{
  "aboutHtml": "<h3>Titan matnli embeddings modelining ikkinchi avlodi</h3><p>Amazon Titan Text Embeddings V2 matnni qidiruv va maʼnolar yaqinligiga asoslangan boshqa vazifalar uchun sonli ifodaga aylantiradi. Model mos parchalarni olishga moslashtirilgan: foydalanuvchi savolni o‘z so‘zlari bilan beradi, ilova esa uning vektorini bilimlar bazasidagi materiallar vektorlari bilan taqqoslaydi. Shu tariqa kalit so‘zlar to‘liq mos kelmasa ham kerakli maʼlumotni topish mumkin.</p><p>V2 G1ʼdan ixchamroq standart ifodasi bilan farq qiladi: Amazon hujjatlarida odatiy vektor hajmi <strong>1 024 o‘lcham</strong> deb berilgan. Ilova uchun bu saqlanadigan va taqqoslanadigan maʼlumot xususiyatidir. Bitta indeksning barcha yozuvlari o‘zaro mos ifoda usulidan foydalanishi kerak; boshqa embedding modelidan o‘tilganda indeks tanlangan modelga moslab qayta tayyorlanadi.</p><h3>Qayerda ishlatish mumkin</h3><ul><li><strong>RAG va korporativ qidiruv:</strong> hujjatlar bo‘limlari vektorlarini tayyorlash, keyin savolga javob beruvchi alohida model uchun parchalarni topish.</li><li><strong>Maʼnoviy o‘xshashlik:</strong> turlicha ifodalangan matnlarni taqqoslab, yaqin materiallarni topish.</li><li><strong>Guruhlash:</strong> murojaat, fikr va hujjatlar mavzularini ularning ifodalari yaqinligi orqali o‘rganish.</li><li><strong>Kod bo‘yicha qidiruv:</strong> manba kodlari va ularga bog‘liq izohlar uchun qidiruv jarayonlarini yaratish.</li></ul><p>Amazon V2ʼning 100 dan ortiq tabiiy til va 13 dasturlash tilida, jumladan Python, JavaScript, Java, C++, Rust, Go va SQLʼda o‘qitilganini bildiradi. Shunga qaramay, model birinchi navbatda inglizcha matnga moslashtirilgan. Ko‘p tilli bazada savol tili hujjatlar tilidan farq qiladigan so‘rovlarni alohida tekshirish ayniqsa foydali: tillarning o‘qitishda qatnashgani bunday barcha juftliklarda bir xil sifatni anglatmaydi.</p><h3>Ailootʼda ishlash</h3><p>Kirishga matn beriladi, natijada <strong>embedding</strong> olinadi. Bu kartochkaning chegarasi — <strong>8 192 kirish tokeni</strong>. Qidiruv indeksi uchun uzun materiallarni sarlavha, bo‘lim va xatboshi kabi maʼnoviy chegaralar bo‘yicha ajratish qulay. Keyin har bir parchani vektori va asl manbaga havolasi bilan birga saqlash mumkin.</p><h3>Amaliy sikl</h3><p>O‘z to‘plamingizdan haqiqiy savollar va mos javoblarni tanlang, embeddings yarating va qidiruv natijalarini tekshiring. Asl matn bilan bog‘lanishni saqlagan holda ayni to‘plamda parcha hajmi va taqqoslash usulini o‘zgartiring. Titan sonli ifodalarni tayyorlaydi; taqqoslash, natijalarni tanlash va javob tuzishni ilovaning keyingi bosqichlari bajaradi. Bunday tekshiruv indeks sozlamalarini o‘z atamalaringiz va hujjatlar tuzilishiga mos tanlashga yordam beradi.</p>",
  "aboutText": "### Titan matnli embeddings modelining ikkinchi avlodi\n\nAmazon Titan Text Embeddings V2 matnni qidiruv va maʼnolar yaqinligiga asoslangan boshqa vazifalar uchun sonli ifodaga aylantiradi. Model mos parchalarni olishga moslashtirilgan: foydalanuvchi savolni o‘z so‘zlari bilan beradi, ilova esa uning vektorini bilimlar bazasidagi materiallar vektorlari bilan taqqoslaydi. Shu tariqa kalit so‘zlar to‘liq mos kelmasa ham kerakli maʼlumotni topish mumkin.