Amazon: Titan Embeddings G1 - Text

{"about":"### Tekstens mening som en numerisk vektor\n\nAmazon Titan Embeddings G1 er en tekstembeddingmodell fra Amazon, også kjent som V1. Den gjør tekst om til en vektor med **1 536 tall**. Dette hjelper applikasjonen med å sammenligne uttrykk og dokumenter etter mening, selv når de bruker ulike ord. Et spørsmål om endrede betalingsopplysninger kan for eksempel finne veiledningen for oppdatering av kontoopplysninger.\n\n### Søk, kunnskapsbase og gruppering\n\nG1 egner seg til å bygge en tekstindeks og lage en søkerepresentasjon av brukerens spørsmål. I et system med en kunnskapsbase er dette ett av trinnene i RAG: Først finner systemet relevante fragmenter, deretter bruker en egen språkmodell dem til å utforme svaret. Titan returnerer selv en vektor i dette trinnet. Lagring av dokumenter, beregning av likhet og sammensetting av svaret håndteres av applikasjonen din.\n\nEt annet bruksområde er gruppering av tekster. Vektorene kan brukes til å finne lignende kundestøttehenvendelser, samle materiale etter tema eller velge ut lignende dokumenter. Konkrete kategorier og likhetsterskler defineres i arbeidsprosessen; de ligger ikke i en embedding som ferdige etiketter.\n\n### Slik klargjør du materialet\n\n1. Del samlingen opp i forståelige fragmenter: deler, avsnitt eller selvstendige svar.\n2. Hent vektorer for fragmentene og bevar koblingen mellom hver vektor og originalteksten.\n3. Konverter søket på samme måte.\n4. Sammenlign det med indeksen og send materialet som blir funnet, til brukeren eller neste behandlingstrinn.\n\nI Ailoot er tekstinndata på opptil **8 192 tokener** tilgjengelig, med en embedding som resultat. Ved søk bør fragmentstørrelsen velges ut fra innholdet: Én stor dokumentvektor kan skjule forskjeller mellom de enkelte spørsmålene dokumentet tar opp. Når originalteksten endres, må representasjonen i indeksen også oppdateres.\n\n### Hva skiller G1 fra andre modeller?\n\nDenne Titan-generasjonen bruker en fast representasjon med 1536 dimensjoner. Amazon beskriver trening på 25 naturlige språk og den grundigste testingen på engelsk. For fagterminologi, tvetydige formuleringer og andre språk er et lite sett med egne søk nyttig, med relevante dokumenter som er kjent på forhånd. G1 er først og fremst beregnet på naturlig tekst. For søk i kildekode har neste Titan-generasjon egne opplysninger om trening på programmeringsspråk.","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":"Gjør tekst om til 1536-dimensjonale vektorer for semantisk søk, utvalg av lignende materiale og gruppering av dokumenter."}