Amazon: Titan Text Embeddings V2

{"about":"### Druga generacija besedilnih vložitev Titan\n\nAmazon Titan Text Embeddings V2 pretvori besedilo v številčno predstavitev za iskanje in druge naloge, ki temeljijo na pomenski bližini. Model je optimiziran za pridobivanje ustreznih odsekov: uporabnik vpraša s svojimi besedami, aplikacija pa vektor vprašanja primerja z vektorji gradiva v zbirki znanja. Tako najde podatke brez popolnega ujemanja ključnih besed.\n\nV2 se od G1 razlikuje po kompaktnejši privzeti predstavitvi: Amazonova dokumentacija navaja vektor s **1 024 razsežnostmi**. Za aplikacijo je to lastnost podatkov, ki jih shranjuje in primerja. Vsi zapisi istega indeksa morajo uporabljati usklajeno predstavitev; ob prehodu z drugega modela za vložitve je treba indeks znova pripraviti za izbrani model.\n\n### Kje ga uporabljati\n\n- **RAG in iskanje v podjetju:** pripraviti vektorje razdelkov dokumentacije, nato pridobivati odseke za ločen model, ki odgovori na vprašanje.\n- **Pomenska podobnost:** primerjati drugače oblikovana besedila in iskati sorodne vsebine.\n- **Združevanje:** raziskovati teme zahtevkov, ocen in dokumentov prek bližine njihovih predstavitev.\n- **Iskanje po kodi:** pripraviti iskanje po izvorni kodi in pripadajočih pojasnilih.\n\nAmazon navaja učenje V2 na več kot 100 naravnih in 13 programskih jezikih, med njimi Python, JavaScript, Java, C++, Rust, Go in SQL. Model je sicer optimiziran predvsem za angleško besedilo. V večjezični zbirki posebej preverite poizvedbe, katerih jezik se razlikuje od jezika dokumentov: zastopanost jezikov pri učenju ne pomeni enake kakovosti pri vseh kombinacijah.\n\n### Delo v Ailoot\n\nVhod je besedilo, izhod pa **embedding**. Omejitev te kartice je **8 192 vhodnih žetonov**. Dolgo gradivo za iskalni indeks je smiselno deliti na pomenskih mejah: naslovih, razdelkih in odstavkih. Vsak odsek lahko shranite skupaj z njegovim vektorjem in povezavo na izvirni vir.\n\n### Praktični cikel\n\nIz zbirke izberite dejanska vprašanja in ustrezne odgovore, ustvarite vložitve in preverite rezultate iskanja. Na istem naboru spreminjajte velikost odsekov in način primerjanja ter ohranite povezavo z izvirnim besedilom. Titan pripravi številčne predstavitve; primerjanje, izbor rezultatov in oblikovanje odgovora opravijo naslednji koraki aplikacije. Tako preverjanje pomaga prilagoditi nastavitve indeksa vašemu izrazju in zgradbi dokumentov.","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":"Ustvarja besedilne vektorje za RAG, pomensko iskanje in združevanje, tudi za iskanje po večjezičnem gradivu in kodi."}