\n\nV2 G1ʼdan ixchamroq standart ifodasi bilan farq qiladi: Amazon hujjatlarida odatiy vektor hajmi **1 024 o‘lcham** deb berilgan. Ilova uchun bu saqlanadigan va taqqoslanadigan maʼlumot xususiyatidir. Bitta indeksning barcha yozuvlari o‘zaro mos ifoda usulidan foydalanishi kerak; boshqa embedding modelidan o‘tilganda indeks tanlangan modelga moslab qayta tayyorlanadi.\n\n### Qayerda ishlatish mumkin\n\n- **RAG va korporativ qidiruv:** hujjatlar bo‘limlari vektorlarini tayyorlash, keyin savolga javob beruvchi alohida model uchun parchalarni topish.\n- **Maʼnoviy o‘xshashlik:** turlicha ifodalangan matnlarni taqqoslab, yaqin materiallarni topish.\n- **Guruhlash:** murojaat, fikr va hujjatlar mavzularini ularning ifodalari yaqinligi orqali o‘rganish.\n- **Kod bo‘yicha qidiruv:** manba kodlari va ularga bog‘liq izohlar uchun qidiruv jarayonlarini yaratish.\n\nAmazon V2ʼning 100 dan ortiq tabiiy til va 13 dasturlash tilida, jumladan Python, JavaScript, Java, C++, Rust, Go va SQLʼda o‘qitilganini bildiradi. Shunga qaramay, model birinchi navbatda inglizcha matnga moslashtirilgan. Ko‘p tilli bazada savol tili hujjatlar tilidan farq qiladigan so‘rovlarni alohida tekshirish ayniqsa foydali: tillarning o‘qitishda qatnashgani bunday barcha juftliklarda bir xil sifatni anglatmaydi.\n\n### Ailootʼda ishlash\n\nKirishga matn beriladi, natijada **embedding** olinadi. Bu kartochkaning chegarasi — **8 192 kirish tokeni**. Qidiruv indeksi uchun uzun materiallarni sarlavha, bo‘lim va xatboshi kabi maʼnoviy chegaralar bo‘yicha ajratish qulay. Keyin har bir parchani vektori va asl manbaga havolasi bilan birga saqlash mumkin.\n\n### Amaliy sikl\n\nO‘z to‘plamingizdan haqiqiy savollar va mos javoblarni tanlang, embeddings yarating va qidiruv natijalarini tekshiring. Asl matn bilan bog‘lanishni saqlagan holda ayni to‘plamda parcha hajmi va taqqoslash usulini o‘zgartiring. Titan sonli ifodalarni tayyorlaydi; taqqoslash, natijalarni tanlash va javob tuzishni ilovaning keyingi bosqichlari bajaradi. Bunday tekshiruv indeks sozlamalarini o‘z atamalaringiz va hujjatlar tuzilishiga mos tanlashga yordam beradi.",
  "locale": "uz",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Embeddinglar</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Kirish</dt><dd><code>text</code></dd></div><div><dt>Chiqish</dt><dd><code>embedding</code></dd></div><div><dt>Kontekst</dt><dd>8 192 <em>token</em></dd></div><div><dt>Maks. javob</dt><dd>Katalogda ko‘rsatilmagan</dd></div></dl><dl><div><dt>Kirish</dt><dd>0,00004 US$ <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/uz/amazon-titan-embed-text-v2/",
    "description": "RAG, maʼnoviy qidiruv va guruhlash, jumladan ko‘p tilli materiallar hamda koddan qidirish uchun matn vektorlarini yaratadi.",
    "locale": "uz",
    "md_url": "https://ailoot.ai/models/uz/amazon-titan-embed-text-v2/index.md",
    "title": "Amazon: Titan Text Embeddings V2",
    "url": "https://ailoot.ai/models/uz/amazon-titan-embed-text-v2/"
  },
  "rawModel": {
