{
  "aboutHtml": "<h3>เอ็มเบดดิงข้อความ Titan รุ่นที่สอง</h3><p>Amazon Titan Text Embeddings V2 แปลงข้อความเป็นตัวแทนตัวเลขสำหรับการค้นหาและงานอื่นที่อาศัยความใกล้เคียงทางความหมาย โมเดลปรับให้เหมาะกับการดึงส่วนข้อความที่เกี่ยวข้อง: ผู้ใช้ถามด้วยถ้อยคำของตนเอง แล้วแอปพลิเคชันเปรียบเทียบเวกเตอร์คำถามกับเวกเตอร์ข้อมูลในฐานความรู้ จึงค้นหาข้อมูลที่ต้องการได้โดยไม่จำเป็นต้องตรงกับคำสำคัญทุกคำ</p><p>V2 ต่างจาก G1 ตรงที่มีตัวแทนมาตรฐานขนาดกะทัดรัดกว่า เอกสารของ Amazon ระบุขนาดเวกเตอร์เริ่มต้นไว้ที่ <strong>1,024 มิติ</strong> สำหรับแอปพลิเคชัน นี่เป็นคุณสมบัติของข้อมูลที่จะจัดเก็บและเปรียบเทียบ รายการทั้งหมดในดัชนีเดียวกันต้องใช้วิธีแทนข้อมูลที่สอดคล้องกัน เมื่อย้ายจากโมเดลเอ็มเบดดิงอื่น ต้องเตรียมดัชนีใหม่ให้ตรงกับโมเดลที่เลือก</p><h3>ใช้กับงานใด</h3><ul><li><strong>RAG และการค้นหาในองค์กร:</strong> สร้างเวกเตอร์ของหัวข้อในเอกสาร แล้วดึงส่วนที่เกี่ยวข้องให้โมเดลอีกตัวใช้ตอบคำถาม</li><li><strong>ความคล้ายเชิงความหมาย:</strong> เปรียบเทียบข้อความที่ใช้ถ้อยคำต่างกันและค้นหาเนื้อหาที่ใกล้เคียง</li><li><strong>การจัดกลุ่ม:</strong> สำรวจหัวข้อของเรื่องติดต่อ รีวิว และเอกสารจากความใกล้เคียงของตัวแทนข้อมูล</li><li><strong>การค้นหาโค้ด:</strong> สร้างกระบวนการค้นหาซอร์สโค้ดและคำอธิบายที่เกี่ยวข้อง</li></ul><p>Amazon ระบุว่า V2 ฝึกด้วยภาษาธรรมชาติมากกว่า 100 ภาษาและภาษาโปรแกรม 13 ภาษา รวมถึง Python, JavaScript, Java, C++, Rust, Go และ SQL อย่างไรก็ตาม โมเดลปรับให้เหมาะกับข้อความภาษาอังกฤษเป็นหลัก ในฐานความรู้หลายภาษา ควรทดสอบคำค้นที่ภาษาของคำถามต่างจากภาษาเอกสารเป็นพิเศษ การมีภาษาอยู่ในข้อมูลฝึกไม่ได้หมายความว่าทุกคู่ภาษาจะได้คุณภาพเท่ากัน</p><h3>การใช้งานใน Ailoot</h3><p>ส่งข้อความเป็นข้อมูลเข้าและรับ<strong>เอ็มเบดดิง</strong>เป็นผลลัพธ์ หน้ารุ่นนี้มีขีดจำกัด <strong>8,192 โทเคนข้อมูลเข้า</strong> สำหรับดัชนีค้นหา ควรแบ่งเนื้อหายาวตามขอบเขตความหมาย เช่น ชื่อเรื่อง หัวข้อ และย่อหน้า จากนั้นเก็บแต่ละส่วนไว้คู่กับเวกเตอร์และการอ้างอิงต้นฉบับ</p><h3>วงจรการใช้งานจริง</h3><p>เลือกคำถามจริงและคำตอบที่เหมาะสมจากคลังของคุณ สร้างเอ็มเบดดิง แล้วตรวจผลค้นหา ปรับขนาดส่วนข้อความและวิธีเปรียบเทียบด้วยข้อมูลชุดเดิม พร้อมรักษาความเชื่อมโยงกับต้นฉบับ Titan เตรียมตัวแทนตัวเลข ส่วนการเปรียบเทียบ การคัดผลลัพธ์ และการสร้างคำตอบเป็นขั้นต่อมาของแอปพลิเคชัน การทดสอบเช่นนี้ช่วยเลือกการตั้งค่าดัชนีให้เหมาะกับศัพท์เฉพาะและโครงสร้างเอกสารของคุณ</p>",
  "aboutText": "### 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",
  "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$0.00004 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "amazon/titan-embed-text-v2",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "amazon/titan-embed-text-v2",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|amazon%2Ftitan-embed-text-v2",
      "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": 0.04,
        "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_id": "amazon/titan-embed-text-v2",
  "page": {
    "canonical": "https://ailoot.ai/models/th/amazon-titan-embed-text-v2/",
    "description": "สร้างเวกเตอร์ข้อความสำหรับ RAG การค้นหาเชิงความหมาย และการจัดกลุ่ม รวมถึงการค้นหาเนื้อหาหลายภาษาและโค้ด",
    "locale": "th",
    "md_url": "https://ailoot.ai/models/th/amazon-titan-embed-text-v2/index.md",
    "title": "Amazon: Titan Text Embeddings V2",
    "url": "https://ailoot.ai/models/th/amazon-titan-embed-text-v2/"
  },
  "rawModel": {
    "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"
  },
  "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": "สร้างเวกเตอร์ข้อความสำหรับ RAG การค้นหาเชิงความหมาย และการจัดกลุ่ม รวมถึงการค้นหาเนื้อหาหลายภาษาและโค้ด",
  "source": {
    "audit_sha256": "e18465236b427fa806afc1d438b5eed6c81b8589a91def09883f75a32c31e830",
    "bridge_map_sha256": "e18465236b427fa806afc1d438b5eed6c81b8589a91def09883f75a32c31e830",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "a240929516ab9ab4a9f6f3c7384b6c290293beead636cef40bfedd570dbe4011",
      "renderer_sha256": "ff00245c84d95e11e326654be0ac0d72aa3db20ee75f241c9f19b61e75666743"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "a240929516ab9ab4a9f6f3c7384b6c290293beead636cef40bfedd570dbe4011",
    "renderer_sha256": "ff00245c84d95e11e326654be0ac0d72aa3db20ee75f241c9f19b61e75666743"
  },
  "sourceRevision": "803c17ecf5cdd2ab051596eab7c359168e10601d1ffc63d7ffa5591b8df9b242"
}