Amazon: Titan Text Embeddings V2

{"about":"### เอ็มเบดดิงข้อความ Titan รุ่นที่สอง\n\nAmazon Titan Text Embeddings V2 แปลงข้อความเป็นตัวแทนตัวเลขสำหรับการค้นหาและงานอื่นที่อาศัยความใกล้เคียงทางความหมาย โมเดลปรับให้เหมาะกับการดึงส่วนข้อความที่เกี่ยวข้อง: ผู้ใช้ถามด้วยถ้อยคำของตนเอง แล้วแอปพลิเคชันเปรียบเทียบเวกเตอร์คำถามกับเวกเตอร์ข้อมูลในฐานความรู้ จึงค้นหาข้อมูลที่ต้องการได้โดยไม่จำเป็นต้องตรงกับคำสำคัญทุกคำ\n\nV2 ต่างจาก G1 ตรงที่มีตัวแทนมาตรฐานขนาดกะทัดรัดกว่า เอกสารของ Amazon ระบุขนาดเวกเตอร์เริ่มต้นไว้ที่ **1,024 มิติ** สำหรับแอปพลิเคชัน นี่เป็นคุณสมบัติของข้อมูลที่จะจัดเก็บและเปรียบเทียบ รายการทั้งหมดในดัชนีเดียวกันต้องใช้วิธีแทนข้อมูลที่สอดคล้องกัน เมื่อย้ายจากโมเดลเอ็มเบดดิงอื่น ต้องเตรียมดัชนีใหม่ให้ตรงกับโมเดลที่เลือก\n\n### ใช้กับงานใด\n\n- **RAG และการค้นหาในองค์กร:** สร้างเวกเตอร์ของหัวข้อในเอกสาร แล้วดึงส่วนที่เกี่ยวข้องให้โมเดลอีกตัวใช้ตอบคำถาม\n- **ความคล้ายเชิงความหมาย:** เปรียบเทียบข้อความที่ใช้ถ้อยคำต่างกันและค้นหาเนื้อหาที่ใกล้เคียง\n- **การจัดกลุ่ม:** สำรวจหัวข้อของเรื่องติดต่อ รีวิว และเอกสารจากความใกล้เคียงของตัวแทนข้อมูล\n- **การค้นหาโค้ด:** สร้างกระบวนการค้นหาซอร์สโค้ดและคำอธิบายที่เกี่ยวข้อง\n\nAmazon ระบุว่า V2 ฝึกด้วยภาษาธรรมชาติมากกว่า 100 ภาษาและภาษาโปรแกรม 13 ภาษา รวมถึง Python, JavaScript, Java, C++, Rust, Go และ SQL อย่างไรก็ตาม โมเดลปรับให้เหมาะกับข้อความภาษาอังกฤษเป็นหลัก ในฐานความรู้หลายภาษา ควรทดสอบคำค้นที่ภาษาของคำถามต่างจากภาษาเอกสารเป็นพิเศษ การมีภาษาอยู่ในข้อมูลฝึกไม่ได้หมายความว่าทุกคู่ภาษาจะได้คุณภาพเท่ากัน\n\n### การใช้งานใน Ailoot\n\nส่งข้อความเป็นข้อมูลเข้าและรับ**เอ็มเบดดิง**เป็นผลลัพธ์ หน้ารุ่นนี้มีขีดจำกัด **8,192 โทเคนข้อมูลเข้า** สำหรับดัชนีค้นหา ควรแบ่งเนื้อหายาวตามขอบเขตความหมาย เช่น ชื่อเรื่อง หัวข้อ และย่อหน้า จากนั้นเก็บแต่ละส่วนไว้คู่กับเวกเตอร์และการอ้างอิงต้นฉบับ\n\n### วงจรการใช้งานจริง\n\nเลือกคำถามจริงและคำตอบที่เหมาะสมจากคลังของคุณ สร้างเอ็มเบดดิง แล้วตรวจผลค้นหา ปรับขนาดส่วนข้อความและวิธีเปรียบเทียบด้วยข้อมูลชุดเดิม พร้อมรักษาความเชื่อมโยงกับต้นฉบับ Titan เตรียมตัวแทนตัวเลข ส่วนการเปรียบเทียบ การคัดผลลัพธ์ และการสร้างคำตอบเป็นขั้นต่อมาของแอปพลิเคชัน การทดสอบเช่นนี้ช่วยเลือกการตั้งค่าดัชนีให้เหมาะกับศัพท์เฉพาะและโครงสร้างเอกสารของคุณ","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":"สร้างเวกเตอร์ข้อความสำหรับ RAG การค้นหาเชิงความหมาย และการจัดกลุ่ม รวมถึงการค้นหาเนื้อหาหลายภาษาและโค้ด"}