Source: https://ailoot.ai/models/pt-pt/amazon-titan-embed-text-v1/ Canonical: https://ailoot.ai/models/pt-pt/amazon-titan-embed-text-v1/ Language: pt-pt # Amazon: Titan Embeddings G1 - Text [Markdown](https://ailoot.ai/models/pt-pt/amazon-titan-embed-text-v1/index.md) · [JSON](https://ailoot.ai/models/pt-pt/amazon-titan-embed-text-v1/facts.json) ## [Amazon: Titan Embeddings G1 - Text](https://ailoot.ai/models/pt-pt/amazon-titan-embed-text-v1/) `amazon/titan-embed-text-v1` AmazonEmbeddingsEntrada 0,0002 US$ / 1KSaída — Converte texto em vetores de 1536 dimensões para pesquisa semântica, seleção de materiais semelhantes e agrupamento de documentos. ### O significado do texto num vetor numérico O Amazon Titan Embeddings G1 é um modelo de embeddings de texto da Amazon, também conhecido como V1. Converte texto num vetor de **1 536 números**. Este resultado ajuda a aplicação a comparar expressões e documentos pelo significado, mesmo quando utilizam palavras diferentes: por exemplo, encontrar instruções para alterar dados de faturação a partir de uma pergunta sobre a mudança dos dados de pagamento. ### Pesquisa, base de conhecimento e agrupamento O G1 permite preparar um índice textual e criar uma representação da consulta do utilizador para pesquisa. Num sistema com uma base de conhecimento, esta é uma das etapas de RAG: primeiro encontram-se os excertos relevantes e depois um modelo de linguagem separado formula uma resposta com base neles. Nesta etapa, o Titan devolve um vetor; o armazenamento dos documentos, o cálculo da proximidade e a construção da resposta pertencem à sua aplicação. Outro cenário é o agrupamento de textos. Os vetores podem ajudar a encontrar pedidos de apoio semelhantes, reunir materiais por temas ou selecionar documentos parecidos. As categorias concretas e os limiares de semelhança são definidos no processo de trabalho, não estão presentes no embedding sob a forma de classificação pronta a utilizar. ### Como preparar os materiais 1. Divida a coleção em excertos compreensíveis: secções, parágrafos ou respostas autónomas. 2. Obtenha os vetores desses excertos e conserve a ligação entre cada vetor e o texto original. 3. Converta a consulta de pesquisa da mesma forma. 4. Compare-a com o índice e devolva os materiais encontrados ao utilizador ou à etapa seguinte de processamento. Na Ailoot está disponível uma entrada de texto até **8 192 tokens** e um resultado em formato embedding. Para pesquisa, convém escolher a extensão do excerto de acordo com o conteúdo: um único vetor para um documento longo pode ocultar diferenças entre as várias questões abordadas. Quando o texto original é atualizado, a sua representação no índice também deve ser atualizada. ### O que distingue o G1 Esta geração do Titan utiliza uma representação fixa de 1536 dimensões. A Amazon descreve o treino em 25 línguas naturais e testes mais aprofundados em inglês. Para terminologia profissional, formulações ambíguas e outros idiomas, é útil preparar um pequeno conjunto de consultas próprias com documentos relevantes previamente identificados. O G1 destina-se sobretudo a texto em linguagem natural; para pesquisa em código-fonte, a geração seguinte do Titan dispõe de informação específica sobre treino em linguagens de programação. ### Disponível através da API Ailoot Entrada `text` Saída `embedding` Contexto 8192 *tokens* Resposta máx. Não especificado no catálogo Entrada 0,0002 US$ */ 1K* `amazon/titan-embed-text-v1` · JSON ``` {"about":"### O significado do texto num vetor numérico\n\nO Amazon Titan Embeddings G1 é um modelo de embeddings de texto da Amazon, também conhecido como V1. Converte texto num vetor de **1 536 números**. Este resultado ajuda a aplicação a comparar expressões e documentos pelo significado, mesmo quando utilizam palavras diferentes: por exemplo, encontrar instruções para alterar dados de faturação a partir de uma pergunta sobre a mudança dos dados de pagamento.