Source: https://ailoot.ai/models/ms/amazon-titan-embed-text-v1/ Canonical: https://ailoot.ai/models/ms/amazon-titan-embed-text-v1/ Language: ms # Amazon: Titan Embeddings G1 - Text [Markdown](https://ailoot.ai/models/ms/amazon-titan-embed-text-v1/index.md) · [JSON](https://ailoot.ai/models/ms/amazon-titan-embed-text-v1/facts.json) ## [Amazon: Titan Embeddings G1 - Text](https://ailoot.ai/models/ms/amazon-titan-embed-text-v1/) `amazon/titan-embed-text-v1` AmazonPembenamanInput USD 0.0002 / 1KOutput — Menukarkan teks kepada vektor 1536 dimensi untuk carian semantik, pemilihan bahan serupa dan pengelompokan dokumen. ### Makna teks dalam vektor berangka Amazon 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. ### Carian, pangkalan pengetahuan dan pengelompokan 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. 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. ### Menyediakan bahan 1. Bahagikan koleksi kepada petikan yang jelas: bahagian, perenggan atau jawapan yang berdiri sendiri. 2. Dapatkan vektor petikan itu dan simpan hubungan setiap vektor dengan teks asal. 3. Tukarkan pertanyaan carian menggunakan cara yang sama. 4. Bandingkannya dengan indeks dan pulangkan bahan yang ditemukan kepada pengguna atau peringkat pemprosesan seterusnya. Dalam 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. ### Ciri yang membezakan G1 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. ### Tersedia melalui Ailoot API Input `text` Output `embedding` Konteks 8,192 *token* Respons maksimum Tidak dinyatakan dalam katalog Input USD 0.0002 */ 1K* `amazon/titan-embed-text-v1` · JSON ``` {"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."} ``` ## Soalan Bagaimanakah saya memilih model untuk tugasan saya? Kenal pasti dahulu input dan output yang diperlukan: teks, imej, audio atau video. Kemudian bandingkan kaedah API yang serasi, ID model yang tepat atau model yang dirujuk oleh alias pada masa ini, harga dan unit pengebilan. GET /v1/models adalah percuma dan menyenaraikan model yang tersedia untuk kunci anda. Adakah setiap model menyokong semua kaedah API dan jenis media? Gunakan kaedah API dan jenis input/output yang disenaraikan pada kad model. Sokongan untuk teks, imej, audio atau video bergantung pada model dan kaedah yang dipilih; semak contoh permintaan yang berkenaan sebelum menghantar data anda. Apakah perbezaan antara ID model dengan alias? ID model yang tepat mengenal pasti model tertentu. Alias merujuk kepada model dan model sasarannya boleh berubah. Semak model yang dirujuk oleh alias pada masa ini dalam katalog; gunakan ID yang tepat apabila integrasi anda memerlukan model tertentu. Bagaimanakah saya membandingkan harga sebelum menghantar permintaan? Semak kad model untuk harga dan unit pengebilan bagi kaedah API yang dipilih. Bandingkan menggunakan unit dan jenis input/output yang sama; sejarah permintaan menunjukkan penggunaan sebenar dan amaun yang dicaj. Apakah manfaat langganan? Diskaun pembelian token untuk penggunaan berkala. Pilih pelan berdasarkan jumlah permintaan; terma dan harga langganan dipaparkan semasa pembelian. Bagaimanakah kod promosi diskaun sehingga 50% digunakan? Masukkan kod promosi semasa membeli token. Jumlah akhir dikira semula mengikut terma promosi; kadar diskaun kelihatan sebelum pembayaran. ## Ailoot · Syarikat dan portfolio projeknya Ailoot berteraskan pengalaman operasi yang mantap, pangkalan pelanggan yang besar, perkhidmatan yang stabil dan pemantauan KPI berterusan. Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan. Ailoot menggunakan pengalaman operasi ini untuk akses API kepada ciri AI dalam produk pelanggan, ejen, aplikasi dan automasi.