{
  "aboutHtml": "<h3>第2世代のTitanテキスト埋め込み</h3><p>Amazon Titan Text Embeddings V2は、検索をはじめ意味の近さを利用する処理のために、テキストを数値表現へ変換します。適切な文章の抽出に最適化されています。利用者が自分の言葉で質問すると、アプリケーションがそのベクトルをナレッジベース内の資料のベクトルと比較します。キーワードの完全一致がなくても、必要な情報を探せます。</p><p>V2はG1よりコンパクトな標準表現を使います。Amazonの文書では、既定のベクトルサイズは<strong>1,024次元</strong>です。これはアプリケーションが保存、比較するデータの特性です。一つのインデックス内の項目は一貫した表現方式を使う必要があり、別の埋め込みモデルから移行する場合は、選んだモデルに合わせてインデックスを作り直します。</p><h3>利用場面</h3><ul><li><strong>RAGと社内検索：</strong> 文書の節ごとにベクトルを準備し、質問に答える別のモデルへ渡す文章を抽出します。</li><li><strong>意味の類似性：</strong> 言い回しの異なる文章を比較し、近い資料を探します。</li><li><strong>グループ分け：</strong> 表現の近さを通して、問い合わせ、レビュー、文書の話題を調べます。</li><li><strong>コード検索：</strong> ソースコードや関連する説明の検索を構築します。</li></ul><p>Amazonによると、V2は100を超える自然言語と、Python、JavaScript、Java、C++、Rust、Go、SQLを含む13のプログラミング言語で学習しています。ただし主に英語の文章に最適化されています。多言語の資料では、質問と文書の言語が異なる検索を個別に確認すると特に有用です。学習対象に含まれることは、すべての言語の組み合わせで同等の品質を意味しません。</p><h3>Ailootでの利用</h3><p>入力はテキスト、出力は<strong>埋め込み</strong>です。このモデルカードの上限は<strong>入力8,192トークン</strong>です。検索インデックス用の長い資料は、見出し、節、段落といった意味の境界で区切ると扱いやすくなります。各部分を、そのベクトルと元資料への参照と一緒に保存できます。</p><h3>実用的な検証サイクル</h3><p>手元の資料から実際の質問と適切な回答を選び、埋め込みを作成して検索結果を確認します。同じ評価例を使い、元の文章との対応を保ちながら、区切る大きさや比較方法を変えてみます。Titanは数値表現を用意し、比較、結果の選択、回答作成はアプリケーションの後続段階が行います。この確認によって、用語や文書構造に合うインデックス設定を選べます。</p>",
  "aboutText": "### 第2世代のTitanテキスト埋め込み\n\nAmazon Titan Text Embeddings V2は、検索をはじめ意味の近さを利用する処理のために、テキストを数値表現へ変換します。適切な文章の抽出に最適化されています。利用者が自分の言葉で質問すると、アプリケーションがそのベクトルをナレッジベース内の資料のベクトルと比較します。キーワードの完全一致がなくても、必要な情報を探せます。\n\nV2はG1よりコンパクトな標準表現を使います。Amazonの文書では、既定のベクトルサイズは**1,024次元**です。これはアプリケーションが保存、比較するデータの特性です。一つのインデックス内の項目は一貫した表現方式を使う必要があり、別の埋め込みモデルから移行する場合は、選んだモデルに合わせてインデックスを作り直します。\n\n### 利用場面\n\n- **RAGと社内検索：** 文書の節ごとにベクトルを準備し、質問に答える別のモデルへ渡す文章を抽出します。\n- **意味の類似性：** 言い回しの異なる文章を比較し、近い資料を探します。\n- **グループ分け：** 表現の近さを通して、問い合わせ、レビュー、文書の話題を調べます。\n- **コード検索：** ソースコードや関連する説明の検索を構築します。\n\nAmazonによると、V2は100を超える自然言語と、Python、JavaScript、Java、C++、Rust、Go、SQLを含む13のプログラミング言語で学習しています。ただし主に英語の文章に最適化されています。多言語の資料では、質問と文書の言語が異なる検索を個別に確認すると特に有用です。学習対象に含まれることは、すべての言語の組み合わせで同等の品質を意味しません。\n\n### Ailootでの利用\n\n入力はテキスト、出力は**埋め込み**です。このモデルカードの上限は**入力8,192トークン**です。検索インデックス用の長い資料は、見出し、節、段落といった意味の境界で区切ると扱いやすくなります。各部分を、そのベクトルと元資料への参照と一緒に保存できます。\n\n### 実用的な検証サイクル\n\n手元の資料から実際の質問と適切な回答を選び、埋め込みを作成して検索結果を確認します。同じ評価例を使い、元の文章との対応を保ちながら、区切る大きさや比較方法を変えてみます。Titanは数値表現を用意し、比較、結果の選択、回答作成はアプリケーションの後続段階が行います。この確認によって、用語や文書構造に合うインデックス設定を選べます。",
  "locale": "ja",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> 埋め込み</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>入力の種類</dt><dd><code>text</code></dd></div><div><dt>出力の種類</dt><dd><code>embedding</code></dd></div><div><dt>コンテキスト</dt><dd>8,192 <em>トークン</em></dd></div><div><dt>最大出力</dt><dd>カタログに記載なし</dd></div></dl><dl><div><dt>入力</dt><dd>$0.00004 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "amazon/titan-embed-text-v2",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "amazon/titan-embed-text-v2",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|amazon%2Ftitan-embed-text-v2",
