Amazon: Titan Embeddings G1 - Text

{"about":"### Znaczenie tekstu w wektorze liczbowym\n\nAmazon Titan Embeddings G1 to tekstowy model embeddingowy Amazon, znany również jako V1. Przekształca tekst w wektor złożony z **1 536 liczb**. Taki wynik pomaga aplikacji porównywać znaczenie zdań i dokumentów, nawet jeśli używają różnych słów: na przykład znaleźć instrukcję zmiany danych na podstawie pytania o aktualizację danych płatniczych.\n\n### Wyszukiwanie, baza wiedzy i grupowanie\n\nG1 nadaje się do przygotowania indeksu tekstowego i tworzenia reprezentacji zapytania użytkownika na potrzeby wyszukiwania. W systemie z bazą wiedzy jest to jeden z etapów RAG: najpierw wyszukiwane są odpowiednie fragmenty, a następnie osobny model językowy buduje na ich podstawie odpowiedź. Sam Titan zwraca na tym etapie wektor; przechowywanie dokumentów, obliczanie podobieństwa i składanie odpowiedzi należą do aplikacji.\n\nInnym scenariuszem jest grupowanie tekstów. Wektory pozwalają znajdować podobne zgłoszenia do pomocy technicznej, łączyć materiały tematycznie lub dobierać podobne dokumenty. Konkretne kategorie i progi podobieństwa ustala się w procesie pracy; embedding nie zawiera ich jako gotowych etykiet.\n\n### Jak przygotować materiały\n\n1. Podziel zbiór na zrozumiałe fragmenty: sekcje, akapity lub samodzielne odpowiedzi.\n2. Uzyskaj wektory tych fragmentów i zachowaj powiązanie każdego wektora z tekstem źródłowym.\n3. W ten sam sposób przekształć zapytanie wyszukiwania.\n4. Porównaj je z indeksem i zwróć znalezione materiały użytkownikowi lub przekaż do kolejnego etapu przetwarzania.\n\nW Ailoot dostępne jest wejście tekstowe do **8 192 tokenów** i wynik w formacie embedding. Wielkość fragmentu do wyszukiwania warto dobierać do treści: jeden duży wektor dokumentu może zacierać różnice między poszczególnymi zagadnieniami. Przy aktualizacji tekstu źródłowego należy także aktualizować jego reprezentację w indeksie.\n\n### Co wyróżnia G1\n\nTa generacja Titan używa stałej reprezentacji o 1536 wymiarach. Amazon opisuje uczenie na 25 językach naturalnych i najdokładniejsze testy w języku angielskim. Dla terminologii specjalistycznej, niejednoznacznych sformułowań i innych języków przydaje się niewielki własny zestaw zapytań z wcześniej wskazanymi właściwymi dokumentami. G1 jest przeznaczona przede wszystkim do tekstu naturalnego; w kontekście wyszukiwania w kodzie źródłowym kolejna generacja Titan ma osobno opisane uczenie na językach programowania.","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":"Przekształca tekst w wektory o 1536 wymiarach do wyszukiwania semantycznego, dobierania podobnych materiałów i grupowania dokumentów."}