Source: https://ailoot.ai/models/hu/amazon-titan-embed-text-v2/ Canonical: https://ailoot.ai/models/hu/amazon-titan-embed-text-v2/ Language: hu # Amazon: Titan Text Embeddings V2 [Markdown](https://ailoot.ai/models/hu/amazon-titan-embed-text-v2/index.md) · [JSON](https://ailoot.ai/models/hu/amazon-titan-embed-text-v2/facts.json) ## [Amazon: Titan Text Embeddings V2](https://ailoot.ai/models/hu/amazon-titan-embed-text-v2/) `amazon/titan-embed-text-v2` AmazonBeágyazásokBemenet 0,00004 USD / 1KKimenet — Szövegvektorokat készít RAG-hoz, szemantikus kereséshez és csoportosításhoz, többnyelvű anyagok és kód kereséséhez is. ### A Titan szövegbeágyazásainak második generációja Az Amazon Titan Text Embeddings V2 a szöveget számszerű reprezentációvá alakítja kereséshez és más, jelentésbeli közelségen alapuló feladatokhoz. A modell megfelelő részletek kikeresésére optimalizált: a felhasználó saját szavaival kérdez, az alkalmazás pedig összehasonlítja a kérdés vektorát a tudásbázis anyagainak vektoraival. Így teljes kulcsszóegyezés nélkül is megtalálható az információ. A V2 a G1-nél tömörebb alapértelmezett reprezentációt használ: az Amazon dokumentációja szerint a vektor alapmérete **1 024 dimenzió**. Ez az alkalmazás által tárolt és összehasonlított adatok jellemzője. Egy index minden rekordjának egységes reprezentációt kell használnia; más beágyazási modellről áttérve az indexet újra kell építeni a választott modellhez. ### Felhasználási területek - **RAG és vállalati keresés:** dokumentációrészek vektorainak elkészítése, majd részletek kikeresése egy külön, kérdésekre válaszoló modell számára. - **Szemantikus hasonlóság:** eltérően megfogalmazott szövegek összevetése és közeli anyagok keresése. - **Csoportosítás:** megkeresések, értékelések és dokumentumok témáinak vizsgálata reprezentációik közelsége alapján. - **Kódkeresés:** keresési folyamatok építése forráskódhoz és kapcsolódó magyarázatokhoz. Az Amazon szerint a V2 több mint 100 természetes és 13 programozási nyelven tanult, köztük Python, JavaScript, Java, C++, Rust, Go és SQL nyelven. A modell elsősorban angol szövegre optimalizált. Többnyelvű tudásbázisban különösen érdemes ellenőrizni az eltérő nyelvű kérdés–dokumentum párokat: a tanításban szereplő nyelvek nem jelentenek minden párosításban azonos minőséget. ### Használat az Ailootban A bemenet szöveg, a kimenet **embedding**. E modellkártya korlátja **8 192 bemeneti token**. Keresési indexhez a hosszú anyagokat célszerű jelentéshatároknál, címeknél, fejezeteknél és bekezdéseknél bontani. Minden részlet tárolható a vektorával és eredeti forrására mutató hivatkozással együtt. ### Gyakorlati munkaciklus Válasszon valódi kérdéseket és megfelelő válaszokat a gyűjteményéből, készítsen beágyazásokat, és ellenőrizze a találatokat. Ugyanezen a mintán változtassa a részletméretet és az összehasonlítás módját, megőrizve az eredeti szöveg kapcsolatát. A Titan számszerű reprezentációkat készít; az összevetés, a találatok kiválasztása és a válaszadás az alkalmazás következő lépéseinek feladata. Az ellenőrzés segít az indexet a szakterminológiához és a dokumentumszerkezethez igazítani. ### Elérhető az Ailoot API-n Bemenet `text` Kimenet `embedding` Kontextus 8192 *token* Max. válasz Nincs megadva a katalógusban Bemenet 0,00004 USD */ 1K* `amazon/titan-embed-text-v2` · JSON ``` {"about":"### A Titan szövegbeágyazásainak második generációja\n\nAz Amazon Titan Text Embeddings V2 a szöveget számszerű reprezentációvá alakítja kereséshez és más, jelentésbeli közelségen alapuló feladatokhoz. A modell megfelelő részletek kikeresésére optimalizált: a felhasználó saját szavaival kérdez, az alkalmazás pedig összehasonlítja a kérdés vektorát a tudásbázis anyagainak vektoraival. Így teljes kulcsszóegyezés nélkül is megtalálható az információ.\n\nA V2 a G1-nél tömörebb alapértelmezett reprezentációt használ: az Amazon dokumentációja szerint a vektor alapmérete **1 024 dimenzió**. Ez az alkalmazás által tárolt és összehasonlított adatok jellemzője. Egy index minden rekordjának egységes reprezentációt kell használnia; más beágyazási modellről áttérve az indexet újra kell építeni a választott modellhez.