Source: https://ailoot.ai/models/pt-pt/amazon-titan-embed-text-v2/ Canonical: https://ailoot.ai/models/pt-pt/amazon-titan-embed-text-v2/ Language: pt-pt # Amazon: Titan Text Embeddings V2 [Markdown](https://ailoot.ai/models/pt-pt/amazon-titan-embed-text-v2/index.md) · [JSON](https://ailoot.ai/models/pt-pt/amazon-titan-embed-text-v2/facts.json) ## [Amazon: Titan Text Embeddings V2](https://ailoot.ai/models/pt-pt/amazon-titan-embed-text-v2/) `amazon/titan-embed-text-v2` AmazonEmbeddingsEntrada 0,00004 US$ / 1KSaída — Cria vetores de texto para RAG, pesquisa semântica e agrupamento, incluindo pesquisa em materiais multilingues e código. ### Segunda geração de embeddings de texto do Titan O Amazon Titan Text Embeddings V2 converte texto numa representação numérica para pesquisa e outras tarefas baseadas na proximidade de significados. O modelo está otimizado para recuperar excertos relevantes: o utilizador faz uma pergunta pelas suas próprias palavras e a aplicação compara o respetivo vetor com os vetores dos materiais da base de conhecimento. Assim, é possível encontrar informação sem uma correspondência exata entre palavras-chave. O V2 distingue-se do G1 por uma representação padrão mais compacta: na documentação da Amazon, a dimensão predefinida do vetor é de **1 024 dimensões**. Para a aplicação, esta é uma característica dos dados que armazena e compara. Todos os registos do mesmo índice devem utilizar uma forma de representação coerente; ao mudar de outro modelo de embeddings, é necessário preparar novamente o índice para o modelo escolhido. ### Onde utilizar - **RAG e pesquisa empresarial:** preparar vetores das secções da documentação e depois recuperar excertos para outro modelo que responda à pergunta. - **Semelhança semântica:** comparar textos com formulações diferentes e encontrar materiais próximos. - **Agrupamento:** explorar os temas de pedidos, avaliações e documentos através da proximidade das suas representações. - **Pesquisa em código:** construir cenários de pesquisa para código-fonte e explicações relacionadas. A Amazon indica treino do V2 em mais de 100 línguas naturais e 13 linguagens de programação, incluindo Python, JavaScript, Java, C++, Rust, Go e SQL. Ainda assim, o modelo está otimizado sobretudo para texto em inglês. Numa base multilingue, é especialmente útil verificar separadamente consultas em que o idioma da pergunta difere do idioma dos documentos: a presença de idiomas no treino não assegura qualidade igual para todas essas combinações. ### Utilização na Ailoot A entrada é texto e a saída é um **embedding**. O limite desta ficha é de **8 192 tokens de entrada**. Para um índice de pesquisa, é conveniente dividir materiais longos por fronteiras de significado: títulos, secções e parágrafos. Cada excerto pode depois ser guardado junto do respetivo vetor e de uma referência à fonte original. ### Ciclo prático Escolha perguntas reais e respostas relevantes da sua coleção, crie os embeddings e verifique os resultados da pesquisa. Altere a extensão dos excertos e o método de comparação sobre o mesmo conjunto, conservando a ligação ao texto original. O Titan prepara representações numéricas; a comparação, a seleção dos resultados e a elaboração da resposta são executadas pelas etapas seguintes da aplicação. Esta verificação ajuda a escolher as definições do índice para a sua terminologia e a estrutura dos documentos. ### Disponível através da API Ailoot Entrada `text` Saída `embedding` Contexto 8192 *tokens* Resposta máx. Não especificado no catálogo Entrada 0,00004 US$ */ 1K* `amazon/titan-embed-text-v2` · JSON ``` {"about":"### Segunda geração de embeddings de texto do Titan\n\nO Amazon Titan Text Embeddings V2 converte texto numa representação numérica para pesquisa e outras tarefas baseadas na proximidade de significados. O modelo está otimizado para recuperar excertos relevantes: o utilizador faz uma pergunta pelas suas próprias palavras e a aplicação compara o respetivo vetor com os vetores dos materiais da base de conhecimento. Assim, é possível encontrar informação sem uma correspondência exata entre palavras-chave.\n\nO V2 distingue-se do G1 por uma representação padrão mais compacta: na documentação da Amazon, a dimensão predefinida do vetor é de **1 024 dimensões**. Para a aplicação, esta é uma característica dos dados que armazena e compara. Todos os registos do mesmo índice devem utilizar uma forma de representação coerente; ao mudar de outro modelo de embeddings, é necessário preparar novamente o índice para o modelo escolhido.\n\n### Onde utilizar\n\n- **RAG e pesquisa empresarial:** preparar vetores das secções da documentação e depois recuperar excertos para outro modelo que responda à pergunta.\n- **Semelhança semântica:** comparar textos com formulações diferentes e encontrar materiais próximos.\n- **Agrupamento:** explorar os temas de pedidos, avaliações e documentos através da proximidade das suas representações.\n- **Pesquisa em código:** construir cenários de pesquisa para código-fonte e explicações relacionadas.\n\nA Amazon indica treino do V2 em mais de 100 línguas naturais e 13 linguagens de programação, incluindo Python, JavaScript, Java, C++, Rust, Go e SQL. Ainda assim, o modelo está otimizado sobretudo para texto em inglês. Numa base multilingue, é especialmente útil verificar separadamente consultas em que o idioma da pergunta difere do idioma dos documentos: a presença de idiomas no treino não assegura qualidade igual para todas essas combinações.\n\n### Utilização na Ailoot\n\nA entrada é texto e a saída é um **embedding**. O limite desta ficha é de **8 192 tokens de entrada**. Para um índice de pesquisa, é conveniente dividir materiais longos por fronteiras de significado: títulos, secções e parágrafos. Cada excerto pode depois ser guardado junto do respetivo vetor e de uma referência à fonte original.\n\n### Ciclo prático\n\nEscolha perguntas reais e respostas relevantes da sua coleção, crie os embeddings e verifique os resultados da pesquisa. Altere a extensão dos excertos e o método de comparação sobre o mesmo conjunto, conservando a ligação ao texto original. O Titan prepara representações numéricas; a comparação, a seleção dos resultados e a elaboração da resposta são executadas pelas etapas seguintes da aplicação. Esta verificação ajuda a escolher as definições do índice para a sua terminologia e a estrutura dos documentos.","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":"Cria vetores de texto para RAG, pesquisa semântica e agrupamento, incluindo pesquisa em materiais multilingues e código."} ``` ## 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.