{
  "aboutHtml": "<h3>Makna teks dalam vektor berangka</h3><p>Amazon Titan Embeddings G1 ialah model embedding teks Amazon, juga dikenali sebagai V1. Model ini menukarkan teks kepada vektor yang mengandungi <strong>1 536 nombor</strong>. Hasil ini membantu aplikasi membandingkan makna frasa dan dokumen walaupun perkataannya berbeza: contohnya, mencari panduan mengemas kini butiran pembayaran melalui soalan tentang pertukaran maklumat pembayaran.</p><h3>Carian, pangkalan pengetahuan dan pengelompokan</h3><p>G1 sesuai untuk menyediakan indeks teks dan menghasilkan perwakilan carian bagi pertanyaan pengguna. Dalam sistem dengan pangkalan pengetahuan, ini merupakan satu peringkat RAG: petikan yang sesuai ditemukan dahulu, kemudian model bahasa berasingan membentuk jawapan berasaskannya. Pada peringkat ini, Titan mengembalikan vektor; penyimpanan dokumen, pengiraan kedekatan dan pembentukan jawapan dikendalikan oleh aplikasi anda.</p><p>Aliran lain ialah pengelompokan teks. Vektor boleh digunakan untuk menemukan permintaan sokongan yang hampir sama, menggabungkan bahan mengikut topik atau memilih dokumen serupa. Kategori dan ambang keserupaan tertentu ditetapkan dalam aliran kerja, bukannya terkandung dalam embedding sebagai label siap guna.</p><h3>Menyediakan bahan</h3><ol><li>Bahagikan koleksi kepada petikan yang jelas: bahagian, perenggan atau jawapan yang berdiri sendiri.</li><li>Dapatkan vektor petikan itu dan simpan hubungan setiap vektor dengan teks asal.</li><li>Tukarkan pertanyaan carian menggunakan cara yang sama.</li><li>Bandingkannya dengan indeks dan pulangkan bahan yang ditemukan kepada pengguna atau peringkat pemprosesan seterusnya.</li></ol><p>Dalam Ailoot API, input teks sehingga <strong>8 192 token</strong> tersedia dengan hasil dalam bentuk embedding. Untuk carian, saiz petikan elok dipilih mengikut kandungan: satu vektor besar bagi seluruh dokumen boleh menyembunyikan perbezaan antara persoalan berasingan yang dibincangkannya. Apabila teks asal dikemas kini, perwakilannya dalam indeks juga perlu dikemas kini.</p><h3>Ciri yang membezakan G1</h3><p>Generasi Titan ini menggunakan perwakilan tetap 1536 dimensi. Amazon menerangkan latihan pada 25 bahasa semula jadi dan ujian paling terperinci dalam bahasa Inggeris. Bagi istilah profesional, ungkapan yang kabur dan bahasa lain, satu set kecil pertanyaan sendiri dengan dokumen sesuai yang sudah diketahui boleh membantu. G1 ditujukan terutamanya kepada teks semula jadi; untuk carian kod sumber, generasi Titan seterusnya mempunyai maklumat berasingan tentang latihan pada bahasa pengaturcaraan.</p>",
  "aboutText": "### Makna teks dalam vektor berangka\n\nAmazon Titan Embeddings G1 ialah model embedding teks Amazon, juga dikenali sebagai V1. Model ini menukarkan teks kepada vektor yang mengandungi **1 536 nombor**. Hasil ini membantu aplikasi membandingkan makna frasa dan dokumen walaupun perkataannya berbeza: contohnya, mencari panduan mengemas kini butiran pembayaran melalui soalan tentang pertukaran maklumat pembayaran.\n\n### Carian, pangkalan pengetahuan dan pengelompokan\n\nG1 sesuai untuk menyediakan indeks teks dan menghasilkan perwakilan carian bagi pertanyaan pengguna. Dalam sistem dengan pangkalan pengetahuan, ini merupakan satu peringkat RAG: petikan yang sesuai ditemukan dahulu, kemudian model bahasa berasingan membentuk jawapan berasaskannya. Pada peringkat ini, Titan mengembalikan vektor; penyimpanan dokumen, pengiraan kedekatan dan pembentukan jawapan dikendalikan oleh aplikasi anda.\n\nAliran lain ialah pengelompokan teks. Vektor boleh digunakan untuk menemukan permintaan sokongan yang hampir sama, menggabungkan bahan mengikut topik atau memilih dokumen serupa. Kategori dan ambang keserupaan tertentu ditetapkan dalam aliran kerja, bukannya terkandung dalam embedding sebagai label siap guna.\n\n### Menyediakan bahan\n\n1. Bahagikan koleksi kepada petikan yang jelas: bahagian, perenggan atau jawapan yang berdiri sendiri.\n2. Dapatkan vektor petikan itu dan simpan hubungan setiap vektor dengan teks asal.\n3. Tukarkan pertanyaan carian menggunakan cara yang sama.\n4. Bandingkannya dengan indeks dan pulangkan bahan yang ditemukan kepada pengguna atau peringkat pemprosesan seterusnya.\n\nDalam Ailoot API, input teks sehingga **8 192 token** tersedia dengan hasil dalam bentuk embedding. Untuk carian, saiz petikan elok dipilih mengikut kandungan: satu vektor besar bagi seluruh dokumen boleh menyembunyikan perbezaan antara persoalan berasingan yang dibincangkannya. Apabila teks asal dikemas kini, perwakilannya dalam indeks juga perlu dikemas kini.\n\n### Ciri yang membezakan G1\n\nGenerasi Titan ini menggunakan perwakilan tetap 1536 dimensi. Amazon menerangkan latihan pada 25 bahasa semula jadi dan ujian paling terperinci dalam bahasa Inggeris. Bagi istilah profesional, ungkapan yang kabur dan bahasa lain, satu set kecil pertanyaan sendiri dengan dokumen sesuai yang sudah diketahui boleh membantu. G1 ditujukan terutamanya kepada teks semula jadi; untuk carian kod sumber, generasi Titan seterusnya mempunyai maklumat berasingan tentang latihan pada bahasa pengaturcaraan.",