\n\n### Felhasználási területek\n\n- **RAG és vállalati keresés:** dokumentációrészek vektorainak elkészítése, majd részletek kikeresése egy külön, kérdésekre válaszoló modell számára.\n- **Szemantikus hasonlóság:** eltérően megfogalmazott szövegek összevetése és közeli anyagok keresése.\n- **Csoportosítás:** megkeresések, értékelések és dokumentumok témáinak vizsgálata reprezentációik közelsége alapján.\n- **Kódkeresés:** keresési folyamatok építése forráskódhoz és kapcsolódó magyarázatokhoz.\n\nAz Amazon szerint a V2 több mint 100 természetes és 13 programozási nyelven tanult, köztük Python, JavaScript, Java, C++, Rust, Go és SQL nyelven. A modell elsősorban angol szövegre optimalizált. Többnyelvű tudásbázisban különösen érdemes ellenőrizni az eltérő nyelvű kérdés–dokumentum párokat: a tanításban szereplő nyelvek nem jelentenek minden párosításban azonos minőséget.\n\n### Használat az Ailootban\n\nA bemenet szöveg, a kimenet **embedding**. E modellkártya korlátja **8 192 bemeneti token**. Keresési indexhez a hosszú anyagokat célszerű jelentéshatároknál, címeknél, fejezeteknél és bekezdéseknél bontani. Minden részlet tárolható a vektorával és eredeti forrására mutató hivatkozással együtt.\n\n### Gyakorlati munkaciklus\n\nVálasszon valódi kérdéseket és megfelelő válaszokat a gyűjteményéből, készítsen beágyazásokat, és ellenőrizze a találatokat. Ugyanezen a mintán változtassa a részletméretet és az összehasonlítás módját, megőrizve az eredeti szöveg kapcsolatát. A Titan számszerű reprezentációkat készít; az összevetés, a találatok kiválasztása és a válaszadás az alkalmazás következő lépéseinek feladata. Az ellenőrzés segít az indexet a szakterminológiához és a dokumentumszerkezethez igazítani.","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":"Szövegvektorokat készít RAG-hoz, szemantikus kereséshez és csoportosításhoz, többnyelvű anyagok és kód kereséséhez is."} ``` ## Kérdések Hogyan válasszak modellt a feladatomhoz? Először határozza meg a szükséges bemenetet és kimenetet: szöveg, kép, hang vagy videó. Ezután hasonlítsa össze a kompatibilis API-metódusokat, a modell pontos ID-ját vagy az alias által jelenleg megjelölt modellt, az árat és a számlázási egységet. A GET /v1/models ingyenes, és felsorolja a kulcsával elérhető modelleket. Minden modell támogat minden API-metódust és médiatípust? A modell adatlapján felsorolt API-metódusokat, valamint bemeneti és kimeneti típusokat használja. A szöveg, kép, hang vagy videó támogatása a kiválasztott modelltől és metódustól függ; az adatok elküldése előtt ellenőrizze a hozzájuk tartozó mintakérést. Mi a különbség a modell ID-ja és az alias között? A modell pontos ID-ja egy konkrét modellt azonosít. Az alias egy modellre mutat, és a célmodellje változhat. Ellenőrizze a katalógusban, melyik modellre mutat jelenleg az alias; használja a pontos ID-t, ha az integrációjának egy konkrét modellre van szüksége. Hogyan hasonlítsam össze az árakat a kérés elküldése előtt? A modell adatlapján ellenőrizze a kiválasztott API-metódus árát és számlázási egységét. Azonos egységet és azonos bemeneti és kimeneti típust hasonlítson össze; a kérési előzmények a tényleges használatot és a felszámított összeget mutatják. Mit ad az előfizetés? Tokenvásárlási kedvezményt rendszeres munkához. A kérésmennyiségéhez válasszon tarifát; az előfizetés feltételei és ára megrendeléskor látható. Hogyan alkalmazzam az akár 50%-os promókódot? Tokenvásárláskor adja meg a promókódot. A végösszeg az akció feltételei szerint újraszámolódik; a kedvezmény mértéke fizetés előtt látható. ## Ailoot · A vállalat és projektportfóliója Az Ailoot felhalmozott működési tapasztalatra, széles ügyfélkörre, stabil szolgáltatásra és folyamatos KPI-ellenőrzésre épít. A vállalat és projektportfóliója: ügyfelek milliói; havi értékesítés milliárdos nagyságrendben. Az Ailoot ezt a működési tapasztalatot használja az ügyfelek termékeiben, ágenseiben, alkalmazásaiban és automatizálásaiban elérhető AI-funkciók API-hozzáféréséhez.