Source: https://ailoot.ai/models/it/amazon-titan-embed-text-v1/ Canonical: https://ailoot.ai/models/it/amazon-titan-embed-text-v1/ Language: it # Amazon: Titan Embeddings G1 - Text [Markdown](https://ailoot.ai/models/it/amazon-titan-embed-text-v1/index.md) · [JSON](https://ailoot.ai/models/it/amazon-titan-embed-text-v1/facts.json) ## [Amazon: Titan Embeddings G1 - Text](https://ailoot.ai/models/it/amazon-titan-embed-text-v1/) `amazon/titan-embed-text-v1` AmazonEmbeddingInput 0,0002 USD / 1KOutput — Trasforma il testo in vettori a 1536 dimensioni per la ricerca semantica, la selezione di materiali simili e il raggruppamento di documenti. ### Il significato del testo in un vettore numerico Amazon Titan Embeddings G1 è un modello di embedding testuale di Amazon, noto anche come V1. Trasforma il testo in un vettore di **1 536 numeri**. Il risultato aiuta l’applicazione a confrontare frasi e documenti in base al significato anche quando usano parole diverse: per esempio, trovare le istruzioni per modificare le coordinate di pagamento partendo da una domanda sull’aggiornamento dei dati di pagamento. ### Ricerca, base di conoscenza e raggruppamento G1 è adatto alla preparazione di un indice testuale e della rappresentazione di ricerca di una richiesta dell’utente. In un sistema con base di conoscenza è una delle fasi del RAG: prima si trovano i frammenti pertinenti, poi un modello linguistico separato formula una risposta basata su di essi. In questa fase Titan restituisce un vettore; la memorizzazione dei documenti, il calcolo della vicinanza e la composizione della risposta spettano all’applicazione. Un altro uso è il raggruppamento dei testi. I vettori permettono di trovare richieste di assistenza simili, riunire materiali per argomento o selezionare documenti analoghi. Le categorie specifiche e le soglie di similarità sono definite nel processo di lavoro, non sono contenute nell’embedding come etichette già pronte. ### Come preparare i materiali 1. Suddividere la raccolta in frammenti comprensibili: sezioni, paragrafi o risposte autonome. 2. Ottenere i vettori dei frammenti e conservare il collegamento di ciascun vettore con il testo originale. 3. Trasformare nello stesso modo la richiesta di ricerca. 4. Confrontarla con l’indice e restituire i materiali trovati all’utente o alla fase successiva di elaborazione. In Ailoot è disponibile un ingresso testuale fino a **8 192 token** e un risultato in formato embedding. Per la ricerca conviene scegliere la dimensione dei frammenti in base al contenuto: un unico grande vettore di un documento può nascondere le differenze tra le singole questioni affrontate. Quando si aggiorna il testo originale, si aggiorna anche la sua rappresentazione nell’indice. ### Cosa distingue G1 Questa generazione di Titan usa una rappresentazione fissa a 1536 dimensioni. Amazon descrive un addestramento su 25 lingue naturali e verifiche più approfondite in inglese. Per terminologia professionale, formulazioni ambigue e altre lingue è utile un piccolo insieme di richieste proprie con documenti pertinenti noti in anticipo. G1 è pensato soprattutto per il testo naturale; per la ricerca nel codice sorgente, la generazione successiva di Titan dispone di informazioni specifiche sull’addestramento nei linguaggi di programmazione. ### Disponibile tramite Ailoot API Tipi di input `text` Tipi di output `embedding` Contesto 8192 *token* Risposta massima Non specificato nel catalogo Input 0,0002 USD */ 1K* `amazon/titan-embed-text-v1` · JSON ``` {"about":"### Il significato del testo in un vettore numerico\n\nAmazon Titan Embeddings G1 è un modello di embedding testuale di Amazon, noto anche come V1. Trasforma il testo in un vettore di **1 536 numeri**. Il risultato aiuta l’applicazione a confrontare frasi e documenti in base al significato anche quando usano parole diverse: per esempio, trovare le istruzioni per modificare le coordinate di pagamento partendo da una domanda sull’aggiornamento dei dati di pagamento.