Amazon: Titan Embeddings G1 - Text

{"about":"### Το νόημα του κειμένου σε ένα αριθμητικό διάνυσμα\n\nΤο Amazon Titan Embeddings G1 είναι μοντέλο ενσωματώσεων κειμένου της Amazon, γνωστό και ως V1. Μετατρέπει το κείμενο σε διάνυσμα **1 536 αριθμών**. Το αποτέλεσμα βοηθά την εφαρμογή να συγκρίνει φράσεις και έγγραφα ως προς το νόημα, ακόμη και όταν χρησιμοποιούν διαφορετικές λέξεις: για παράδειγμα, να εντοπίσει οδηγίες αλλαγής στοιχείων πληρωμής από ερώτημα σχετικά με την ενημέρωση των τραπεζικών στοιχείων.\n\n### Αναζήτηση, βάση γνώσεων και ομαδοποίηση\n\nΤο G1 είναι κατάλληλο για την προετοιμασία ευρετηρίου κειμένου και της αναπαράστασης αναζήτησης ενός ερωτήματος χρήστη. Σε σύστημα με βάση γνώσεων αποτελεί ένα από τα στάδια του RAG: πρώτα εντοπίζονται τα κατάλληλα αποσπάσματα και στη συνέχεια ένα χωριστό γλωσσικό μοντέλο συνθέτει απάντηση με βάση αυτά. Σε αυτό το στάδιο το Titan επιστρέφει διάνυσμα· η αποθήκευση εγγράφων, ο υπολογισμός εγγύτητας και η σύνθεση της απάντησης είναι ευθύνη της εφαρμογής σας.\n\nΜια άλλη χρήση είναι η ομαδοποίηση κειμένων. Τα διανύσματα μπορούν να χρησιμοποιηθούν για την εύρεση παρόμοιων αιτημάτων υποστήριξης, την οργάνωση υλικού ανά θέμα ή την επιλογή παρόμοιων εγγράφων. Οι συγκεκριμένες κατηγορίες και τα όρια ομοιότητας ορίζονται στη ροή εργασίας και δεν περιέχονται στην ενσωμάτωση ως έτοιμη επισήμανση.\n\n### Πώς να προετοιμάσετε το υλικό\n\n1. Χωρίστε τη συλλογή σε κατανοητά αποσπάσματα: ενότητες, παραγράφους ή αυτοτελείς απαντήσεις.\n2. Λάβετε τα διανύσματα αυτών των αποσπασμάτων και διατηρήστε τη σύνδεση κάθε διανύσματος με το αρχικό κείμενο.\n3. Μετατρέψτε με τον ίδιο τρόπο το ερώτημα αναζήτησης.\n4. Συγκρίνετέ το με το ευρετήριο και επιστρέψτε το υλικό που βρέθηκε στον χρήστη ή στο επόμενο στάδιο επεξεργασίας.\n\nΣτο Ailoot διατίθεται είσοδος κειμένου έως **8 192 tokens** και αποτέλεσμα σε μορφή embedding. Για την αναζήτηση είναι προτιμότερο το μέγεθος των αποσπασμάτων να επιλέγεται βάσει περιεχομένου: ένα μεγάλο ενιαίο διάνυσμα εγγράφου μπορεί να κρύψει διαφορές ανάμεσα στα επιμέρους ζητήματα που καλύπτει. Όταν ενημερώνεται το αρχικό κείμενο, ενημερώνεται και η αναπαράστασή του στο ευρετήριο.\n\n### Τι ξεχωρίζει το G1\n\nΑυτή η γενιά του Titan χρησιμοποιεί σταθερή αναπαράσταση 1536 διαστάσεων. Η Amazon περιγράφει εκπαίδευση σε 25 φυσικές γλώσσες και πιο αναλυτικές δοκιμές στα αγγλικά. Για επαγγελματική ορολογία, αμφίσημες διατυπώσεις και άλλες γλώσσες είναι χρήσιμο ένα μικρό σύνολο δικών σας ερωτημάτων με εκ των προτέρων γνωστά κατάλληλα έγγραφα. Το G1 προορίζεται κυρίως για φυσικό κείμενο· για αναζήτηση σε πηγαίο κώδικα, η επόμενη γενιά του Titan διαθέτει χωριστές πληροφορίες σχετικά με την εκπαίδευση σε γλώσσες προγραμματισμού.","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":"Μετατρέπει κείμενο σε διανύσματα 1536 διαστάσεων για σημασιολογική αναζήτηση, εύρεση παρόμοιου υλικού και ομαδοποίηση εγγράφων."}