Source: https://ailoot.ai/models/id/amazon-titan-embed-text-v1/ Canonical: https://ailoot.ai/models/id/amazon-titan-embed-text-v1/ Language: id # Amazon: Titan Embeddings G1 - Text [Markdown](https://ailoot.ai/models/id/amazon-titan-embed-text-v1/index.md) · [JSON](https://ailoot.ai/models/id/amazon-titan-embed-text-v1/facts.json) ## [Amazon: Titan Embeddings G1 - Text](https://ailoot.ai/models/id/amazon-titan-embed-text-v1/) `amazon/titan-embed-text-v1` AmazonEmbeddingMasukan US$0,0002 / 1KKeluaran — Mengubah teks menjadi vektor 1536 dimensi untuk pencarian semantik, pemilihan materi serupa, dan pengelompokan dokumen. ### Makna teks dalam vektor numerik Amazon Titan Embeddings G1 adalah model embedding teks dari Amazon, juga dikenal sebagai V1. Model ini mengubah teks menjadi vektor berisi **1 536 angka**. Hasil tersebut membantu aplikasi membandingkan makna frasa dan dokumen meskipun menggunakan kata-kata berbeda: misalnya, menemukan petunjuk perubahan detail pembayaran dari pertanyaan tentang mengganti data pembayaran. ### Pencarian, basis pengetahuan, dan pengelompokan G1 sesuai untuk menyiapkan indeks teks dan membuat representasi pencarian dari kueri pengguna. Dalam sistem dengan basis pengetahuan, ini menjadi salah satu tahap RAG: potongan yang relevan ditemukan terlebih dahulu, lalu model bahasa terpisah menyusun jawaban berdasarkan potongan tersebut. Pada tahap ini, Titan mengembalikan vektor; penyimpanan dokumen, perhitungan kedekatan, dan penyusunan jawaban menjadi tanggung jawab aplikasi Anda. Alur lain adalah pengelompokan teks. Vektor dapat digunakan untuk menemukan permintaan dukungan yang mirip, mengelompokkan materi berdasarkan topik, atau memilih dokumen serupa. Kategori dan ambang kemiripan tertentu ditentukan dalam alur kerja, bukan terkandung dalam embedding sebagai label siap pakai. ### Menyiapkan materi 1. Bagi koleksi menjadi potongan yang jelas: bagian, paragraf, atau jawaban yang berdiri sendiri. 2. Dapatkan vektor potongan tersebut dan simpan hubungan setiap vektor dengan teks sumbernya. 3. Ubah kueri pencarian dengan cara yang sama. 4. Bandingkan dengan indeks dan kembalikan materi yang ditemukan kepada pengguna atau tahap pemrosesan berikutnya. Di Ailoot API tersedia masukan teks hingga **8 192 token** dengan hasil berupa embedding. Untuk pencarian, ukuran potongan sebaiknya mengikuti isinya: satu vektor besar untuk seluruh dokumen dapat menyamarkan perbedaan antara pertanyaan-pertanyaan yang dibahasnya. Saat teks sumber diperbarui, representasinya dalam indeks juga diperbarui. ### Ciri khas G1 Generasi Titan ini menggunakan representasi tetap 1536 dimensi. Amazon menjelaskan pelatihan pada 25 bahasa alami dan pengujian paling terperinci dalam bahasa Inggris. Untuk istilah profesional, ungkapan ambigu, dan bahasa lain, berguna menyiapkan sekumpulan kecil kueri sendiri dengan dokumen relevan yang telah diketahui. G1 terutama ditujukan untuk teks alami; untuk pencarian kode sumber, generasi Titan berikutnya memiliki keterangan tersendiri tentang pelatihan pada bahasa pemrograman. ### Tersedia melalui Ailoot API Masukan `text` Keluaran `embedding` Konteks 8.192 *token* Panjang jawaban maksimum Tidak ditentukan dalam katalog Masukan US$0,0002 */ 1K* `amazon/titan-embed-text-v1` · JSON ``` {"about":"### Makna teks dalam vektor numerik\n\nAmazon Titan Embeddings G1 adalah model embedding teks dari Amazon, juga dikenal sebagai V1. Model ini mengubah teks menjadi vektor berisi **1 536 angka**. Hasil tersebut membantu aplikasi membandingkan makna frasa dan dokumen meskipun menggunakan kata-kata berbeda: misalnya, menemukan petunjuk perubahan detail pembayaran dari pertanyaan tentang mengganti data pembayaran.\n\n### Pencarian, basis pengetahuan, dan pengelompokan\n\nG1 sesuai untuk menyiapkan indeks teks dan membuat representasi pencarian dari kueri pengguna. Dalam sistem dengan basis pengetahuan, ini menjadi salah satu tahap RAG: potongan yang relevan ditemukan terlebih dahulu, lalu model bahasa terpisah menyusun jawaban berdasarkan potongan tersebut. Pada tahap ini, Titan mengembalikan vektor; penyimpanan dokumen, perhitungan kedekatan, dan penyusunan jawaban menjadi tanggung jawab aplikasi Anda.