Amazon: Titan Text Embeddings V2

{"about":"### Η δεύτερη γενιά ενσωματώσεων κειμένου του Titan\n\nΤο Amazon Titan Text Embeddings V2 μετατρέπει το κείμενο σε αριθμητική αναπαράσταση για αναζήτηση και άλλες εργασίες που βασίζονται στη σημασιολογική εγγύτητα. Το μοντέλο είναι βελτιστοποιημένο για ανάκτηση κατάλληλων αποσπασμάτων: ο χρήστης θέτει μια ερώτηση με δικά του λόγια και η εφαρμογή συγκρίνει το διάνυσμά της με τα διανύσματα του υλικού της βάσης γνώσεων. Έτσι μπορούν να εντοπιστούν οι απαραίτητες πληροφορίες χωρίς πλήρη ταύτιση λέξεων-κλειδιών.\n\nΤο V2 διαφέρει από το G1 χάρη στην πιο συμπαγή προεπιλεγμένη αναπαράσταση: στην τεκμηρίωση της Amazon το προεπιλεγμένο μέγεθος του διανύσματος είναι **1 024 διαστάσεις**. Για την εφαρμογή αυτό αποτελεί χαρακτηριστικό των δεδομένων που αποθηκεύει και συγκρίνει. Όλες οι εγγραφές ενός ευρετηρίου πρέπει να χρησιμοποιούν συνεπή τρόπο αναπαράστασης· κατά τη μετάβαση από άλλο μοντέλο ενσωματώσεων, το ευρετήριο προετοιμάζεται ξανά για το επιλεγμένο μοντέλο.\n\n### Πού χρησιμοποιείται\n\n- **RAG και εταιρική αναζήτηση:** προετοιμασία διανυσμάτων ενοτήτων τεκμηρίωσης και στη συνέχεια ανάκτηση αποσπασμάτων για χωριστό μοντέλο που απαντά στην ερώτηση.\n- **Σημασιολογική ομοιότητα:** σύγκριση κειμένων με διαφορετικές διατυπώσεις και εύρεση κοντινού υλικού.\n- **Ομαδοποίηση:** διερεύνηση των θεμάτων αιτημάτων, αξιολογήσεων και εγγράφων μέσω της εγγύτητας των αναπαραστάσεών τους.\n- **Αναζήτηση σε κώδικα:** δημιουργία σεναρίων αναζήτησης για πηγαίο κώδικα και σχετικές επεξηγήσεις.\n\nΗ Amazon αναφέρει εκπαίδευση του V2 σε περισσότερες από 100 φυσικές γλώσσες και 13 γλώσσες προγραμματισμού, μεταξύ των οποίων Python, JavaScript, Java, C++, Rust, Go και SQL. Ωστόσο, το μοντέλο είναι βελτιστοποιημένο κυρίως για αγγλικό κείμενο. Σε πολύγλωσση βάση είναι ιδιαίτερα χρήσιμο να ελέγχονται χωριστά ερωτήματα όπου η γλώσσα της ερώτησης διαφέρει από τη γλώσσα των εγγράφων: η παρουσία γλωσσών στην εκπαίδευση δεν συνεπάγεται ίδια ποιότητα για όλους αυτούς τους συνδυασμούς.\n\n### Χρήση στο Ailoot\n\nΗ είσοδος είναι κείμενο και η έξοδος ένα **embedding**. Το όριο αυτής της κάρτας είναι **8 192 tokens εισόδου**. Για το ευρετήριο αναζήτησης είναι πρακτικό τα μεγάλα κείμενα να χωρίζονται σε νοηματικά όρια: τίτλους, ενότητες και παραγράφους. Στη συνέχεια κάθε απόσπασμα μπορεί να αποθηκεύεται μαζί με το διάνυσμά του και την παραπομπή στην αρχική πηγή.\n\n### Πρακτικός κύκλος\n\nΕπιλέξτε πραγματικές ερωτήσεις και κατάλληλες απαντήσεις από τη συλλογή σας, δημιουργήστε ενσωματώσεις και ελέγξτε τα αποτελέσματα αναζήτησης. Αλλάξτε το μέγεθος αποσπασμάτων και τον τρόπο σύγκρισης στο ίδιο σύνολο, διατηρώντας τη σύνδεση με το αρχικό κείμενο. Το Titan προετοιμάζει αριθμητικές αναπαραστάσεις· η σύγκριση, η επιλογή αποτελεσμάτων και η σύνθεση της απάντησης εκτελούνται στα επόμενα στάδια της εφαρμογής. Αυτός ο έλεγχος βοηθά να επιλέξετε ρυθμίσεις ευρετηρίου που ταιριάζουν στην ορολογία και στη δομή των εγγράφων σας.","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":"Δημιουργεί διανύσματα κειμένου για RAG, σημασιολογική αναζήτηση και ομαδοποίηση, συμπεριλαμβανομένης της αναζήτησης σε πολύγλωσσο υλικό και κώδικα."}