Amazon: Titan Embeddings G1 - Text

{"about":"### Смысл текста в числовом векторе\n\nAmazon Titan Embeddings G1 — текстовая embedding-модель Amazon, также известная как V1. Она переводит текст в вектор из **1 536 чисел**. Такой результат помогает приложению сравнивать фразы и документы по смыслу, даже когда в них используются разные слова: например, находить инструкцию по изменению реквизитов по вопросу о смене платёжных данных.\n\n### Поиск, база знаний и группировка\n\nG1 подходит для подготовки текстового индекса и создания поискового представления пользовательского запроса. В системе с базой знаний это один из этапов RAG: сначала находятся подходящие фрагменты, затем отдельная языковая модель формирует ответ на их основе. Сам Titan на этом этапе возвращает вектор; хранение документов, вычисление близости и сборка ответа относятся к вашему приложению.\n\nДругой сценарий — группировка текстов. Векторы можно использовать, чтобы находить близкие обращения в поддержке, объединять материалы по темам или подбирать похожие документы. Конкретные категории и пороги сходства задаются в рабочем процессе, а не содержатся в embedding как готовая разметка.\n\n### Как подготовить материалы\n\n1. Разделите коллекцию на понятные фрагменты: разделы, абзацы или самостоятельные ответы.\n2. Получите векторы этих фрагментов и сохраните связь каждого вектора с исходным текстом.\n3. Тем же способом преобразуйте поисковый запрос.\n4. Сравните его с индексом и верните найденные материалы пользователю или следующему этапу обработки.\n\nВ Ailoot доступен текстовый вход до **8 192 токенов** и результат в формате embedding. Для поиска размер фрагмента лучше выбирать по содержанию: один большой вектор документа может скрыть различия между отдельными вопросами, которые он освещает. При обновлении исходного текста обновляют и его представление в индексе.\n\n### Что отличает G1\n\nЭто поколение Titan использует фиксированное 1536-мерное представление. Amazon описывает обучение на 25 естественных языках и наиболее подробное тестирование на английском. Для профессиональной терминологии, неоднозначных формулировок и других языков полезен небольшой набор собственных запросов с заранее известными подходящими документами. G1 предназначена прежде всего для естественного текста; для поиска по исходному коду у следующего поколения Titan есть отдельные сведения об обучении на языках программирования.","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":"Преобразует текст в 1536-мерные векторы для смыслового поиска, подбора похожих материалов и группировки документов."}