{
  "aboutHtml": "<h3>ความหมายของข้อความในเวกเตอร์ตัวเลข</h3><p>Amazon Titan Embeddings G1 เป็นโมเดลเอ็มเบดดิงข้อความของ Amazon หรือเรียกอีกชื่อว่า V1 โมเดลแปลงข้อความเป็นเวกเตอร์ที่มี<strong>ตัวเลข 1,536 ค่า</strong> ผลลัพธ์นี้ช่วยให้แอปพลิเคชันเปรียบเทียบวลีและเอกสารตามความหมาย แม้จะใช้คำต่างกัน เช่น ค้นหาคู่มือแก้ไขรายละเอียดบัญชีจากคำถามเรื่องการเปลี่ยนข้อมูลการชำระเงิน</p><h3>การค้นหา ฐานความรู้ และการจัดกลุ่ม</h3><p>G1 เหมาะกับการเตรียมดัชนีข้อความและสร้างตัวแทนสำหรับค้นหาจากคำถามของผู้ใช้ ในระบบฐานความรู้ นี่เป็นขั้นหนึ่งของ RAG: ค้นหาส่วนข้อความที่เกี่ยวข้องก่อน แล้วให้โมเดลภาษาอีกตัวเรียบเรียงคำตอบจากข้อมูลนั้น ในขั้นนี้ Titan คืนค่าเป็นเวกเตอร์ ส่วนการเก็บเอกสาร การคำนวณความใกล้เคียง และการประกอบคำตอบเป็นหน้าที่ของแอปพลิเคชัน</p><p>อีกกรณีใช้งานคือการจัดกลุ่มข้อความ เวกเตอร์ช่วยค้นหาเรื่องติดต่อฝ่ายสนับสนุนที่คล้ายกัน รวมเนื้อหาตามหัวข้อ หรือเลือกเอกสารใกล้เคียงได้ หมวดหมู่และเกณฑ์ความคล้ายที่ใช้จริงกำหนดในกระบวนการทำงาน ไม่ได้ติดมากับเอ็มเบดดิงในรูปป้ายกำกับสำเร็จรูป</p><h3>เตรียมข้อมูลอย่างไร</h3><ol><li>แบ่งคลังข้อมูลเป็นส่วนที่เข้าใจได้ เช่น หัวข้อ ย่อหน้า หรือคำตอบที่สมบูรณ์ในตัว</li><li>สร้างเวกเตอร์ของแต่ละส่วนและเก็บความเชื่อมโยงระหว่างเวกเตอร์กับข้อความต้นฉบับ</li><li>แปลงคำค้นด้วยวิธีเดียวกัน</li><li>เปรียบเทียบกับดัชนี แล้วส่งข้อมูลที่พบให้ผู้ใช้หรือขั้นประมวลผลถัดไป</li></ol><p>Ailoot รับข้อความได้สูงสุด <strong>8,192 โทเคน</strong> และคืนผลลัพธ์เป็นเอ็มเบดดิง สำหรับงานค้นหา ควรเลือกขนาดส่วนข้อความตามเนื้อหา เวกเตอร์ขนาดใหญ่เพียงตัวเดียวของทั้งเอกสารอาจกลบความแตกต่างระหว่างคำถามต่าง ๆ ที่เอกสารกล่าวถึง เมื่อแก้ไขข้อความต้นฉบับ ต้องปรับตัวแทนในดัชนีตามด้วย</p><h3>จุดต่างของ G1</h3><p>Titan รุ่นนี้ใช้ตัวแทนคงที่ขนาด 1536 มิติ Amazon ระบุว่าฝึกด้วยภาษาธรรมชาติ 25 ภาษา และทดสอบภาษาอังกฤษอย่างละเอียดที่สุด สำหรับศัพท์เฉพาะ ถ้อยคำกำกวม และภาษาอื่น ควรเตรียมคำค้นของตนเองชุดเล็กพร้อมเอกสารที่ทราบอยู่แล้วว่าเหมาะสม G1 ออกแบบมาสำหรับข้อความภาษาธรรมชาติเป็นหลัก ส่วนการค้นหาซอร์สโค้ดนั้น Titan รุ่นถัดไปมีข้อมูลการฝึกด้วยภาษาโปรแกรมแยกไว้</p>",
  "aboutText": "### 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",
  "locale": "th",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> เอ็มเบดดิง</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>ขาเข้า</dt><dd><code>text</code></dd></div><div><dt>ขาออก</dt><dd><code>embedding</code></dd></div><div><dt>บริบท</dt><dd>8,192 <em>โทเคน</em></dd></div><div><dt>ความยาวคำตอบสูงสุด</dt><dd>ไม่ได้ระบุในแค็ตตาล็อก</dd></div></dl><dl><div><dt>ขาเข้า</dt><dd>US$0.0002 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "amazon/titan-embed-text-v1",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "amazon/titan-embed-text-v1",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|amazon%2Ftitan-embed-text-v1",
      "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": 0.2,
        "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_id": "amazon/titan-embed-text-v1",
  "page": {
    "canonical": "https://ailoot.ai/models/th/amazon-titan-embed-text-v1/",
    "description": "แปลงข้อความเป็นเวกเตอร์ 1536 มิติสำหรับการค้นหาเชิงความหมาย การเลือกเนื้อหาคล้ายกัน และการจัดกลุ่มเอกสาร",
    "locale": "th",
    "md_url": "https://ailoot.ai/models/th/amazon-titan-embed-text-v1/index.md",
    "title": "Amazon: Titan Embeddings G1 - Text",
    "url": "https://ailoot.ai/models/th/amazon-titan-embed-text-v1/"
  },
  "rawModel": {
    "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"
  },
  "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": "แปลงข้อความเป็นเวกเตอร์ 1536 มิติสำหรับการค้นหาเชิงความหมาย การเลือกเนื้อหาคล้ายกัน และการจัดกลุ่มเอกสาร",
  "source": {
    "audit_sha256": "b4993abbba1a7dedf3423f840985baa20450032945e62de889c1a71f057f1b84",
    "bridge_map_sha256": "b4993abbba1a7dedf3423f840985baa20450032945e62de889c1a71f057f1b84",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "7e732aaafc8a15895381a30efb1980dabb2172a850d9d8dab5a4e4e79ad16269",
      "renderer_sha256": "ff00245c84d95e11e326654be0ac0d72aa3db20ee75f241c9f19b61e75666743"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "7e732aaafc8a15895381a30efb1980dabb2172a850d9d8dab5a4e4e79ad16269",
    "renderer_sha256": "ff00245c84d95e11e326654be0ac0d72aa3db20ee75f241c9f19b61e75666743"
  },
  "sourceRevision": "4cc6bc67697d7222c1ff5697760999e9e7045a669004d66ae356cba4a3255424"
}