{
  "aboutHtml": "<h3>Teksto prasmė skaitiniame vektoriuje</h3><p>Amazon Titan Embeddings G1 — Amazon tekstinių vektorinių reprezentacijų modelis, dar vadinamas V1. Jis tekstą paverčia <strong>1 536 skaičių</strong> vektoriumi. Toks rezultatas padeda programai pagal prasmę palyginti frazes ir dokumentus, net kai juose vartojami skirtingi žodžiai: pavyzdžiui, pagal klausimą apie mokėjimo duomenų pakeitimą rasti rekvizitų keitimo instrukciją.</p><h3>Paieška, žinių bazė ir grupavimas</h3><p>G1 tinka tekstiniam indeksui parengti ir naudotojo užklausos paieškos reprezentacijai sukurti. Žinių bazės sistemoje tai vienas RAG etapų: pirmiausia randami tinkami fragmentai, tada atskiras kalbos modelis pagal juos suformuoja atsakymą. Pats Titan šiame etape grąžina vektorių; dokumentus saugo, artumą skaičiuoja ir atsakymą sudaro jūsų programa.</p><p>Kitas naudojimo būdas — tekstų grupavimas. Vektoriai gali padėti rasti panašias pagalbos užklausas, sujungti medžiagą pagal temas ar atrinkti panašius dokumentus. Konkrečios kategorijos ir panašumo slenksčiai nustatomi darbo procese, o ne pateikiami vektorinėje reprezentacijoje kaip paruoštos žymos.</p><h3>Kaip parengti medžiagą</h3><ol><li>Suskaidykite rinkinį į aiškius fragmentus: skyrius, pastraipas arba savarankiškus atsakymus.</li><li>Gaukite šių fragmentų vektorius ir išsaugokite kiekvieno ryšį su pradiniu tekstu.</li><li>Tuo pačiu būdu paverskite paieškos užklausą.</li><li>Palyginkite ją su indeksu ir pateikite rastą medžiagą naudotojui arba kitam apdorojimo etapui.</li></ol><p>Ailoot prieinama tekstinė įvestis iki <strong>8 192 žetonų</strong> ir embedding formato rezultatas. Paieškai fragmento dydį geriau rinktis pagal turinį: vienas didelis viso dokumento vektorius gali paslėpti atskirų jame aptariamų klausimų skirtumus. Atnaujinus pradinį tekstą, atnaujinama ir jo reprezentacija indekse.</p><h3>Kuo išsiskiria G1</h3><p>Ši Titan karta naudoja fiksuotą 1536 matmenų reprezentaciją. Amazon nurodo mokymą su 25 natūraliosiomis kalbomis ir išsamiausią testavimą anglų kalba. Profesinei terminijai, dviprasmiškoms formuluotėms ir kitoms kalboms naudinga turėti nedidelį savų užklausų rinkinį su iš anksto žinomais tinkamais dokumentais. G1 pirmiausia skirta natūraliam tekstui; kitai Titan kartai atskirai pateikta informacija apie mokymą su programavimo kalbomis, svarbų paieškai pirminiame kode.</p>",
  "aboutText": "### Teksto prasmė skaitiniame vektoriuje\n\nAmazon Titan Embeddings G1 — Amazon tekstinių vektorinių reprezentacijų modelis, dar vadinamas V1. Jis tekstą paverčia **1 536 skaičių** vektoriumi. Toks rezultatas padeda programai pagal prasmę palyginti frazes ir dokumentus, net kai juose vartojami skirtingi žodžiai: pavyzdžiui, pagal klausimą apie mokėjimo duomenų pakeitimą rasti rekvizitų keitimo instrukciją.\n\n### Paieška, žinių bazė ir grupavimas\n\nG1 tinka tekstiniam indeksui parengti ir naudotojo užklausos paieškos reprezentacijai sukurti. Žinių bazės sistemoje tai vienas RAG etapų: pirmiausia randami tinkami fragmentai, tada atskiras kalbos modelis pagal juos suformuoja atsakymą. Pats Titan šiame etape grąžina vektorių; dokumentus saugo, artumą skaičiuoja ir atsakymą sudaro jūsų programa.\n\nKitas naudojimo būdas — tekstų grupavimas. Vektoriai gali padėti rasti panašias pagalbos užklausas, sujungti medžiagą pagal temas ar atrinkti panašius dokumentus. Konkrečios kategorijos ir panašumo slenksčiai nustatomi darbo procese, o ne pateikiami vektorinėje reprezentacijoje kaip paruoštos žymos.\n\n### Kaip parengti medžiagą\n\n1. Suskaidykite rinkinį į aiškius fragmentus: skyrius, pastraipas arba savarankiškus atsakymus.\n2. Gaukite šių fragmentų vektorius ir išsaugokite kiekvieno ryšį su pradiniu tekstu.\n3. Tuo pačiu būdu paverskite paieškos užklausą.\n4. Palyginkite ją su indeksu ir pateikite rastą medžiagą naudotojui arba kitam apdorojimo etapui.\n\nAiloot prieinama tekstinė įvestis iki **8 192 žetonų** ir embedding formato rezultatas. Paieškai fragmento dydį geriau rinktis pagal turinį: vienas didelis viso dokumento vektorius gali paslėpti atskirų jame aptariamų klausimų skirtumus. Atnaujinus pradinį tekstą, atnaujinama ir jo reprezentacija indekse.\n\n### Kuo išsiskiria G1\n\nŠi Titan karta naudoja fiksuotą 1536 matmenų reprezentaciją. Amazon nurodo mokymą su 25 natūraliosiomis kalbomis ir išsamiausią testavimą anglų kalba. Profesinei terminijai, dviprasmiškoms formuluotėms ir kitoms kalboms naudinga turėti nedidelį savų užklausų rinkinį su iš anksto žinomais tinkamais dokumentais. G1 pirmiausia skirta natūraliam tekstui; kitai Titan kartai atskirai pateikta informacija apie mokymą su programavimo kalbomis, svarbų paieškai pirminiame kode.",
