Amazon: Titan Text Embeddings V2

{"about":"### Generasi kedua embedding teks Titan\n\nAmazon Titan Text Embeddings V2 mengubah teks menjadi representasi numerik untuk pencarian dan tugas lain yang mengandalkan kedekatan makna. Model dioptimalkan untuk mengambil potongan relevan: pengguna mengajukan pertanyaan dengan kata-katanya sendiri, lalu aplikasi membandingkan vektornya dengan vektor materi basis pengetahuan. Informasi yang dibutuhkan dapat ditemukan tanpa kecocokan kata kunci secara persis.\n\nV2 berbeda dari G1 karena representasi standarnya lebih ringkas: dokumentasi Amazon menyebut ukuran vektor bawaan **1 024 dimensi**. Bagi aplikasi, ini merupakan karakteristik data yang disimpan dan dibandingkan. Semua entri dalam satu indeks harus menggunakan cara representasi yang konsisten; saat berpindah dari model embedding lain, indeks perlu disiapkan ulang untuk model yang dipilih.\n\n### Penggunaan\n\n- **RAG dan pencarian perusahaan:** menyiapkan vektor bagian dokumentasi, lalu mengambil potongan untuk model terpisah yang menjawab pertanyaan.\n- **Kemiripan semantik:** membandingkan teks dengan ungkapan berbeda dan menemukan materi serupa.\n- **Pengelompokan:** menelaah topik permintaan, ulasan, dan dokumen melalui kedekatan representasinya.\n- **Pencarian kode:** membangun alur pencarian kode sumber dan penjelasan terkait.\n\nAmazon menyebut V2 dilatih pada lebih dari 100 bahasa alami dan 13 bahasa pemrograman, termasuk Python, JavaScript, Java, C++, Rust, Go, dan SQL. Meski demikian, model terutama dioptimalkan untuk teks bahasa Inggris. Dalam basis multibahasa, sebaiknya uji secara terpisah kueri yang bahasanya berbeda dari bahasa dokumen: keberadaan bahasa dalam pelatihan tidak menetapkan kualitas yang sama untuk semua kombinasi tersebut.\n\n### Bekerja di Ailoot API\n\nMasukannya berupa teks dan keluarannya **embedding**. Batas kartu ini adalah **8 192 token masukan**. Untuk indeks pencarian, materi panjang dapat dibagi pada batas makna: judul, bagian, dan paragraf. Setiap potongan kemudian dapat disimpan bersama vektor dan tautan ke sumber aslinya.\n\n### Siklus praktis\n\nPilih pertanyaan nyata dan jawaban relevan dari koleksi Anda, buat embedding, lalu periksa hasil pencariannya. Ubah ukuran potongan dan metode perbandingan pada kumpulan yang sama sambil mempertahankan hubungan dengan teks sumber. Titan menyiapkan representasi numerik; perbandingan, pemilihan hasil, dan penyusunan jawaban dilakukan pada tahap berikutnya dalam aplikasi. Pengujian ini membantu memilih pengaturan indeks yang sesuai dengan istilah dan struktur dokumen Anda.","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":"Membuat vektor teks untuk RAG, pencarian semantik, dan pengelompokan, termasuk pencarian materi multibahasa dan kode."}