Amazon: Titan Embeddings G1 - Text

{"about":"### ความหมายของข้อความในเวกเตอร์ตัวเลข\n\nAmazon Titan Embeddings G1 เป็นโมเดลเอ็มเบดดิงข้อความของ Amazon หรือเรียกอีกชื่อว่า V1 โมเดลแปลงข้อความเป็นเวกเตอร์ที่มี**ตัวเลข 1,536 ค่า** ผลลัพธ์นี้ช่วยให้แอปพลิเคชันเปรียบเทียบวลีและเอกสารตามความหมาย แม้จะใช้คำต่างกัน เช่น ค้นหาคู่มือแก้ไขรายละเอียดบัญชีจากคำถามเรื่องการเปลี่ยนข้อมูลการชำระเงิน\n\n### การค้นหา ฐานความรู้ และการจัดกลุ่ม\n\nG1 เหมาะกับการเตรียมดัชนีข้อความและสร้างตัวแทนสำหรับค้นหาจากคำถามของผู้ใช้ ในระบบฐานความรู้ นี่เป็นขั้นหนึ่งของ RAG: ค้นหาส่วนข้อความที่เกี่ยวข้องก่อน แล้วให้โมเดลภาษาอีกตัวเรียบเรียงคำตอบจากข้อมูลนั้น ในขั้นนี้ Titan คืนค่าเป็นเวกเตอร์ ส่วนการเก็บเอกสาร การคำนวณความใกล้เคียง และการประกอบคำตอบเป็นหน้าที่ของแอปพลิเคชัน\n\nอีกกรณีใช้งานคือการจัดกลุ่มข้อความ เวกเตอร์ช่วยค้นหาเรื่องติดต่อฝ่ายสนับสนุนที่คล้ายกัน รวมเนื้อหาตามหัวข้อ หรือเลือกเอกสารใกล้เคียงได้ หมวดหมู่และเกณฑ์ความคล้ายที่ใช้จริงกำหนดในกระบวนการทำงาน ไม่ได้ติดมากับเอ็มเบดดิงในรูปป้ายกำกับสำเร็จรูป\n\n### เตรียมข้อมูลอย่างไร\n\n1. แบ่งคลังข้อมูลเป็นส่วนที่เข้าใจได้ เช่น หัวข้อ ย่อหน้า หรือคำตอบที่สมบูรณ์ในตัว\n2. สร้างเวกเตอร์ของแต่ละส่วนและเก็บความเชื่อมโยงระหว่างเวกเตอร์กับข้อความต้นฉบับ\n3. แปลงคำค้นด้วยวิธีเดียวกัน\n4. เปรียบเทียบกับดัชนี แล้วส่งข้อมูลที่พบให้ผู้ใช้หรือขั้นประมวลผลถัดไป\n\nAiloot รับข้อความได้สูงสุด **8,192 โทเคน** และคืนผลลัพธ์เป็นเอ็มเบดดิง สำหรับงานค้นหา ควรเลือกขนาดส่วนข้อความตามเนื้อหา เวกเตอร์ขนาดใหญ่เพียงตัวเดียวของทั้งเอกสารอาจกลบความแตกต่างระหว่างคำถามต่าง ๆ ที่เอกสารกล่าวถึง เมื่อแก้ไขข้อความต้นฉบับ ต้องปรับตัวแทนในดัชนีตามด้วย\n\n### จุดต่างของ G1\n\nTitan รุ่นนี้ใช้ตัวแทนคงที่ขนาด 1536 มิติ Amazon ระบุว่าฝึกด้วยภาษาธรรมชาติ 25 ภาษา และทดสอบภาษาอังกฤษอย่างละเอียดที่สุด สำหรับศัพท์เฉพาะ ถ้อยคำกำกวม และภาษาอื่น ควรเตรียมคำค้นของตนเองชุดเล็กพร้อมเอกสารที่ทราบอยู่แล้วว่าเหมาะสม G1 ออกแบบมาสำหรับข้อความภาษาธรรมชาติเป็นหลัก ส่วนการค้นหาซอร์สโค้ดนั้น Titan รุ่นถัดไปมีข้อมูลการฝึกด้วยภาษาโปรแกรมแยกไว้","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":"แปลงข้อความเป็นเวกเตอร์ 1536 มิติสำหรับการค้นหาเชิงความหมาย การเลือกเนื้อหาคล้ายกัน และการจัดกลุ่มเอกสาร"}