    "about": "### Titan matnli embeddings modelining ikkinchi avlodi\n\nAmazon Titan Text Embeddings V2 matnni qidiruv va maʼnolar yaqinligiga asoslangan boshqa vazifalar uchun sonli ifodaga aylantiradi. Model mos parchalarni olishga moslashtirilgan: foydalanuvchi savolni o‘z so‘zlari bilan beradi, ilova esa uning vektorini bilimlar bazasidagi materiallar vektorlari bilan taqqoslaydi. Shu tariqa kalit so‘zlar to‘liq mos kelmasa ham kerakli maʼlumotni topish mumkin.\n\nV2 G1ʼdan ixchamroq standart ifodasi bilan farq qiladi: Amazon hujjatlarida odatiy vektor hajmi **1 024 o‘lcham** deb berilgan. Ilova uchun bu saqlanadigan va taqqoslanadigan maʼlumot xususiyatidir. Bitta indeksning barcha yozuvlari o‘zaro mos ifoda usulidan foydalanishi kerak; boshqa embedding modelidan o‘tilganda indeks tanlangan modelga moslab qayta tayyorlanadi.\n\n### Qayerda ishlatish mumkin\n\n- **RAG va korporativ qidiruv:** hujjatlar bo‘limlari vektorlarini tayyorlash, keyin savolga javob beruvchi alohida model uchun parchalarni topish.\n- **Maʼnoviy o‘xshashlik:** turlicha ifodalangan matnlarni taqqoslab, yaqin materiallarni topish.\n- **Guruhlash:** murojaat, fikr va hujjatlar mavzularini ularning ifodalari yaqinligi orqali o‘rganish.\n- **Kod bo‘yicha qidiruv:** manba kodlari va ularga bog‘liq izohlar uchun qidiruv jarayonlarini yaratish.\n\nAmazon V2ʼning 100 dan ortiq tabiiy til va 13 dasturlash tilida, jumladan Python, JavaScript, Java, C++, Rust, Go va SQLʼda o‘qitilganini bildiradi. Shunga qaramay, model birinchi navbatda inglizcha matnga moslashtirilgan. Ko‘p tilli bazada savol tili hujjatlar tilidan farq qiladigan so‘rovlarni alohida tekshirish ayniqsa foydali: tillarning o‘qitishda qatnashgani bunday barcha juftliklarda bir xil sifatni anglatmaydi.\n\n### Ailootʼda ishlash\n\nKirishga matn beriladi, natijada **embedding** olinadi. Bu kartochkaning chegarasi — **8 192 kirish tokeni**. Qidiruv indeksi uchun uzun materiallarni sarlavha, bo‘lim va xatboshi kabi maʼnoviy chegaralar bo‘yicha ajratish qulay. Keyin har bir parchani vektori va asl manbaga havolasi bilan birga saqlash mumkin.\n\n### Amaliy sikl\n\nO‘z to‘plamingizdan haqiqiy savollar va mos javoblarni tanlang, embeddings yarating va qidiruv natijalarini tekshiring. Asl matn bilan bog‘lanishni saqlagan holda ayni to‘plamda parcha hajmi va taqqoslash usulini o‘zgartiring. Titan sonli ifodalarni tayyorlaydi; taqqoslash, natijalarni tanlash va javob tuzishni ilovaning keyingi bosqichlari bajaradi. Bunday tekshiruv indeks sozlamalarini o‘z atamalaringiz va hujjatlar tuzilishiga mos tanlashga yordam beradi.",
    "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": "RAG, maʼnoviy qidiruv va guruhlash, jumladan ko‘p tilli materiallar hamda koddan qidirish uchun matn vektorlarini yaratadi."
  },
  "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": "RAG, maʼnoviy qidiruv va guruhlash, jumladan ko‘p tilli materiallar hamda koddan qidirish uchun matn vektorlarini yaratadi.",
  "source": {
    "audit_sha256": "d9999ecb6ed69996d739d7f084150cd159aa7a5e80a04b7e0ac4cc1183a180e4",
    "bridge_map_sha256": "d9999ecb6ed69996d739d7f084150cd159aa7a5e80a04b7e0ac4cc1183a180e4",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "1eceec444213e380296d64b99e5c6c601596e2d0339c14be7806146e2e776b90",
      "renderer_sha256": "cc3e7eb5f31837bb63a187f76259b8aa0a10ebdf2c8cb67803b0a2a0f5f31bf0"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "1eceec444213e380296d64b99e5c6c601596e2d0339c14be7806146e2e776b90",
    "renderer_sha256": "cc3e7eb5f31837bb63a187f76259b8aa0a10ebdf2c8cb67803b0a2a0f5f31bf0"
  },
  "sourceRevision": "bb821fb19237cfff02e262864fb33a7595ffb90d5b2fe07869bead7bd7385eb3"
}