Amazon: Titan Embeddings G1 - Text

{"about":"### Die Bedeutung von Text als Zahlenvektor\n\nAmazon Titan Embeddings G1 ist ein Text-Embedding-Modell von Amazon, auch als V1 bekannt. Es wandelt Text in einen Vektor aus **1 536 Zahlen** um. Dieses Ergebnis hilft einer Anwendung, Phrasen und Dokumente nach ihrer Bedeutung zu vergleichen, auch wenn sie unterschiedliche Wörter verwenden: etwa eine Anleitung zum Ändern von Kontodaten über eine Frage nach der Anpassung von Zahlungsinformationen zu finden.\n\n### Suche, Wissensdatenbank und Gruppierung\n\nG1 eignet sich zum Aufbau eines Textindex und zur Erstellung einer Suchdarstellung für die Anfrage eines Nutzers. In einem System mit Wissensdatenbank ist dies ein Schritt des RAG-Verfahrens: Zuerst werden passende Abschnitte gefunden, dann formuliert ein separates Sprachmodell darauf aufbauend eine Antwort. Titan selbst liefert in diesem Schritt einen Vektor; das Speichern der Dokumente, die Berechnung der Ähnlichkeit und die Zusammenstellung der Antwort übernimmt Ihre Anwendung.\n\nEin weiterer Anwendungsfall ist die Gruppierung von Texten. Mit den Vektoren lassen sich ähnliche Supportanfragen finden, Inhalte thematisch zusammenführen oder ähnliche Dokumente auswählen. Die konkreten Kategorien und Ähnlichkeitsschwellen werden im Arbeitsablauf festgelegt; das Embedding enthält sie nicht als fertige Klassifizierung.\n\n### So bereiten Sie die Inhalte vor\n\n1. Teilen Sie die Sammlung in verständliche Abschnitte auf: Kapitel, Absätze oder eigenständige Antworten.\n2. Erstellen Sie Vektoren dieser Abschnitte und speichern Sie die Zuordnung jedes Vektors zum Ausgangstext.\n3. Wandeln Sie die Suchanfrage auf dieselbe Weise um.\n4. Vergleichen Sie sie mit dem Index und geben Sie die gefundenen Inhalte an den Nutzer oder den nächsten Verarbeitungsschritt weiter.\n\nIn Ailoot stehen Texteingaben mit bis zu **8 192 Token** und ein Ergebnis im Embedding-Format zur Verfügung. Für die Suche wählen Sie die Abschnittsgröße am besten nach dem Inhalt: Ein einziger großer Dokumentvektor kann Unterschiede zwischen den einzelnen behandelten Fragen verdecken. Wenn sich der Ausgangstext ändert, wird auch seine Darstellung im Index aktualisiert.\n\n### Was G1 auszeichnet\n\nDiese Titan-Generation verwendet eine feste 1536-dimensionale Darstellung. Amazon beschreibt das Training in 25 natürlichen Sprachen und die ausführlichsten Tests für Englisch. Für Fachbegriffe, mehrdeutige Formulierungen und andere Sprachen ist eine kleine Sammlung eigener Anfragen mit vorab bekannten passenden Dokumenten hilfreich. G1 ist vor allem für natürlichsprachlichen Text gedacht; für die Suche in Quellcode gibt es bei der nächsten Titan-Generation gesonderte Angaben zum Training mit Programmiersprachen.","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":"Wandelt Text in 1536-dimensionale Vektoren für semantische Suche, das Finden ähnlicher Inhalte und die Gruppierung von Dokumenten um."}