  "locale": "ms",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Pembenaman</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Input</dt><dd><code>text</code></dd></div><div><dt>Output</dt><dd><code>embedding</code></dd></div><div><dt>Konteks</dt><dd>8,192 <em>token</em></dd></div><div><dt>Respons maksimum</dt><dd>Tidak dinyatakan dalam katalog</dd></div></dl><dl><div><dt>Input</dt><dd>USD 0.0002 <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/ms/amazon-titan-embed-text-v1/",
    "description": "Menukarkan teks kepada vektor 1536 dimensi untuk carian semantik, pemilihan bahan serupa dan pengelompokan dokumen.",
    "locale": "ms",
    "md_url": "https://ailoot.ai/models/ms/amazon-titan-embed-text-v1/index.md",
    "title": "Amazon: Titan Embeddings G1 - Text",
    "url": "https://ailoot.ai/models/ms/amazon-titan-embed-text-v1/"
  },
  "rawModel": {
    "about": "### Makna teks dalam vektor berangka\n\nAmazon Titan Embeddings G1 ialah model embedding teks Amazon, juga dikenali sebagai V1. Model ini menukarkan teks kepada vektor yang mengandungi **1 536 nombor**. Hasil ini membantu aplikasi membandingkan makna frasa dan dokumen walaupun perkataannya berbeza: contohnya, mencari panduan mengemas kini butiran pembayaran melalui soalan tentang pertukaran maklumat pembayaran.\n\n### Carian, pangkalan pengetahuan dan pengelompokan\n\nG1 sesuai untuk menyediakan indeks teks dan menghasilkan perwakilan carian bagi pertanyaan pengguna. Dalam sistem dengan pangkalan pengetahuan, ini merupakan satu peringkat RAG: petikan yang sesuai ditemukan dahulu, kemudian model bahasa berasingan membentuk jawapan berasaskannya. Pada peringkat ini, Titan mengembalikan vektor; penyimpanan dokumen, pengiraan kedekatan dan pembentukan jawapan dikendalikan oleh aplikasi anda.\n\nAliran lain ialah pengelompokan teks. Vektor boleh digunakan untuk menemukan permintaan sokongan yang hampir sama, menggabungkan bahan mengikut topik atau memilih dokumen serupa. Kategori dan ambang keserupaan tertentu ditetapkan dalam aliran kerja, bukannya terkandung dalam embedding sebagai label siap guna.\n\n### Menyediakan bahan\n\n1. Bahagikan koleksi kepada petikan yang jelas: bahagian, perenggan atau jawapan yang berdiri sendiri.\n2. Dapatkan vektor petikan itu dan simpan hubungan setiap vektor dengan teks asal.\n3. Tukarkan pertanyaan carian menggunakan cara yang sama.\n4. Bandingkannya dengan indeks dan pulangkan bahan yang ditemukan kepada pengguna atau peringkat pemprosesan seterusnya.\n\nDalam Ailoot API, input teks sehingga **8 192 token** tersedia dengan hasil dalam bentuk embedding. Untuk carian, saiz petikan elok dipilih mengikut kandungan: satu vektor besar bagi seluruh dokumen boleh menyembunyikan perbezaan antara persoalan berasingan yang dibincangkannya. Apabila teks asal dikemas kini, perwakilannya dalam indeks juga perlu dikemas kini.\n\n### Ciri yang membezakan G1\n\nGenerasi Titan ini menggunakan perwakilan tetap 1536 dimensi. Amazon menerangkan latihan pada 25 bahasa semula jadi dan ujian paling terperinci dalam bahasa Inggeris. Bagi istilah profesional, ungkapan yang kabur dan bahasa lain, satu set kecil pertanyaan sendiri dengan dokumen sesuai yang sudah diketahui boleh membantu. G1 ditujukan terutamanya kepada teks semula jadi; untuk carian kod sumber, generasi Titan seterusnya mempunyai maklumat berasingan tentang latihan pada bahasa pengaturcaraan.",
    "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": "Menukarkan teks kepada vektor 1536 dimensi untuk carian semantik, pemilihan bahan serupa dan pengelompokan dokumen."
  },
  "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": "Menukarkan teks kepada vektor 1536 dimensi untuk carian semantik, pemilihan bahan serupa dan pengelompokan dokumen.",
  "source": {
    "audit_sha256": "4c162c648b91db6b17dc2cb837024878b288dbc4575f0f12eebfccfab9de9a68",
    "bridge_map_sha256": "4c162c648b91db6b17dc2cb837024878b288dbc4575f0f12eebfccfab9de9a68",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "912d797c2fec56b5809c154f482e8131e3c8935fa44bd56284d09a29ab6c1e88",
      "renderer_sha256": "e7e69b3db11512aae767b93ec59d2d6ed7f4fd07be0623a7f9c80209ccdae590"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "912d797c2fec56b5809c154f482e8131e3c8935fa44bd56284d09a29ab6c1e88",
    "renderer_sha256": "e7e69b3db11512aae767b93ec59d2d6ed7f4fd07be0623a7f9c80209ccdae590"
  },
  "sourceRevision": "c102914dc1eb8712247e89891afe1454c8b5a9ec17a6389eb7a34261c5152e81"
}