Amazon: Titan Text Embeddings V2

{"about":"### La deuxième génération de plongements vectoriels textuels de Titan\n\nAmazon Titan Text Embeddings V2 transforme le texte en une représentation numérique pour la recherche et d’autres tâches fondées sur la proximité de sens. Le modèle est optimisé pour retrouver des passages pertinents : l’utilisateur pose une question avec ses propres mots, puis l’application compare le vecteur de cette question à ceux des contenus de la base de connaissances. L’information peut ainsi être retrouvée sans correspondance exacte entre les mots-clés.\n\nV2 se distingue de G1 par une représentation standard plus compacte : la documentation d’Amazon fixe la taille du vecteur par défaut à **1 024 dimensions**. Pour l’application, il s’agit d’une caractéristique des données qu’elle stocke et compare. Toutes les entrées d’un index doivent utiliser une représentation cohérente ; lors du passage à un autre modèle de plongement vectoriel, l’index doit être préparé de nouveau pour le modèle choisi.\n\n### Où l’utiliser\n\n- **RAG et recherche en entreprise :** vectoriser les sections de la documentation, puis retrouver des passages pour un modèle distinct chargé de répondre à la question.\n- **Similarité sémantique :** comparer des textes formulés différemment et retrouver des contenus proches.\n- **Regroupement :** étudier les thèmes des demandes, des avis et des documents à partir de la proximité de leurs représentations.\n- **Recherche dans le code :** créer des recherches portant sur le code source et les explications associées.\n\nAmazon indique un entraînement de V2 sur plus de 100 langues naturelles et 13 langages de programmation, dont Python, JavaScript, Java, C++, Rust, Go et SQL. Le modèle reste principalement optimisé pour les textes anglais. Dans une base multilingue, il est particulièrement utile de tester séparément les requêtes dont la langue diffère de celle des documents : la présence de ces langues dans l’entraînement n’implique pas une qualité uniforme pour toutes les combinaisons.\n\n### Utilisation dans Ailoot\n\nLe modèle reçoit du texte et renvoie un **plongement vectoriel**. La limite de cette fiche est de **8 192 jetons en entrée**. Pour un index de recherche, il est pratique de découper les contenus longs selon leurs articulations sémantiques : titres, sections et paragraphes. Chaque passage peut ensuite être conservé avec son vecteur et une référence au texte source.\n\n### Une démarche pratique\n\nChoisissez des questions réelles et les réponses pertinentes dans votre collection, créez les plongements vectoriels et vérifiez les résultats de recherche. Faites varier la taille des passages et le mode de comparaison sur ce même ensemble, tout en conservant le lien avec le texte source. Titan prépare les représentations numériques ; la comparaison, la sélection des résultats et la rédaction de la réponse appartiennent aux étapes suivantes de l’application. Cette vérification aide à adapter les réglages de l’index à votre terminologie et à la structure de vos documents.","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":"Crée des vecteurs de texte pour le RAG, la recherche sémantique et le regroupement, y compris dans des contenus multilingues et du code."}