\n\n### Pesquisa, base de conhecimento e agrupamento\n\nO G1 permite preparar um índice textual e criar uma representação da consulta do utilizador para pesquisa. Num sistema com uma base de conhecimento, esta é uma das etapas de RAG: primeiro encontram-se os excertos relevantes e depois um modelo de linguagem separado formula uma resposta com base neles. Nesta etapa, o Titan devolve um vetor; o armazenamento dos documentos, o cálculo da proximidade e a construção da resposta pertencem à sua aplicação.\n\nOutro cenário é o agrupamento de textos. Os vetores podem ajudar a encontrar pedidos de apoio semelhantes, reunir materiais por temas ou selecionar documentos parecidos. As categorias concretas e os limiares de semelhança são definidos no processo de trabalho, não estão presentes no embedding sob a forma de classificação pronta a utilizar.\n\n### Como preparar os materiais\n\n1. Divida a coleção em excertos compreensíveis: secções, parágrafos ou respostas autónomas.\n2. Obtenha os vetores desses excertos e conserve a ligação entre cada vetor e o texto original.\n3. Converta a consulta de pesquisa da mesma forma.\n4. Compare-a com o índice e devolva os materiais encontrados ao utilizador ou à etapa seguinte de processamento.\n\nNa Ailoot está disponível uma entrada de texto até **8 192 tokens** e um resultado em formato embedding. Para pesquisa, convém escolher a extensão do excerto de acordo com o conteúdo: um único vetor para um documento longo pode ocultar diferenças entre as várias questões abordadas. Quando o texto original é atualizado, a sua representação no índice também deve ser atualizada.\n\n### O que distingue o G1\n\nEsta geração do Titan utiliza uma representação fixa de 1536 dimensões. A Amazon descreve o treino em 25 línguas naturais e testes mais aprofundados em inglês. Para terminologia profissional, formulações ambíguas e outros idiomas, é útil preparar um pequeno conjunto de consultas próprias com documentos relevantes previamente identificados. O G1 destina-se sobretudo a texto em linguagem natural; para pesquisa em código-fonte, a geração seguinte do Titan dispõe de informação específica sobre treino em linguagens de programação.","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":"Converte texto em vetores de 1536 dimensões para pesquisa semântica, seleção de materiais semelhantes e agrupamento de documentos."} ``` ## Perguntas Como escolher um modelo para a minha tarefa? Identifique primeiro a entrada e a saída necessárias: texto, imagem, áudio ou vídeo. Compare depois os métodos API compatíveis, o ID exato do modelo ou o destino atual do alias, o preço e a unidade de faturação. GET /v1/models é gratuito e lista os modelos disponíveis para a sua chave. Cada modelo suporta todos os métodos API e tipos de conteúdo? Use os métodos API e os tipos de entrada e saída indicados na ficha do modelo. O suporte de texto, imagens, áudio ou vídeo depende do modelo e do método escolhidos; consulte o respetivo exemplo de pedido antes de enviar os seus dados. Qual é a diferença entre o ID de um modelo e um alias? Um ID exato identifica um modelo específico. Um alias aponta para um modelo e o seu destino pode mudar. Confirme o destino atual do alias no catálogo; use o ID exato quando a integração precisar de um modelo específico. Como comparar os preços antes de enviar um pedido? Consulte na ficha do modelo o preço e a unidade de faturação do método API escolhido. Compare a mesma unidade e os mesmos tipos de entrada e saída; o histórico de pedidos mostra a utilização real e o montante debitado. O que oferece a subscrição? Um desconto na compra de tokens para trabalho regular. Escolha o plano conforme o volume de pedidos; as condições e o preço da subscrição aparecem na adesão. Como aplico um código promocional com até 50% de desconto? Introduza o código promocional ao comprar tokens. O total é recalculado segundo as condições da campanha; o desconto é visível antes do pagamento. ## Ailoot · A empresa e a sua carteira de projetos A Ailoot assenta numa experiência operacional consolidada, numa ampla base de clientes, num serviço estável e no acompanhamento contínuo dos KPI. A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. A Ailoot aplica essa experiência operacional ao acesso por API a funcionalidades de IA nos produtos dos clientes, agentes, aplicações e automatizações.