Amazon: Titan Text Embeddings V2

{"about":"### Segunda generación de embeddings de texto de Titan\n\nAmazon Titan Text Embeddings V2 convierte texto en una representación numérica para búsquedas y otras tareas basadas en la proximidad de significados. El modelo está optimizado para recuperar fragmentos pertinentes: el usuario formula una pregunta con sus propias palabras y la aplicación compara su vector con los vectores de los materiales de la base de conocimiento. Así es posible encontrar información sin que las palabras clave coincidan exactamente.\n\nV2 se diferencia de G1 por una representación estándar más compacta: en la documentación de Amazon, el tamaño predeterminado del vector es de **1 024 dimensiones**. Para la aplicación, se trata de una característica de los datos que almacena y compara. Todos los registros de un mismo índice deben utilizar una forma de representación coherente; al cambiar desde otro modelo de embeddings, hay que preparar de nuevo el índice para el modelo elegido.\n\n### Dónde utilizarlo\n\n- **RAG y búsqueda empresarial:** preparar vectores de las secciones de la documentación y después recuperar fragmentos para otro modelo que responda a la pregunta.\n- **Similitud semántica:** comparar textos con distintas formulaciones y encontrar materiales cercanos.\n- **Agrupación:** explorar los temas de solicitudes, reseñas y documentos mediante la proximidad de sus representaciones.\n- **Búsqueda en código:** crear búsquedas para código fuente y explicaciones relacionadas.\n\nAmazon indica que V2 se ha entrenado en más de 100 lenguas naturales y 13 lenguajes de programación, incluidos Python, JavaScript, Java, C++, Rust, Go y SQL. Aun así, el modelo está optimizado principalmente para texto en inglés. En una base multilingüe conviene comprobar por separado las consultas cuyo idioma difiera del de los documentos: la presencia de idiomas en el entrenamiento no garantiza la misma calidad para todas esas combinaciones.\n\n### Uso en Ailoot\n\nLa entrada es texto y la salida es un **embedding**. El límite de esta ficha es de **8 192 tokens de entrada**. Para un índice de búsqueda, resulta práctico dividir los materiales extensos por límites semánticos: títulos, secciones y párrafos. Después se puede guardar cada fragmento junto a su vector y una referencia a la fuente original.\n\n### Ciclo práctico\n\nSelecciona preguntas reales y respuestas pertinentes de tu colección, crea los embeddings y comprueba los resultados de búsqueda. Cambia el tamaño de los fragmentos y el método de comparación sobre ese mismo conjunto, conservando el vínculo con el texto original. Titan prepara las representaciones numéricas; la comparación, la selección de resultados y la elaboración de la respuesta se realizan en las siguientes etapas de la aplicación. Esta comprobación ayuda a elegir la configuración del índice para tu terminología y la estructura de tus documentos.","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":"Crea vectores de texto para RAG, búsquedas semánticas y agrupación, incluidas búsquedas en materiales multilingües y código."}