Amazon: Titan Text Embeddings V2

{"about":"### Andre generasjon tekstembeddings fra Titan\n\nAmazon Titan Text Embeddings V2 gjør tekst om til en numerisk representasjon for søk og andre oppgaver som bygger på meningslikhet. Modellen er optimalisert for å hente relevante fragmenter: Brukeren stiller et spørsmål med egne ord, og applikasjonen sammenligner spørsmålets vektor med vektorene til materialet i kunnskapsbasen. Slik kan relevant informasjon finnes uten at alle nøkkelord er helt like.\n\nV2 skiller seg fra G1 ved en mer kompakt standardrepresentasjon: I Amazons dokumentasjon er standard vektorstørrelse **1 024 dimensjoner**. For applikasjonen er dette en egenskap ved dataene den lagrer og sammenligner. Alle oppføringene i én indeks må bruke en ensartet representasjonsmåte. Ved bytte fra en annen embeddingmodell klargjøres indeksen på nytt for den valgte modellen.\n\n### Bruksområder\n\n- **RAG og virksomhetssøk:** lag vektorer av dokumentasjonsdeler og hent deretter fragmenter til en egen modell som svarer på spørsmålet.\n- **Semantisk likhet:** sammenlign tekster med ulike formuleringer og finn beslektet materiale.\n- **Gruppering:** undersøk temaer i henvendelser, omtaler og dokumenter gjennom likheten mellom representasjonene deres.\n- **Søk i kode:** bygg søkefunksjoner for kildekode og tilhørende forklaringer.\n\nAmazon oppgir at V2 er trent på mer enn 100 naturlige språk og 13 programmeringsspråk, blant annet Python, JavaScript, Java, C++, Rust, Go og SQL. Modellen er likevel først og fremst optimalisert for engelsk tekst. I en flerspråklig base er det særlig nyttig å teste søk der spørsmålet og dokumentene er på ulike språk. At et språk er med i treningen, betyr ikke at kvaliteten er lik for alle slike kombinasjoner.\n\n### Bruk i Ailoot\n\nInndata er tekst, og resultatet er en **embedding**. Grensen på dette modellkortet er **8 192 inndatatokener**. Til en søkeindeks kan lange tekster deles ved innholdsmessige grenser: overskrifter, deler og avsnitt. Hvert fragment kan deretter lagres sammen med vektoren og en henvisning til originalkilden.\n\n### Praktisk arbeidsløp\n\nVelg faktiske spørsmål og relevante svar fra samlingen din, lag embeddings og kontroller søkeresultatene. Endre fragmentstørrelsen og sammenligningsmåten på det samme testsettet, og bevar koblingen til originalteksten. Titan lager numeriske representasjoner; sammenligning, utvalg av resultater og utforming av svaret utføres i senere trinn i applikasjonen. Denne kontrollen gjør det lettere å velge indeksinnstillinger som passer terminologien og dokumentstrukturen din.","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":"Lager tekstvektorer for RAG, semantisk søk og gruppering, også for søk i flerspråklig materiale og kode."}