Amazon: Titan Embeddings G1 - Text

{"about":"### A szöveg jelentése számvektorban\n\nAz Amazon Titan Embeddings G1 az Amazon szövegbeágyazási modellje, más néven V1. A szöveget **1 536 számból** álló vektorrá alakítja. Ezzel az alkalmazás eltérő szóhasználat mellett is összehasonlíthatja a kifejezések és dokumentumok jelentését: például a fizetési adatok módosítására vonatkozó kérdéshez megtalálhatja a számlázási adatok átírásának útmutatóját.\n\n### Keresés, tudásbázis és csoportosítás\n\nA G1 szöveges index és felhasználói lekérdezések keresési reprezentációjának elkészítésére használható. Tudásbázisban ez a RAG egyik lépése: először megkeresi a megfelelő részleteket, majd egy külön nyelvi modell ezekből választ készít. A Titan e lépésben vektort ad vissza; a dokumentumtárolás, a hasonlóságszámítás és a válasz összeállítása az alkalmazás feladata.\n\nMásik felhasználása a szövegcsoportosítás. A vektorokkal hasonló ügyfélszolgálati megkeresések kereshetők, anyagok rendezhetők témákba, illetve hasonló dokumentumok választhatók ki. A konkrét kategóriákat és hasonlósági küszöböket a munkafolyamat határozza meg; a beágyazás nem tartalmaz kész címkézést.\n\n### Az anyagok előkészítése\n\n1. Bontsa a gyűjteményt értelmes részekre: fejezetekre, bekezdésekre vagy önálló válaszokra.\n2. Készítse el vektoraikat, és őrizze meg minden vektor kapcsolatát az eredeti szöveggel.\n3. Ugyanígy alakítsa át a keresőkérdést.\n4. Hasonlítsa össze az indexszel, és adja vissza a talált anyagokat a felhasználónak vagy a következő feldolgozási lépésnek.\n\nAz Ailootban legfeljebb **8 192 tokenes** szöveges bemenet és embedding kimenet érhető el. Keresésnél a részletek méretét a tartalomhoz igazítsa: egy teljes dokumentum nagy vektora elfedheti a tárgyalt kérdések közötti különbségeket. Az eredeti szöveg frissítésekor az indexbeli reprezentációját is frissíteni kell.\n\n### A G1 sajátosságai\n\nE Titan-generáció rögzített, 1536 dimenziós reprezentációt használ. Az Amazon 25 természetes nyelven történő tanítást és angolul végzett legrészletesebb tesztelést ír le. Szakkifejezésekhez, kétértelmű megfogalmazásokhoz és más nyelvekhez hasznos egy kis saját kérdéssor ismert megfelelő dokumentumokkal. A G1 elsősorban természetes szöveghez készült; a következő Titan-generációnál külön adatok szólnak a programozási nyelveken történő tanításról és a forráskódkeresésről.","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":"A szöveget 1536 dimenziós vektorokká alakítja szemantikus kereséshez, hasonló anyagok kiválasztásához és dokumentumcsoportosításhoz."}