Source: https://ailoot.ai/models/sl/amazon-titan-embed-text-v2/ Canonical: https://ailoot.ai/models/sl/amazon-titan-embed-text-v2/ Language: sl # Amazon: Titan Text Embeddings V2 [Markdown](https://ailoot.ai/models/sl/amazon-titan-embed-text-v2/index.md) · [JSON](https://ailoot.ai/models/sl/amazon-titan-embed-text-v2/facts.json) ## [Amazon: Titan Text Embeddings V2](https://ailoot.ai/models/sl/amazon-titan-embed-text-v2/) `amazon/titan-embed-text-v2` AmazonVektorske predstavitveVhod 0,00004 $ / 1KIzhod — Ustvarja besedilne vektorje za RAG, pomensko iskanje in združevanje, tudi za iskanje po večjezičnem gradivu in kodi. ### Druga generacija besedilnih vložitev Titan Amazon 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. V2 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. ### Kje ga uporabljati - **RAG in iskanje v podjetju:** pripraviti vektorje razdelkov dokumentacije, nato pridobivati odseke za ločen model, ki odgovori na vprašanje. - **Pomenska podobnost:** primerjati drugače oblikovana besedila in iskati sorodne vsebine. - **Združevanje:** raziskovati teme zahtevkov, ocen in dokumentov prek bližine njihovih predstavitev. - **Iskanje po kodi:** pripraviti iskanje po izvorni kodi in pripadajočih pojasnilih. Amazon 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. ### Delo v Ailoot Vhod 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. ### Praktični cikel Iz 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. ### Na voljo prek Ailoot API Vhod `text` Izhod `embedding` Kontekst 8192 *žetonov* Največji odgovor Ni navedeno v katalogu Vhod 0,00004 $ */ 1K* `amazon/titan-embed-text-v2` · JSON ``` {"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."} ``` ## Vprašanja Kako izberem model za svojo nalogo? Najprej določite potreben vhod in izhod: besedilo, sliko, zvok ali video. Nato primerjajte združljive metode API, točen ID modela ali trenutno ciljno vrednost vzdevka, ceno in obračunsko enoto. Brezplačni GET /v1/models navede modele, dostopne vašemu ključu. Ali vsak model podpira vse metode API in vrste medijev? Uporabite metode API ter vrste vhoda in izhoda, navedene na kartici modela. Podpora besedilu, slikam, zvoku ali videu je odvisna od izbranega modela in metode; pred pošiljanjem podatkov preverite ustrezni primer zahteve. Kakšna je razlika med ID modela in vzdevkom? Točen ID označuje določen model. Vzdevek kaže na model, njegova ciljna vrednost pa se lahko spremeni. V katalogu preverite trenutno ciljno vrednost vzdevka; ko integracija potrebuje določen model, uporabite točen ID. Kako primerjam cene pred pošiljanjem zahteve? Na kartici modela preverite ceno in obračunsko enoto izbrane metode API. Primerjajte enako enoto ter vrsto vhoda in izhoda; zgodovina zahtev prikazuje dejansko porabo in zaračunani znesek. Kaj omogoča naročnina? Popust na nakup žetonov za redno delo. Paket izberite po obsegu zahtev; pogoji in cena so prikazani ob naročilu. Kako uporabim kodo za do 50% popusta? Promocijsko kodo vnesite ob nakupu žetonov. Končni znesek se preračuna po akcijskih pogojih, višina popusta pa je vidna pred plačilom. ## Ailoot · Podjetje in njegov portfelj projektov Ailoot temelji na pridobljenih operativnih izkušnjah, široki bazi strank, stabilni storitvi in stalnem spremljanju KPI. Podjetje in njegov portfelj projektov: milijoni strank; mesečna prodaja v milijardah. Ailoot te operativne izkušnje uporablja za dostop prek API do funkcij umetne inteligence v izdelkih strank, agentih, aplikacijah in avtomatizacijah.