Source: https://ailoot.ai/models/it/amazon-titan-embed-text-v2/ Canonical: https://ailoot.ai/models/it/amazon-titan-embed-text-v2/ Language: it # Amazon: Titan Text Embeddings V2 [Markdown](https://ailoot.ai/models/it/amazon-titan-embed-text-v2/index.md) · [JSON](https://ailoot.ai/models/it/amazon-titan-embed-text-v2/facts.json) ## [Amazon: Titan Text Embeddings V2](https://ailoot.ai/models/it/amazon-titan-embed-text-v2/) `amazon/titan-embed-text-v2` AmazonEmbeddingInput 0,00004 USD / 1KOutput — Crea vettori testuali per RAG, ricerca semantica e raggruppamento, anche per la ricerca in materiali multilingue e codice. ### La seconda generazione degli embedding testuali Titan Amazon Titan Text Embeddings V2 trasforma il testo in una rappresentazione numerica per la ricerca e altre attività basate sulla vicinanza di significato. Il modello è ottimizzato per recuperare frammenti pertinenti: l’utente pone una domanda con parole proprie e l’applicazione confronta il suo vettore con quelli dei materiali della base di conoscenza. Si possono così trovare le informazioni necessarie senza una corrispondenza esatta delle parole chiave. V2 si distingue da G1 per una rappresentazione standard più compatta: nella documentazione Amazon la dimensione predefinita del vettore è di **1 024 dimensioni**. Per l’applicazione è una caratteristica dei dati da conservare e confrontare. Tutte le voci di uno stesso indice devono usare un metodo di rappresentazione coerente; passando da un altro modello di embedding, l’indice va preparato nuovamente per il modello scelto. ### Dove usarlo - **RAG e ricerca aziendale:** preparare i vettori delle sezioni della documentazione, poi recuperare i frammenti per un modello separato che risponde alla domanda. - **Similarità semantica:** confrontare testi con formulazioni diverse e trovare materiali vicini. - **Raggruppamento:** esplorare i temi di richieste, recensioni e documenti attraverso la vicinanza delle loro rappresentazioni. - **Ricerca nel codice:** costruire ricerche su codice sorgente e spiegazioni collegate. Amazon indica un addestramento di V2 su oltre 100 lingue naturali e 13 linguaggi di programmazione, tra cui Python, JavaScript, Java, C++, Rust, Go e SQL. Il modello è comunque ottimizzato soprattutto per il testo inglese. In una base multilingue è particolarmente utile verificare separatamente le richieste in cui la lingua della domanda differisce da quella dei documenti: la presenza delle lingue nell’addestramento non implica una qualità uguale per tutte queste combinazioni. ### Uso in Ailoot Si fornisce testo in ingresso e si ottiene un **embedding** in uscita. Il limite di questa scheda è di **8 192 token in ingresso**. Per un indice di ricerca conviene dividere i materiali lunghi seguendo confini di significato: titoli, sezioni e paragrafi. Ogni frammento può poi essere memorizzato insieme al suo vettore e al riferimento alla fonte originale. ### Ciclo pratico Scegliere domande reali e risposte pertinenti dalla propria raccolta, creare gli embedding e verificare i risultati della ricerca. Modificare la dimensione dei frammenti e il metodo di confronto sullo stesso insieme, mantenendo il collegamento con il testo originale. Titan prepara le rappresentazioni numeriche; confronto, selezione dei risultati e composizione della risposta spettano alle fasi successive dell’applicazione. Questa verifica aiuta a scegliere le impostazioni dell’indice in base alla propria terminologia e struttura documentale. ### Disponibile tramite Ailoot API Tipi di input `text` Tipi di output `embedding` Contesto 8192 *token* Risposta massima Non specificato nel catalogo Input 0,00004 USD */ 1K* `amazon/titan-embed-text-v2` · JSON ``` {"about":"### La seconda generazione degli embedding testuali Titan\n\nAmazon Titan Text Embeddings V2 trasforma il testo in una rappresentazione numerica per la ricerca e altre attività basate sulla vicinanza di significato. Il modello è ottimizzato per recuperare frammenti pertinenti: l’utente pone una domanda con parole proprie e l’applicazione confronta il suo vettore con quelli dei materiali della base di conoscenza. Si possono così trovare le informazioni necessarie senza una corrispondenza esatta delle parole chiave.\n\nV2 si distingue da G1 per una rappresentazione standard più compatta: nella documentazione Amazon la dimensione predefinita del vettore è di **1 024 dimensioni**. Per l’applicazione è una caratteristica dei dati da conservare e confrontare. Tutte le voci di uno stesso indice devono usare un metodo di rappresentazione coerente; passando da un altro modello di embedding, l’indice va preparato nuovamente per il modello scelto.\n\n### Dove usarlo\n\n- **RAG e ricerca aziendale:** preparare i vettori delle sezioni della documentazione, poi recuperare i frammenti per un modello separato che risponde alla domanda.\n- **Similarità semantica:** confrontare testi con formulazioni diverse e trovare materiali vicini.\n- **Raggruppamento:** esplorare i temi di richieste, recensioni e documenti attraverso la vicinanza delle loro rappresentazioni.\n- **Ricerca nel codice:** costruire ricerche su codice sorgente e spiegazioni collegate.\n\nAmazon indica un addestramento di V2 su oltre 100 lingue naturali e 13 linguaggi di programmazione, tra cui Python, JavaScript, Java, C++, Rust, Go e SQL. Il modello è comunque ottimizzato soprattutto per il testo inglese. In una base multilingue è particolarmente utile verificare separatamente le richieste in cui la lingua della domanda differisce da quella dei documenti: la presenza delle lingue nell’addestramento non implica una qualità uguale per tutte queste combinazioni.\n\n### Uso in Ailoot\n\nSi fornisce testo in ingresso e si ottiene un **embedding** in uscita. Il limite di questa scheda è di **8 192 token in ingresso**. Per un indice di ricerca conviene dividere i materiali lunghi seguendo confini di significato: titoli, sezioni e paragrafi. Ogni frammento può poi essere memorizzato insieme al suo vettore e al riferimento alla fonte originale.\n\n### Ciclo pratico\n\nScegliere domande reali e risposte pertinenti dalla propria raccolta, creare gli embedding e verificare i risultati della ricerca. Modificare la dimensione dei frammenti e il metodo di confronto sullo stesso insieme, mantenendo il collegamento con il testo originale. Titan prepara le rappresentazioni numeriche; confronto, selezione dei risultati e composizione della risposta spettano alle fasi successive dell’applicazione. Questa verifica aiuta a scegliere le impostazioni dell’indice in base alla propria terminologia e struttura documentale.","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":"Crea vettori testuali per RAG, ricerca semantica e raggruppamento, anche per la ricerca in materiali multilingue e codice."} ``` ## 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.