Amazon: Titan Embeddings G1 - Text

{"about":"### Textens innebörd som en numerisk vektor\n\nAmazon Titan Embeddings G1 är Amazons textbaserade embeddingmodell, även känd som V1. Den omvandlar text till en vektor med **1 536 tal**. Resultatet hjälper applikationen att jämföra fraser och dokument utifrån innebörd även när orden skiljer sig åt, till exempel att hitta en instruktion om att ändra betalningsuppgifter när användaren frågar om att byta faktureringsinformation.\n\n### Sökning, kunskapsbas och gruppering\n\nG1 passar för att bygga ett textindex och skapa en sökrepresentation av användarens fråga. I ett system med kunskapsbas är detta ett steg i RAG: först hittas relevanta avsnitt, sedan formulerar en separat språkmodell ett svar utifrån dem. Titan returnerar här en vektor; din applikation ansvarar för dokumentlagring, beräkning av likhet och sammanställning av svaret.\n\nEtt annat användningsområde är textgruppering. Vektorerna kan användas för att hitta liknande supportärenden, samla material efter ämne eller föreslå liknande dokument. De konkreta kategorierna och tröskelvärdena för likhet anges i arbetsflödet och finns inte i en embedding som färdig märkning.\n\n### Så förbereder du materialet\n\n1. Dela samlingen i begripliga avsnitt: sektioner, stycken eller fristående svar.\n2. Skapa vektorer för avsnitten och bevara kopplingen mellan varje vektor och dess källtext.\n3. Omvandla sökfrågan på samma sätt.\n4. Jämför den med indexet och skicka det hittade materialet till användaren eller nästa bearbetningssteg.\n\nI Ailoot API finns textindata på upp till **8 192 token** och resultat i embeddingformat. Vid sökning bör avsnittens storlek anpassas efter innehållet: en enda stor dokumentvektor kan dölja skillnader mellan de enskilda frågor som dokumentet behandlar. När källtexten uppdateras ska även dess representation i indexet uppdateras.\n\n### Det som utmärker G1\n\nDen här Titan-generationen använder en fast representation med 1536 dimensioner. Amazon beskriver träning på 25 naturliga språk och mest omfattande testning på engelska. För fackterminologi, tvetydiga formuleringar och andra språk är det bra att använda ett litet eget frågeunderlag med på förhand kända relevanta dokument. G1 är främst avsedd för naturlig text; för sökning i källkod finns separat information om träning på programmeringsspråk för nästa Titan-generation.","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":"Omvandlar text till 1536-dimensionella vektorer för semantisk sökning, matchning av liknande material och gruppering av dokument."}