\n\n### Ricerca, base di conoscenza e raggruppamento\n\nG1 è adatto alla preparazione di un indice testuale e della rappresentazione di ricerca di una richiesta dell’utente. In un sistema con base di conoscenza è una delle fasi del RAG: prima si trovano i frammenti pertinenti, poi un modello linguistico separato formula una risposta basata su di essi. In questa fase Titan restituisce un vettore; la memorizzazione dei documenti, il calcolo della vicinanza e la composizione della risposta spettano all’applicazione.\n\nUn altro uso è il raggruppamento dei testi. I vettori permettono di trovare richieste di assistenza simili, riunire materiali per argomento o selezionare documenti analoghi. Le categorie specifiche e le soglie di similarità sono definite nel processo di lavoro, non sono contenute nell’embedding come etichette già pronte.\n\n### Come preparare i materiali\n\n1. Suddividere la raccolta in frammenti comprensibili: sezioni, paragrafi o risposte autonome.\n2. Ottenere i vettori dei frammenti e conservare il collegamento di ciascun vettore con il testo originale.\n3. Trasformare nello stesso modo la richiesta di ricerca.\n4. Confrontarla con l’indice e restituire i materiali trovati all’utente o alla fase successiva di elaborazione.\n\nIn Ailoot è disponibile un ingresso testuale fino a **8 192 token** e un risultato in formato embedding. Per la ricerca conviene scegliere la dimensione dei frammenti in base al contenuto: un unico grande vettore di un documento può nascondere le differenze tra le singole questioni affrontate. Quando si aggiorna il testo originale, si aggiorna anche la sua rappresentazione nell’indice.\n\n### Cosa distingue G1\n\nQuesta generazione di Titan usa una rappresentazione fissa a 1536 dimensioni. Amazon descrive un addestramento su 25 lingue naturali e verifiche più approfondite in inglese. Per terminologia professionale, formulazioni ambigue e altre lingue è utile un piccolo insieme di richieste proprie con documenti pertinenti noti in anticipo. G1 è pensato soprattutto per il testo naturale; per la ricerca nel codice sorgente, la generazione successiva di Titan dispone di informazioni specifiche sull’addestramento nei linguaggi di programmazione.","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":"Trasforma il testo in vettori a 1536 dimensioni per la ricerca semantica, la selezione di materiali simili e il raggruppamento di documenti."} ``` ## Domande Come scelgo un modello per la mia attività? Individua prima l'input e l'output necessari: testo, immagini, audio o video. Poi confronta i metodi API compatibili, l'ID esatto del modello o il modello a cui punta attualmente l'alias, il prezzo e l'unità di fatturazione. GET /v1/models è gratuito ed elenca i modelli disponibili per la tua chiave. Ogni modello supporta tutti i metodi API e i tipi di contenuto? Usa i metodi API e i tipi di input/output elencati nella scheda del modello. Il supporto per testo, immagini, audio o video dipende dal modello e dal metodo selezionati; controlla il relativo esempio di richiesta prima di inviare i tuoi dati. Qual è la differenza tra un ID modello e un alias? Un ID modello esatto identifica un modello specifico. Un alias punta a un modello e il modello di destinazione può cambiare. Controlla nel catalogo a quale modello punta attualmente l'alias; usa l'ID esatto quando la tua integrazione richiede un modello specifico. Come confronto i prezzi prima di inviare una richiesta? Consulta la scheda del modello per conoscere il prezzo e l'unità di fatturazione del metodo API selezionato. Confronta la stessa unità e lo stesso tipo di input/output; la cronologia delle richieste mostra l'utilizzo effettivo e l'importo addebitato. Cosa offre l’abbonamento? Sconto sull’acquisto di token per lavoro regolare. Scegli piano per volume; condizioni e prezzo sono mostrati alla sottoscrizione. Come applico un codice fino al 50%? Inseriscilo acquistando token. Il totale segue la promozione e lo sconto è visibile prima del pagamento. ## Ailoot · L’azienda e il suo portafoglio di progetti Ailoot si basa su un’esperienza operativa consolidata, un’ampia base di clienti, un servizio stabile e un controllo costante dei KPI. L’azienda e il suo portafoglio di progetti: milioni di clienti; vendite nell’ordine dei miliardi ogni mese. Ailoot mette questa esperienza operativa al servizio dell’accesso API alle funzioni AI nei prodotti dei clienti, negli agenti, nelle applicazioni e nelle automazioni.