Amazon 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.
G1 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.
Другой 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.
В 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.
Это 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.
", "aboutText": "### 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.", "locale": "ru", "methods": [ { "html": "POST /v1/embeddingstextembedding