Amazon: Titan Text Embeddings V2

{"about":"### Druga generacja tekstowych embeddingów Titan\n\nAmazon Titan Text Embeddings V2 przekształca tekst w reprezentację liczbową do wyszukiwania i innych zadań opartych na podobieństwie znaczeń. Model jest zoptymalizowany pod kątem odnajdywania odpowiednich fragmentów: użytkownik zadaje pytanie własnymi słowami, a aplikacja porównuje jego wektor z wektorami materiałów bazy wiedzy. Pozwala to znajdować potrzebne informacje bez pełnej zgodności słów kluczowych.\n\nV2 różni się od G1 bardziej zwartą standardową reprezentacją: w dokumentacji Amazon domyślny rozmiar wektora wynosi **1 024 wymiary**. Dla aplikacji jest to cecha danych, które przechowuje i porównuje. Wszystkie wpisy jednego indeksu muszą korzystać ze spójnego sposobu reprezentacji; przy przejściu z innego modelu embeddingowego indeks przygotowuje się ponownie dla wybranego modelu.\n\n### Gdzie używać\n\n- **RAG i wyszukiwanie firmowe:** przygotowanie wektorów sekcji dokumentacji, a następnie pobieranie fragmentów dla osobnego modelu odpowiadającego na pytanie.\n- **Podobieństwo semantyczne:** porównywanie tekstów o różnym brzmieniu i znajdowanie zbliżonych materiałów.\n- **Grupowanie:** badanie tematów zgłoszeń, opinii i dokumentów poprzez podobieństwo ich reprezentacji.\n- **Wyszukiwanie w kodzie:** budowanie wyszukiwania dla kodu źródłowego i powiązanych objaśnień.\n\nAmazon podaje uczenie V2 na ponad 100 językach naturalnych i 13 językach programowania, w tym Python, JavaScript, Java, C++, Rust, Go i SQL. Model pozostaje zoptymalizowany przede wszystkim pod kątem tekstu angielskiego. W bazie wielojęzycznej warto osobno sprawdzić zapytania, w których język pytania różni się od języka dokumentów: obecność języków w uczeniu nie oznacza jednakowej jakości dla wszystkich takich kombinacji.\n\n### Praca w Ailoot\n\nWejściem jest tekst, a wynikiem **embedding**. Limit tej karty wynosi **8 192 tokeny wejściowe**. Na potrzeby indeksu wyszukiwania długie materiały wygodnie dzielić według granic znaczeniowych: nagłówków, sekcji i akapitów. Każdy fragment można następnie przechowywać wraz z jego wektorem i odnośnikiem do źródła.\n\n### Cykl praktyczny\n\nWybierz rzeczywiste pytania i odpowiadające im odpowiedzi ze swojego zbioru, utwórz embeddingi i sprawdź wyniki wyszukiwania. Zmieniaj wielkość fragmentu i sposób porównania na tym samym zestawie, zachowując powiązanie z tekstem źródłowym. Titan przygotowuje reprezentacje liczbowe; porównanie, wybór wyników i budowanie odpowiedzi odbywają się na kolejnych etapach aplikacji. Taka kontrola pomaga dobrać ustawienia indeksu do terminologii i struktury dokumentów.","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":"Tworzy wektory tekstowe do RAG, wyszukiwania semantycznego i grupowania, w tym wyszukiwania w materiałach wielojęzycznych i kodzie."}