{
  "aboutHtml": "<h3>Второе поколение текстовых embeddings Titan</h3><p>Amazon Titan Text Embeddings V2 преобразует текст в числовое представление для поиска и других задач, основанных на близости смыслов. Модель оптимизирована для извлечения подходящих фрагментов: пользователь задаёт вопрос своими словами, а приложение сравнивает его вектор с векторами материалов базы знаний. Так можно находить нужную информацию без полного совпадения ключевых слов.</p><p>V2 отличается от G1 более компактным стандартным представлением: в документации Amazon размер вектора по умолчанию составляет <strong>1 024 измерения</strong>. Для приложения это характеристика данных, которые оно хранит и сравнивает. Все записи одного индекса должны использовать согласованный способ представления; при переходе с другой embedding-модели индекс готовят под выбранную модель заново.</p><h3>Где использовать</h3><ul><li><strong>RAG и корпоративный поиск:</strong> подготовить векторы разделов документации, затем извлекать фрагменты для отдельной модели, которая отвечает на вопрос.</li><li><strong>Смысловое сходство:</strong> сравнивать тексты с разными формулировками и находить близкие материалы.</li><li><strong>Группировка:</strong> исследовать темы обращений, отзывов и документов через близость их представлений.</li><li><strong>Поиск по коду:</strong> строить поисковые сценарии для исходных текстов и связанных пояснений.</li></ul><p>Amazon указывает обучение V2 на более чем 100 естественных языках и 13 языках программирования, включая Python, JavaScript, Java, C++, Rust, Go и SQL. Модель при этом оптимизирована прежде всего для английского текста. В многоязычной базе особенно полезно отдельно проверить запросы, где язык вопроса отличается от языка документов: наличие языков в обучении не задаёт одинаковое качество для всех таких сочетаний.</p><h3>Работа в Ailoot</h3><p>На вход подаётся текст, на выходе получается <strong>embedding</strong>. Лимит этой карточки — <strong>8 192 входных токена</strong>. Для поискового индекса длинные материалы удобно делить по смысловым границам: заголовкам, разделам и абзацам. Затем каждый фрагмент можно хранить рядом с его вектором и ссылкой на первоисточник.</p><h3>Практический цикл</h3><p>Подберите реальные вопросы и подходящие ответы из своей коллекции, создайте embeddings и проверьте результаты поиска. Меняйте размер фрагмента и способ сравнения на этом же наборе, сохраняя связь с исходным текстом. Titan готовит числовые представления; сравнение, отбор результатов и формирование ответа выполняются следующими этапами приложения. Такая проверка помогает выбрать настройки индекса под вашу терминологию и структуру документов.</p>",
  "aboutText": "### Второе поколение текстовых embeddings Titan\n\nAmazon Titan Text Embeddings V2 преобразует текст в числовое представление для поиска и других задач, основанных на близости смыслов. Модель оптимизирована для извлечения подходящих фрагментов: пользователь задаёт вопрос своими словами, а приложение сравнивает его вектор с векторами материалов базы знаний. Так можно находить нужную информацию без полного совпадения ключевых слов.\n\nV2 отличается от G1 более компактным стандартным представлением: в документации Amazon размер вектора по умолчанию составляет **1 024 измерения**. Для приложения это характеристика данных, которые оно хранит и сравнивает. Все записи одного индекса должны использовать согласованный способ представления; при переходе с другой embedding-модели индекс готовят под выбранную модель заново.\n\n### Где использовать\n\n- **RAG и корпоративный поиск:** подготовить векторы разделов документации, затем извлекать фрагменты для отдельной модели, которая отвечает на вопрос.\n- **Смысловое сходство:** сравнивать тексты с разными формулировками и находить близкие материалы.\n- **Группировка:** исследовать темы обращений, отзывов и документов через близость их представлений.\n- **Поиск по коду:** строить поисковые сценарии для исходных текстов и связанных пояснений.\n\nAmazon указывает обучение V2 на более чем 100 естественных языках и 13 языках программирования, включая Python, JavaScript, Java, C++, Rust, Go и SQL. Модель при этом оптимизирована прежде всего для английского текста. В многоязычной базе особенно полезно отдельно проверить запросы, где язык вопроса отличается от языка документов: наличие языков в обучении не задаёт одинаковое качество для всех таких сочетаний.\n\n### Работа в Ailoot\n\nНа вход подаётся текст, на выходе получается **embedding**. Лимит этой карточки — **8 192 входных токена**. Для поискового индекса длинные материалы удобно делить по смысловым границам: заголовкам, разделам и абзацам. Затем каждый фрагмент можно хранить рядом с его вектором и ссылкой на первоисточник.\n\n### Практический цикл\n\nПодберите реальные вопросы и подходящие ответы из своей коллекции, создайте embeddings и проверьте результаты поиска. Меняйте размер фрагмента и способ сравнения на этом же наборе, сохраняя связь с исходным текстом. Titan готовит числовые представления; сравнение, отбор результатов и формирование ответа выполняются следующими этапами приложения. Такая проверка помогает выбрать настройки индекса под вашу терминологию и структуру документов.",