      "ordinal": 0,
      "rawMethod": {
        "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_id": "amazon/titan-embed-text-v2",
  "page": {
    "canonical": "https://ailoot.ai/models/ja/amazon-titan-embed-text-v2/",
    "description": "RAG、意味検索、グループ分け向けのテキストベクトルを作成し、多言語資料やコードの検索にも利用できます。",
    "locale": "ja",
    "md_url": "https://ailoot.ai/models/ja/amazon-titan-embed-text-v2/index.md",
    "title": "Amazon: Titan Text Embeddings V2",
    "url": "https://ailoot.ai/models/ja/amazon-titan-embed-text-v2/"
  },
  "rawModel": {
    "about": "### 第2世代のTitanテキスト埋め込み\n\nAmazon Titan Text Embeddings V2は、検索をはじめ意味の近さを利用する処理のために、テキストを数値表現へ変換します。適切な文章の抽出に最適化されています。利用者が自分の言葉で質問すると、アプリケーションがそのベクトルをナレッジベース内の資料のベクトルと比較します。キーワードの完全一致がなくても、必要な情報を探せます。\n\nV2はG1よりコンパクトな標準表現を使います。Amazonの文書では、既定のベクトルサイズは**1,024次元**です。これはアプリケーションが保存、比較するデータの特性です。一つのインデックス内の項目は一貫した表現方式を使う必要があり、別の埋め込みモデルから移行する場合は、選んだモデルに合わせてインデックスを作り直します。\n\n### 利用場面\n\n- **RAGと社内検索：** 文書の節ごとにベクトルを準備し、質問に答える別のモデルへ渡す文章を抽出します。\n- **意味の類似性：** 言い回しの異なる文章を比較し、近い資料を探します。\n- **グループ分け：** 表現の近さを通して、問い合わせ、レビュー、文書の話題を調べます。\n- **コード検索：** ソースコードや関連する説明の検索を構築します。\n\nAmazonによると、V2は100を超える自然言語と、Python、JavaScript、Java、C++、Rust、Go、SQLを含む13のプログラミング言語で学習しています。ただし主に英語の文章に最適化されています。多言語の資料では、質問と文書の言語が異なる検索を個別に確認すると特に有用です。学習対象に含まれることは、すべての言語の組み合わせで同等の品質を意味しません。\n\n### Ailootでの利用\n\n入力はテキスト、出力は**埋め込み**です。このモデルカードの上限は**入力8,192トークン**です。検索インデックス用の長い資料は、見出し、節、段落といった意味の境界で区切ると扱いやすくなります。各部分を、そのベクトルと元資料への参照と一緒に保存できます。\n\n### 実用的な検証サイクル\n\n手元の資料から実際の質問と適切な回答を選び、埋め込みを作成して検索結果を確認します。同じ評価例を使い、元の文章との対応を保ちながら、区切る大きさや比較方法を変えてみます。Titanは数値表現を用意し、比較、結果の選択、回答作成はアプリケーションの後続段階が行います。この確認によって、用語や文書構造に合うインデックス設定を選べます。",
    "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": "RAG、意味検索、グループ分け向けのテキストベクトルを作成し、多言語資料やコードの検索にも利用できます。"
  },
  "renderer_schema": {
    "method_order": "rawModel.methods-ordinal",
    "prices": "exact-native-DTO-units-and-selected-renderer-html"
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "RAG、意味検索、グループ分け向けのテキストベクトルを作成し、多言語資料やコードの検索にも利用できます。",
  "source": {
    "audit_sha256": "5c47f3cab1f9c7a34ab6e5811307794c6731be9b56a1fa879e5b9cc23cdfbdaa",
    "bridge_map_sha256": "5c47f3cab1f9c7a34ab6e5811307794c6731be9b56a1fa879e5b9cc23cdfbdaa",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "f5b251ef2320cb0adbc94c4a938b60a1cdf2450faecc074ccbbd55ede9457667",
      "renderer_sha256": "1040c614d3637bc5bf28c97d445c529cdd141dbe0e11f6de9820bc6d2e53724b"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "f5b251ef2320cb0adbc94c4a938b60a1cdf2450faecc074ccbbd55ede9457667",
    "renderer_sha256": "1040c614d3637bc5bf28c97d445c529cdd141dbe0e11f6de9820bc6d2e53724b"
  },
  "sourceRevision": "ee7f565331409fe63726c4a70ec910adf81b73a804fd4e6ce8f0856c4f6c806f"
}