Amazon: Titan Embeddings G1 - Text

{"about":"### Мәтін мағынасы сандық векторда\n\nAmazon Titan Embeddings G1 — V1 деп те аталатын Amazon мәтіндік embedding моделі. Ол мәтінді **1 536 саннан** тұратын векторға айналдырады. Мұндай нәтиже қолданбаға сөздері әртүрлі болса да, тіркестер мен құжаттарды мағынасы бойынша салыстыруға көмектеседі: мысалы, төлем деректерін ауыстыру туралы сұраққа деректемелерді өзгерту нұсқаулығын табуға болады.\n\n### Іздеу, білім базасы және топтау\n\nG1 мәтіндік индекс дайындауға және пайдаланушы сұрауының іздеу бейнесін жасауға жарайды. Білім базасы бар жүйеде бұл RAG кезеңдерінің бірі: алдымен сәйкес үзінділер табылады, содан кейін бөлек тілдік модель соларға сүйеніп жауап құрады. Titan бұл кезеңде вектор қайтарады; құжаттарды сақтау, жақындықты есептеу және жауапты құрастыру қолданбаңызға жатады.\n\nТағы бір қолданылуы — мәтіндерді топтау. Векторлар арқылы қолдау қызметіне түскен ұқсас өтініштерді табуға, материалдарды тақырып бойынша біріктіруге немесе ұқсас құжаттарды таңдауға болады. Нақты санаттар мен ұқсастық шектері жұмыс барысында белгіленеді, embedding ішінде дайын белгілер түрінде берілмейді.\n\n### Материалдарды қалай дайындау керек\n\n1. Жинақты түсінікті үзінділерге: бөлімдерге, абзацтарға не дербес жауаптарға бөліңіз.\n2. Үзінділердің векторларын алып, әр вектордың бастапқы мәтінмен байланысын сақтаңыз.\n3. Іздеу сұрауын да сол тәсілмен түрлендіріңіз.\n4. Оны индекспен салыстырып, табылған материалдарды пайдаланушыға не келесі өңдеу кезеңіне беріңіз.\n\nAiloot-та **8 192 токенге** дейінгі мәтіндік кіріс және embedding форматындағы нәтиже қолжетімді. Іздеу үшін үзінді көлемін мазмұнына қарай таңдаған дұрыс: тұтас құжаттың бір үлкен векторы онда қаралған жеке мәселелердің айырмасын жасыруы мүмкін. Бастапқы мәтін жаңарғанда, оның индекстегі бейнесі де жаңартылады.\n\n### G1 несімен ерекшеленеді\n\nTitan-ның бұл буыны тұрақты 1536 өлшемді бейнелеуді қолданады. Amazon 25 табиғи тілде оқытылғанын және ең толық сынақ ағылшын тілінде жүргізілгенін айтады. Кәсіби терминдер, екіұшты тұжырымдар және басқа тілдер үшін дұрыс құжаттары алдын ала белгілі шағын жеке сұраулар жиыны пайдалы. G1 негізінен табиғи мәтінге арналған; бастапқы кодтан іздеу үшін Titan-ның келесі буынында бағдарламалау тілдерінде оқыту туралы бөлек мәлімет бар.","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":"Мәтінді мағыналық іздеуге, ұқсас материалдарды таңдауға және құжаттарды топтауға арналған 1536 өлшемді векторларға айналдырады."}