  "locale": "ru",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Эмбеддинги</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Входные данные</dt><dd><code>text</code></dd></div><div><dt>Результат</dt><dd><code>embedding</code></dd></div><div><dt>Контекст</dt><dd>8 192 <em>токенов</em></dd></div><div><dt>Макс. ответ</dt><dd>В каталоге не указано</dd></div></dl><dl><div><dt>Вход</dt><dd>0,00004 $ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "amazon/titan-embed-text-v2",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "amazon/titan-embed-text-v2",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|amazon%2Ftitan-embed-text-v2",
      "ordinal": 0,
      "rawMethod": {
        "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_id": "amazon/titan-embed-text-v2",
  "page": {
    "canonical": "https://ailoot.ai/models/ru/amazon-titan-embed-text-v2/",
    "description": "Создаёт текстовые векторы для RAG, смыслового поиска и группировки, включая поиск по многоязычным материалам и коду.",
    "locale": "ru",
    "md_url": "https://ailoot.ai/models/ru/amazon-titan-embed-text-v2/index.md",
    "title": "Amazon: Titan Text Embeddings V2",
    "url": "https://ailoot.ai/models/ru/amazon-titan-embed-text-v2/"
  },
  "rawModel": {
    "about": "### Второе поколение текстовых embeddings Titan\n\nAmazon Titan Text Embeddings V2 преобразует текст в числовое представление для поиска и других задач, основанных на близости смыслов. Модель оптимизирована для извлечения подходящих фрагментов: пользователь задаёт вопрос своими словами, а приложение сравнивает его вектор с векторами материалов базы знаний. Так можно находить нужную информацию без полного совпадения ключевых слов.\n\nV2 отличается от G1 более компактным стандартным представлением: в документации Amazon размер вектора по умолчанию составляет **1 024 измерения**. Для приложения это характеристика данных, которые оно хранит и сравнивает. Все записи одного индекса должны использовать согласованный способ представления; при переходе с другой embedding-модели индекс готовят под выбранную модель заново.\n\n### Где использовать\n\n- **RAG и корпоративный поиск:** подготовить векторы разделов документации, затем извлекать фрагменты для отдельной модели, которая отвечает на вопрос.\n- **Смысловое сходство:** сравнивать тексты с разными формулировками и находить близкие материалы.\n- **Группировка:** исследовать темы обращений, отзывов и документов через близость их представлений.\n- **Поиск по коду:** строить поисковые сценарии для исходных текстов и связанных пояснений.\n\nAmazon указывает обучение V2 на более чем 100 естественных языках и 13 языках программирования, включая Python, JavaScript, Java, C++, Rust, Go и SQL. Модель при этом оптимизирована прежде всего для английского текста. В многоязычной базе особенно полезно отдельно проверить запросы, где язык вопроса отличается от языка документов: наличие языков в обучении не задаёт одинаковое качество для всех таких сочетаний.\n\n### Работа в Ailoot\n\nНа вход подаётся текст, на выходе получается **embedding**. Лимит этой карточки — **8 192 входных токена**. Для поискового индекса длинные материалы удобно делить по смысловым границам: заголовкам, разделам и абзацам. Затем каждый фрагмент можно хранить рядом с его вектором и ссылкой на первоисточник.\n\n### Практический цикл\n\nПодберите реальные вопросы и подходящие ответы из своей коллекции, создайте embeddings и проверьте результаты поиска. Меняйте размер фрагмента и способ сравнения на этом же наборе, сохраняя связь с исходным текстом. Titan готовит числовые представления; сравнение, отбор результатов и формирование ответа выполняются следующими этапами приложения. Такая проверка помогает выбрать настройки индекса под вашу терминологию и структуру документов.",
    "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": "Создаёт текстовые векторы для RAG, смыслового поиска и группировки, включая поиск по многоязычным материалам и коду."
  },
  "renderer_schema": {
    "method_order": "rawModel.methods-ordinal",
    "prices": "exact-native-DTO-units-and-selected-renderer-html"
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "Создаёт текстовые векторы для RAG, смыслового поиска и группировки, включая поиск по многоязычным материалам и коду.",
  "source": {
    "audit_sha256": "8640692ad658ddcc45d7a93ca7a7d5bd8f3b05e5caec4653a18cee391fea8bd2",
    "bridge_map_sha256": "8640692ad658ddcc45d7a93ca7a7d5bd8f3b05e5caec4653a18cee391fea8bd2",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "473a74dccf4907128b63a0b1e714b3ace5690e1199e1911fc4c8ba265cad4c47",
      "renderer_sha256": "4455185244e767a5972aed0cf12d556d2bd341b0e4ccfcb23a2e044ab9fc9321"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "473a74dccf4907128b63a0b1e714b3ace5690e1199e1911fc4c8ba265cad4c47",
    "renderer_sha256": "4455185244e767a5972aed0cf12d556d2bd341b0e4ccfcb23a2e044ab9fc9321"
  },
  "sourceRevision": "aa7f393ed6f0ca539439a3422b275a4a0e698b959a7f69b72d7f069eddb30ce1"
}