Amazon: Titan Text Embeddings V2

{"about":"### Titan мәтіндік embeddings моделінің екінші буыны\n\nAmazon Titan Text Embeddings V2 мәтінді іздеуге және мағыналық жақындыққа негізделген өзге міндеттерге арналған сандық бейнеге айналдырады. Модель сәйкес үзінділерді табуға оңтайландырылған: пайдаланушы сұрақты өз сөзімен қояды, ал қолданба оның векторын білім базасындағы материалдардың векторларымен салыстырады. Осылайша кілт сөздер толық сәйкес келмесе де қажетті ақпаратты табуға болады.\n\nV2 G1-ден ықшамырақ стандартты бейнелеуімен ерекшеленеді: Amazon құжаттамасында әдепкі вектор көлемі **1 024 өлшем** деп көрсетілген. Қолданба үшін бұл — сақтап, салыстыратын деректерінің сипаты. Бір индекстің барлық жазбасы келісілген бейнелеу тәсілін қолдануға тиіс; басқа embedding моделінен көшкенде индекс таңдалған модельге сай қайта дайындалады.\n\n### Қайда қолдануға болады\n\n- **RAG және ұйым ішіндегі іздеу:** құжаттама бөлімдерінің векторларын дайындап, сұраққа жауап беретін бөлек модельге үзінділерді іріктеу.\n- **Мағыналық ұқсастық:** әртүрлі тұжырымдалған мәтіндерді салыстырып, жақын материалдарды табу.\n- **Топтау:** өтініштер, пікірлер мен құжаттардың тақырыптарын бейнелерінің жақындығы арқылы зерттеу.\n- **Кодтан іздеу:** бастапқы код пен оған қатысты түсіндірмелерге іздеу сценарийлерін құру.\n\nAmazon V2-нің 100-ден астам табиғи тілде және Python, JavaScript, Java, C++, Rust, Go, SQL кіретін 13 бағдарламалау тілінде оқытылғанын көрсетеді. Дегенмен модель негізінен ағылшын мәтініне оңтайландырылған. Көптілді базада сұрақ тілі құжат тілінен өзгеше болатын сұрауларды бөлек тексерген өте пайдалы: тілдің оқытуда болуы осындай барлық жұпта бірдей сапаны білдірмейді.\n\n### Ailoot-та жұмыс істеу\n\nКіріске мәтін беріледі, шығыста **embedding** алынады. Осы карточканың шегі — **8 192 кіріс токені**. Іздеу индексі үшін ұзын материалдарды тақырыпша, бөлім және абзац сияқты мағыналық шекаралар бойынша бөлу ыңғайлы. Содан кейін әр үзіндіні оның векторымен және түпнұсқаға сілтемесімен бірге сақтауға болады.\n\n### Практикалық цикл\n\nӨз жинағыңыздан нақты сұрақтар мен сәйкес жауаптарды таңдап, embeddings жасап, іздеу нәтижелерін тексеріңіз. Бастапқы мәтінмен байланысты сақтап, сол жиында үзінді көлемі мен салыстыру тәсілін өзгертіңіз. Titan сандық бейнелерді дайындайды; салыстыру, нәтижелерді іріктеу және жауап құру қолданбаның келесі кезеңдерінде орындалады. Мұндай тексеру индекс параметрлерін өз терминологияңыз бен құжат құрылымына сай таңдауға көмектеседі.","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, мағыналық іздеу мен топтауға, соның ішінде көптілді материалдар мен кодтан іздеуге арналған мәтін векторларын жасайды."}