Amazon: Titan Text Embeddings V2

{"about":"### De tweede generatie tekstembeddings van Titan\n\nAmazon Titan Text Embeddings V2 zet tekst om in een numerieke representatie voor zoeken en andere taken op basis van betekenisgelijkenis. Het model is geoptimaliseerd voor het ophalen van geschikte fragmenten: de gebruiker stelt een vraag in eigen woorden en de toepassing vergelijkt de vraagvector met de vectoren van het materiaal in de kennisbank. Zo kan relevante informatie worden gevonden zonder dat alle zoekwoorden exact overeenkomen.\n\nV2 verschilt van G1 door een compactere standaardrepresentatie: volgens de Amazon-documentatie heeft de vector standaard **1 024 dimensies**. Voor de toepassing is dit een eigenschap van de gegevens die ze opslaat en vergelijkt. Alle vermeldingen in één index moeten een consistente representatiemethode gebruiken. Bij de overstap van een ander embeddingmodel bouw je de index opnieuw op voor het gekozen model.\n\n### Waarvoor te gebruiken\n\n- **RAG en bedrijfszoekfuncties:** maak vectoren van documentatiesecties en haal vervolgens fragmenten op voor een apart model dat de vraag beantwoordt.\n- **Betekenisgelijkenis:** vergelijk anders geformuleerde teksten en vind verwant materiaal.\n- **Groeperen:** onderzoek onderwerpen in vragen, beoordelingen en documenten via de gelijkenis van hun representaties.\n- **Zoeken in code:** bouw zoektoepassingen voor broncode en bijbehorende toelichtingen.\n\nAmazon vermeldt dat V2 is getraind op meer dan 100 natuurlijke talen en 13 programmeertalen, waaronder Python, JavaScript, Java, C++, Rust, Go en SQL. Het model is wel vooral geoptimaliseerd voor Engelse tekst. Test bij een meertalige kennisbank met name zoekopdrachten waarbij de vraag en de documenten verschillende talen gebruiken: aanwezigheid van talen in de training betekent niet dat elke combinatie dezelfde kwaliteit heeft.\n\n### Werken in Ailoot\n\nDe invoer is tekst en de uitvoer een **embedding**. De limiet van deze modelkaart is **8 192 invoertokens**. Voor een zoekindex kun je lang materiaal verdelen langs inhoudelijke grenzen: koppen, secties en alinea’s. Bewaar vervolgens elk fragment samen met de vector en een verwijzing naar de oorspronkelijke bron.\n\n### Praktische werkwijze\n\nKies echte vragen met passende antwoorden uit je collectie, maak embeddings en controleer de zoekresultaten. Varieer op dezelfde testset de fragmentgrootte en vergelijkingsmethode, en behoud de koppeling met de brontekst. Titan maakt numerieke representaties; vergelijken, resultaten selecteren en een antwoord formuleren gebeurt in latere stappen van de toepassing. Met deze controle kun je de indexinstellingen afstemmen op je terminologie en documentstructuur.","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":"Maakt tekstvectoren voor RAG, semantisch zoeken en groeperen, ook voor zoektoepassingen met meertalig materiaal en code."}