  "locale": "lt",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Įterpiniai</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Įvestis</dt><dd><code>text</code></dd></div><div><dt>Išvestis</dt><dd><code>embedding</code></dd></div><div><dt>Kontekstas</dt><dd>8 192 <em>tokenų</em></dd></div><div><dt>Didžiausias atsakymas</dt><dd>Kataloge nenurodyta</dd></div></dl><dl><div><dt>Įvestis</dt><dd>0,0002 USD <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "amazon/titan-embed-text-v1",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "amazon/titan-embed-text-v1",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|amazon%2Ftitan-embed-text-v1",
      "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": 0.2,
        "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_id": "amazon/titan-embed-text-v1",
  "page": {
    "canonical": "https://ailoot.ai/models/lt/amazon-titan-embed-text-v1/",
    "description": "Tekstą paverčia 1536 matmenų vektoriais semantinei paieškai, panašios medžiagos atrankai ir dokumentų grupavimui.",
    "locale": "lt",
    "md_url": "https://ailoot.ai/models/lt/amazon-titan-embed-text-v1/index.md",
    "title": "Amazon: Titan Embeddings G1 - Text",
    "url": "https://ailoot.ai/models/lt/amazon-titan-embed-text-v1/"
  },
  "rawModel": {
    "about": "### Teksto prasmė skaitiniame vektoriuje\n\nAmazon Titan Embeddings G1 — Amazon tekstinių vektorinių reprezentacijų modelis, dar vadinamas V1. Jis tekstą paverčia **1 536 skaičių** vektoriumi. Toks rezultatas padeda programai pagal prasmę palyginti frazes ir dokumentus, net kai juose vartojami skirtingi žodžiai: pavyzdžiui, pagal klausimą apie mokėjimo duomenų pakeitimą rasti rekvizitų keitimo instrukciją.\n\n### Paieška, žinių bazė ir grupavimas\n\nG1 tinka tekstiniam indeksui parengti ir naudotojo užklausos paieškos reprezentacijai sukurti. Žinių bazės sistemoje tai vienas RAG etapų: pirmiausia randami tinkami fragmentai, tada atskiras kalbos modelis pagal juos suformuoja atsakymą. Pats Titan šiame etape grąžina vektorių; dokumentus saugo, artumą skaičiuoja ir atsakymą sudaro jūsų programa.\n\nKitas naudojimo būdas — tekstų grupavimas. Vektoriai gali padėti rasti panašias pagalbos užklausas, sujungti medžiagą pagal temas ar atrinkti panašius dokumentus. Konkrečios kategorijos ir panašumo slenksčiai nustatomi darbo procese, o ne pateikiami vektorinėje reprezentacijoje kaip paruoštos žymos.\n\n### Kaip parengti medžiagą\n\n1. Suskaidykite rinkinį į aiškius fragmentus: skyrius, pastraipas arba savarankiškus atsakymus.\n2. Gaukite šių fragmentų vektorius ir išsaugokite kiekvieno ryšį su pradiniu tekstu.\n3. Tuo pačiu būdu paverskite paieškos užklausą.\n4. Palyginkite ją su indeksu ir pateikite rastą medžiagą naudotojui arba kitam apdorojimo etapui.\n\nAiloot prieinama tekstinė įvestis iki **8 192 žetonų** ir embedding formato rezultatas. Paieškai fragmento dydį geriau rinktis pagal turinį: vienas didelis viso dokumento vektorius gali paslėpti atskirų jame aptariamų klausimų skirtumus. Atnaujinus pradinį tekstą, atnaujinama ir jo reprezentacija indekse.\n\n### Kuo išsiskiria G1\n\nŠi Titan karta naudoja fiksuotą 1536 matmenų reprezentaciją. Amazon nurodo mokymą su 25 natūraliosiomis kalbomis ir išsamiausią testavimą anglų kalba. Profesinei terminijai, dviprasmiškoms formuluotėms ir kitoms kalboms naudinga turėti nedidelį savų užklausų rinkinį su iš anksto žinomais tinkamais dokumentais. G1 pirmiausia skirta natūraliam tekstui; kitai Titan kartai atskirai pateikta informacija apie mokymą su programavimo kalbomis, svarbų paieškai pirminiame kode.",
    "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": "Tekstą paverčia 1536 matmenų vektoriais semantinei paieškai, panašios medžiagos atrankai ir dokumentų grupavimui."
  },
  "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": "Tekstą paverčia 1536 matmenų vektoriais semantinei paieškai, panašios medžiagos atrankai ir dokumentų grupavimui.",
  "source": {
    "audit_sha256": "a48e35e2764fb9864352a5ea2d5d58243200993c4415aec7beaeb63dabf7b96b",
    "bridge_map_sha256": "a48e35e2764fb9864352a5ea2d5d58243200993c4415aec7beaeb63dabf7b96b",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "aeaa630574957b30b6f902cbc3f023833b5c17912ef52912e89e76457ed97da3",
      "renderer_sha256": "1d3ba43331c1ce640a925b72c0174bc7be81a0d19a650f9a2b8d71aa48d72002"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "aeaa630574957b30b6f902cbc3f023833b5c17912ef52912e89e76457ed97da3",
    "renderer_sha256": "1d3ba43331c1ce640a925b72c0174bc7be81a0d19a650f9a2b8d71aa48d72002"
  },
  "sourceRevision": "68aa17286b4445dfe5ebc49c1df637118f0df02bb710c07e16c8c1d3fea23481"
}