{
  "aboutHtml": "<h3>Titan мәтіндік embeddings моделінің екінші буыны</h3><p>Amazon 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.</p><p>V2 G1-ден ықшамырақ стандартты бейнелеуімен ерекшеленеді: Amazon құжаттамасында әдепкі вектор көлемі <strong>1 024 өлшем</strong> 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.</p><h3>Қайда қолдануға болады</h3><ul><li><strong>RAG және ұйым ішіндегі іздеу:</strong> құжаттама бөлімдерінің векторларын дайындап, сұраққа жауап беретін бөлек модельге үзінділерді іріктеу.</li><li><strong>Мағыналық ұқсастық:</strong> әртүрлі тұжырымдалған мәтіндерді салыстырып, жақын материалдарды табу.</li><li><strong>Топтау:</strong> өтініштер, пікірлер мен құжаттардың тақырыптарын бейнелерінің жақындығы арқылы зерттеу.</li><li><strong>Кодтан іздеу:</strong> бастапқы код пен оған қатысты түсіндірмелерге іздеу сценарийлерін құру.</li></ul><p>Amazon 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.</p><h3>Ailoot-та жұмыс істеу</h3><p>Кіріске мәтін беріледі, шығыста <strong>embedding</strong> алынады. Осы карточканың шегі — <strong>8 192 кіріс токені</strong>. 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.</p><h3>Практикалық цикл</h3><p>Өз 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.</p>",
  "aboutText": "### 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.",
  "locale": "kk",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Эмбеддингтер</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Кіріс</dt><dd><code>text</code></dd></div><div><dt>Шығыс</dt><dd><code>embedding</code></dd></div><div><dt>Контекст</dt><dd>8 192 <em>токен</em></dd></div><div><dt>Жауаптың ең көп көлемі</dt><dd>Каталогта көрсетілмеген</dd></div></dl><dl><div><dt>Кіріс</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/kk/amazon-titan-embed-text-v2/",
    "description": "RAG, мағыналық іздеу мен топтауға, соның ішінде көптілді материалдар мен кодтан іздеуге арналған мәтін векторларын жасайды.",
    "locale": "kk",
    "md_url": "https://ailoot.ai/models/kk/amazon-titan-embed-text-v2/index.md",
    "title": "Amazon: Titan Text Embeddings V2",
    "url": "https://ailoot.ai/models/kk/amazon-titan-embed-text-v2/"
  },
  "rawModel": {
    "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."
  },
  "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, мағыналық іздеу мен топтауға, соның ішінде көптілді материалдар мен кодтан іздеуге арналған мәтін векторларын жасайды.",
  "source": {
    "audit_sha256": "b90c621f1c919d994d9d84c189b5eb84e901cc7b8fa09722cdd696eafba7f403",
    "bridge_map_sha256": "b90c621f1c919d994d9d84c189b5eb84e901cc7b8fa09722cdd696eafba7f403",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "0caa52bb60d02750b575022d925ebec2e193f852a604fb0e932212e4be47d061",
      "renderer_sha256": "c4a9685c73b4ea4d57c8bbf85dbb5a5225b4f584bf13aca286c250cc74300f20"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "0caa52bb60d02750b575022d925ebec2e193f852a604fb0e932212e4be47d061",
    "renderer_sha256": "c4a9685c73b4ea4d57c8bbf85dbb5a5225b4f584bf13aca286c250cc74300f20"
  },
  "sourceRevision": "d803fb536dc73ebaf397caf44953ef70b07d1dbfb3252c0f5a694607d82e923f"
}