelmæssigt arbejde. Vælg abonnement efter anmodningsmængden. Vilkår og pris vises ved bestilling. Hvordan bruger jeg en rabatkode på op til 50%? Indtast rabatkoden ved tokenkøbet. Totalen genberegnes efter kampagnevilkårene, og rabatten vises før betaling. ## Ailoot · Virksomheden og dens projektportefølje Ailoot bygger på solid driftserfaring, en stor kundebase, stabil service og løbende kontrol af KPI. Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder. Ailoot bruger denne driftserfaring til API-adgang til AI-funktioner i kundernes produkter, agenter, applikationer og automatiseringer.