Amazon: Titan Embeddings G1 - Text

{"about":"### Matn maʼnosi sonli vektorda\n\nAmazon Titan Embeddings G1 — V1 deb ham ataladigan Amazon matnli embedding modeli. U matnni **1 536 ta son**dan iborat vektorga aylantiradi. Natija ilovaga ibora va hujjatlarni turli so‘zlar ishlatilganida ham maʼnosiga ko‘ra taqqoslashga yordam beradi: masalan, to‘lov maʼlumotlarini almashtirish haqidagi savol orqali rekvizitlarni o‘zgartirish yo‘riqnomasini topish mumkin.\n\n### Qidiruv, bilimlar bazasi va guruhlash\n\nG1 matn indeksini tayyorlash va foydalanuvchi so‘rovining qidiruv ifodasini yaratish uchun mos. Bilimlar bazasi mavjud tizimda bu RAG bosqichlaridan biri: avval mos parchalar topiladi, keyin alohida til modeli ularga asoslanib javob tuzadi. Titanʼning o‘zi bu bosqichda vektor qaytaradi; hujjatlarni saqlash, yaqinlikni hisoblash va javobni yig‘ish ilovangiz vazifasidir.\n\nYana bir yo‘nalish — matnlarni guruhlash. Vektorlar yordamida yordam xizmatidagi o‘xshash murojaatlarni topish, materiallarni mavzularga birlashtirish yoki o‘xshash hujjatlarni tanlash mumkin. Aniq toifalar va o‘xshashlik chegaralari ish jarayonida belgilanadi, embedding ichida tayyor belgilash sifatida berilmaydi.\n\n### Materiallarni qanday tayyorlash kerak\n\n1. To‘plamni tushunarli parchalarga: bo‘limlar, xatboshilar yoki mustaqil javoblarga ajrating.\n2. Shu parchalarning vektorlarini oling va har bir vektorning asl matn bilan bog‘lanishini saqlang.\n3. Qidiruv so‘rovini ham xuddi shu usulda aylantiring.\n4. Uni indeks bilan taqqoslab, topilgan materiallarni foydalanuvchiga yoki keyingi ishlov bosqichiga qaytaring.\n\nAilootʼda **8 192 token**gacha matnli kirish va embedding formatidagi natija mavjud. Qidiruv uchun parcha hajmini mazmunga qarab tanlagan maʼqul: butun hujjatning bitta katta vektori undagi alohida masalalar farqini yashirishi mumkin. Asl matn yangilansa, uning indeksdagi ifodasi ham yangilanadi.\n\n### G1ʼning farqi\n\nTitanʼning bu avlodi qatʼiy 1536 o‘lchamli ifodadan foydalanadi. Amazon 25 tabiiy tilda o‘qitilganini va eng batafsil sinovlar ingliz tilida o‘tkazilganini bildiradi. Kasbiy atamalar, noaniq iboralar va boshqa tillar uchun mos hujjatlari oldindan maʼlum bo‘lgan kichik shaxsiy so‘rovlar to‘plami foydali. G1 asosan tabiiy matnga mo‘ljallangan; manba kodi bo‘yicha qidirish uchun Titanʼning keyingi avlodida dasturlash tillarida o‘qitish haqida alohida maʼlumot bor.","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":"Matnni maʼnoviy qidiruv, o‘xshash materiallarni tanlash va hujjatlarni guruhlash uchun 1536 o‘lchamli vektorlarga aylantiradi."}