Source: https://ailoot.ai/models/de-ch/amazon-titan-embed-text-v2/ Canonical: https://ailoot.ai/models/de-ch/amazon-titan-embed-text-v2/ Language: de-ch # Amazon: Titan Text Embeddings V2 [Markdown](https://ailoot.ai/models/de-ch/amazon-titan-embed-text-v2/index.md) · [JSON](https://ailoot.ai/models/de-ch/amazon-titan-embed-text-v2/facts.json) ## [Amazon: Titan Text Embeddings V2](https://ailoot.ai/models/de-ch/amazon-titan-embed-text-v2/) `amazon/titan-embed-text-v2` AmazonEmbeddingsEingabe $ 0.00004 / 1KAusgabe — Erstellt Textvektoren für RAG, semantische Suche und Gruppierung, einschliesslich der Suche in mehrsprachigen Inhalten und Code. ### Die zweite Generation der Text-Embeddings von Titan Amazon Titan Text Embeddings V2 wandelt Text in eine numerische Darstellung für die Suche und andere Aufgaben um, die auf semantischer Ähnlichkeit beruhen. Das Modell ist auf das Auffinden passender Abschnitte optimiert: Der Nutzer stellt eine Frage in eigenen Worten, und die Anwendung vergleicht deren Vektor mit den Vektoren der Inhalte einer Wissensdatenbank. So lassen sich benötigte Informationen auch ohne exakt übereinstimmende Schlüsselwörter finden. V2 unterscheidet sich von G1 durch eine kompaktere Standarddarstellung: Laut Amazon-Dokumentation beträgt die voreingestellte Vektorgrösse **1 024 Dimensionen**. Für die Anwendung ist dies eine Eigenschaft der Daten, die sie speichert und vergleicht. Alle Einträge eines Index müssen eine einheitlich abgestimmte Darstellung verwenden; beim Wechsel von einem anderen Embedding-Modell wird der Index für das gewählte Modell neu aufgebaut. ### Einsatzgebiete - **RAG und Unternehmenssuche:** Vektoren von Dokumentationsabschnitten vorbereiten und anschliessend Abschnitte für ein separates Modell abrufen, das die Frage beantwortet. - **Semantische Ähnlichkeit:** Texte mit unterschiedlichen Formulierungen vergleichen und ähnliche Inhalte finden. - **Gruppierung:** Themen von Anfragen, Rezensionen und Dokumenten anhand der Ähnlichkeit ihrer Darstellungen untersuchen. - **Codesuche:** Suchanwendungen für Quelltexte und zugehörige Erläuterungen aufbauen. Amazon gibt für V2 ein Training in mehr als 100 natürlichen Sprachen und 13 Programmiersprachen an, darunter Python, JavaScript, Java, C++, Rust, Go und SQL. Das Modell ist dabei in erster Linie für englische Texte optimiert. In einer mehrsprachigen Datenbank sollten Sie insbesondere Anfragen prüfen, bei denen die Sprache der Frage von der Dokumentensprache abweicht: Dass Sprachen im Training enthalten sind, bedeutet nicht, dass alle solchen Kombinationen die gleiche Qualität erzielen. ### Nutzung in Ailoot Als Eingabe dient Text, als Ausgabe erhalten Sie ein **Embedding**. Die Grenze dieser Modellkarte beträgt **8 192 Eingabe-Token**. Für einen Suchindex teilen Sie lange Inhalte zweckmässig an inhaltlichen Grenzen auf: nach Überschriften, Kapiteln und Absätzen. Anschliessend lässt sich jeder Abschnitt zusammen mit seinem Vektor und einem Verweis auf die ursprüngliche Quelle speichern. ### Praktischer Ablauf Wählen Sie reale Fragen und passende Antworten aus Ihrer Sammlung aus, erstellen Sie Embeddings und prüfen Sie die Suchergebnisse. Variieren Sie Abschnittsgrösse und Vergleichsverfahren anhand desselben Datensatzes und erhalten Sie dabei die Zuordnung zum Ausgangstext. Titan erstellt numerische Darstellungen; Vergleich, Ergebnisauswahl und Antworterstellung übernehmen die nachfolgenden Schritte der Anwendung. Diese Prüfung hilft, die Indexeinstellungen an Ihre Fachsprache und Dokumentenstruktur anzupassen. ### Über die Ailoot API verfügbar Eingabe `text` Ausgabe `embedding` Kontext 8'192 *Tokens* Max. Antwort Im Katalog nicht angegeben Eingabe $ 0.00004 */ 1K* `amazon/titan-embed-text-v2` · JSON ``` {"about":"### Die zweite Generation der Text-Embeddings von Titan\n\nAmazon Titan Text Embeddings V2 wandelt Text in eine numerische Darstellung für die Suche und andere Aufgaben um, die auf semantischer Ähnlichkeit beruhen. Das Modell ist auf das Auffinden passender Abschnitte optimiert: Der Nutzer stellt eine Frage in eigenen Worten, und die Anwendung vergleicht deren Vektor mit den Vektoren der Inhalte einer Wissensdatenbank. So lassen sich benötigte Informationen auch ohne exakt übereinstimmende Schlüsselwörter finden.