\n\nAlur lain adalah pengelompokan teks. Vektor dapat digunakan untuk menemukan permintaan dukungan yang mirip, mengelompokkan materi berdasarkan topik, atau memilih dokumen serupa. Kategori dan ambang kemiripan tertentu ditentukan dalam alur kerja, bukan terkandung dalam embedding sebagai label siap pakai.\n\n### Menyiapkan materi\n\n1. Bagi koleksi menjadi potongan yang jelas: bagian, paragraf, atau jawaban yang berdiri sendiri.\n2. Dapatkan vektor potongan tersebut dan simpan hubungan setiap vektor dengan teks sumbernya.\n3. Ubah kueri pencarian dengan cara yang sama.\n4. Bandingkan dengan indeks dan kembalikan materi yang ditemukan kepada pengguna atau tahap pemrosesan berikutnya.\n\nDi Ailoot API tersedia masukan teks hingga **8 192 token** dengan hasil berupa embedding. Untuk pencarian, ukuran potongan sebaiknya mengikuti isinya: satu vektor besar untuk seluruh dokumen dapat menyamarkan perbedaan antara pertanyaan-pertanyaan yang dibahasnya. Saat teks sumber diperbarui, representasinya dalam indeks juga diperbarui.\n\n### Ciri khas G1\n\nGenerasi Titan ini menggunakan representasi tetap 1536 dimensi. Amazon menjelaskan pelatihan pada 25 bahasa alami dan pengujian paling terperinci dalam bahasa Inggris. Untuk istilah profesional, ungkapan ambigu, dan bahasa lain, berguna menyiapkan sekumpulan kecil kueri sendiri dengan dokumen relevan yang telah diketahui. G1 terutama ditujukan untuk teks alami; untuk pencarian kode sumber, generasi Titan berikutnya memiliki keterangan tersendiri tentang pelatihan pada bahasa pemrograman.","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":"Mengubah teks menjadi vektor 1536 dimensi untuk pencarian semantik, pemilihan materi serupa, dan pengelompokan dokumen."} ``` ## Pertanyaan Bagaimana cara memilih model untuk tugas saya? Tentukan dahulu input dan output yang diperlukan: teks, gambar, audio, atau video. Lalu bandingkan metode API yang kompatibel, ID model yang tepat atau model yang saat ini dirujuk oleh alias, harga, dan satuan penagihan. GET /v1/models gratis dan menampilkan model yang tersedia untuk kunci Anda. Apakah setiap model mendukung semua metode API dan jenis media? Gunakan metode API dan jenis input/output yang tercantum pada kartu model. Dukungan untuk teks, gambar, audio, atau video bergantung pada model dan metode yang dipilih; periksa contoh permintaannya sebelum mengirim data Anda. Apa perbedaan antara ID model dan alias? ID model yang tepat mengidentifikasi satu model tertentu. Alias merujuk ke sebuah model dan model tujuannya dapat berubah. Periksa model yang saat ini dirujuk oleh alias dalam katalog; gunakan ID yang tepat jika integrasi Anda memerlukan model tertentu. Bagaimana cara membandingkan harga sebelum mengirim permintaan? Periksa harga dan satuan penagihan untuk metode API yang dipilih pada kartu model. Bandingkan dengan satuan serta jenis input/output yang sama; riwayat permintaan menampilkan penggunaan aktual dan jumlah yang ditagihkan. Apa manfaat langganan? Diskon pembelian token untuk pekerjaan rutin. Pilih paket sesuai volume permintaan; ketentuan dan harga langganan ditampilkan saat pendaftaran. Bagaimana memakai kode promo dengan diskon hingga 50%? Masukkan kode promo saat membeli token. Total dihitung ulang sesuai ketentuan promosi; besar diskon terlihat sebelum pembayaran. ## Ailoot · Perusahaan dan portofolio proyeknya Ailoot bertumpu pada pengalaman operasional yang teruji, basis pelanggan yang besar, layanan yang stabil, dan pemantauan KPI berkelanjutan. Perusahaan dan portofolio proyeknya: jutaan pelanggan; penjualan miliaran setiap bulan. Ailoot memanfaatkan pengalaman operasional ini untuk akses API ke fitur AI dalam produk pelanggan, agen, aplikasi, dan otomatisasi.