\n\nV2 unterscheidet sich von G1 durch eine kompaktere Standarddarstellung: Laut Amazon-Dokumentation beträgt die voreingestellte Vektorgrösse **1 024 Dimensionen**. Für die Anwendung ist dies eine Eigenschaft der Daten, die sie speichert und vergleicht. Alle Einträge eines Index müssen eine einheitlich abgestimmte Darstellung verwenden; beim Wechsel von einem anderen Embedding-Modell wird der Index für das gewählte Modell neu aufgebaut.\n\n### Einsatzgebiete\n\n- **RAG und Unternehmenssuche:** Vektoren von Dokumentationsabschnitten vorbereiten und anschliessend Abschnitte für ein separates Modell abrufen, das die Frage beantwortet.\n- **Semantische Ähnlichkeit:** Texte mit unterschiedlichen Formulierungen vergleichen und ähnliche Inhalte finden.\n- **Gruppierung:** Themen von Anfragen, Rezensionen und Dokumenten anhand der Ähnlichkeit ihrer Darstellungen untersuchen.\n- **Codesuche:** Suchanwendungen für Quelltexte und zugehörige Erläuterungen aufbauen.\n\nAmazon gibt für V2 ein Training in mehr als 100 natürlichen Sprachen und 13 Programmiersprachen an, darunter Python, JavaScript, Java, C++, Rust, Go und SQL. Das Modell ist dabei in erster Linie für englische Texte optimiert. In einer mehrsprachigen Datenbank sollten Sie insbesondere Anfragen prüfen, bei denen die Sprache der Frage von der Dokumentensprache abweicht: Dass Sprachen im Training enthalten sind, bedeutet nicht, dass alle solchen Kombinationen die gleiche Qualität erzielen.\n\n### Nutzung in Ailoot\n\nAls Eingabe dient Text, als Ausgabe erhalten Sie ein **Embedding**. Die Grenze dieser Modellkarte beträgt **8 192 Eingabe-Token**. Für einen Suchindex teilen Sie lange Inhalte zweckmässig an inhaltlichen Grenzen auf: nach Überschriften, Kapiteln und Absätzen. Anschliessend lässt sich jeder Abschnitt zusammen mit seinem Vektor und einem Verweis auf die ursprüngliche Quelle speichern.\n\n### Praktischer Ablauf\n\nWählen Sie reale Fragen und passende Antworten aus Ihrer Sammlung aus, erstellen Sie Embeddings und prüfen Sie die Suchergebnisse. Variieren Sie Abschnittsgrösse und Vergleichsverfahren anhand desselben Datensatzes und erhalten Sie dabei die Zuordnung zum Ausgangstext. Titan erstellt numerische Darstellungen; Vergleich, Ergebnisauswahl und Antworterstellung übernehmen die nachfolgenden Schritte der Anwendung. Diese Prüfung hilft, die Indexeinstellungen an Ihre Fachsprache und Dokumentenstruktur anzupassen.","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":"Erstellt Textvektoren für RAG, semantische Suche und Gruppierung, einschliesslich der Suche in mehrsprachigen Inhalten und Code."} ``` ## Fragen Wie wähle ich ein Modell für meine Aufgabe aus? Bestimmen Sie zuerst die benötigte Ein- und Ausgabe: Text, Bild, Audio oder Video. Vergleichen Sie dann kompatible API-Methoden, die genaue Modell-ID oder das aktuelle Zielmodell des Alias, den Preis und die Abrechnungseinheit. GET /v1/models ist kostenlos und listet die für Ihren Schlüssel verfügbaren Modelle auf. Unterstützt jedes Modell alle API-Methoden und Medientypen? Verwenden Sie die auf der Modellkarte aufgeführten API-Methoden sowie Ein- und Ausgabetypen. Die Unterstützung von Text, Bildern, Audio oder Video hängt vom gewählten Modell und der Methode ab; prüfen Sie das zugehörige Anfragebeispiel, bevor Sie Ihre Daten senden. Was ist der Unterschied zwischen einer Modell-ID und einem Alias? Eine genaue Modell-ID bezeichnet ein bestimmtes Modell. Ein Alias verweist auf ein Modell; sein Zielmodell kann sich ändern. Prüfen Sie das aktuelle Zielmodell des Alias im Katalog; verwenden Sie die genaue ID, wenn Ihre Integration ein bestimmtes Modell benötigt. Wie vergleiche ich Preise, bevor ich eine Anfrage sende? Prüfen Sie auf der Modellkarte den Preis und die Abrechnungseinheit für die gewählte API-Methode. Vergleichen Sie dieselbe Einheit und denselben Ein- und Ausgabetyp; der Anfrageverlauf zeigt die tatsächliche Nutzung und den berechneten Betrag. Was bringt ein Abo? Rabatt beim Tokenkauf für regelmässige Arbeit. Wählen Sie den Tarif nach Ihrem Anfragevolumen; Bedingungen und Abopreis werden beim Abschluss angezeigt. Wie nutze ich einen Aktionscode bis 50% Rabatt? Geben Sie den Code beim Tokenkauf ein. Die Endsumme wird nach Aktionsbedingungen neu berechnet; der Rabatt ist vor der Zahlung sichtbar. ## Ailoot · Das Unternehmen und sein Projektportfolio Ailoot baut auf bewährte Betriebserfahrung, einen großen Kundenstamm, stabilen Service und kontinuierliche KPI-Kontrolle. Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe. Ailoot nutzt diese Betriebserfahrung für den API-Zugang zu KI-Funktionen in Kundenprodukten, Agenten, Anwendungen und Automatisierungen.