{
  "aboutHtml": "<h3>Ý nghĩa văn bản trong một vectơ số</h3><p>Amazon Titan Embeddings G1 là mô hình embedding văn bản của Amazon, còn được gọi là V1. Mô hình chuyển văn bản thành vectơ gồm <strong>1 536 số</strong>. Kết quả giúp ứng dụng so sánh ý nghĩa của các cụm từ và tài liệu ngay cả khi dùng từ khác nhau: chẳng hạn tìm hướng dẫn cập nhật thông tin thanh toán từ câu hỏi về việc đổi chi tiết thanh toán.</p><h3>Tìm kiếm, cơ sở tri thức và phân nhóm</h3><p>G1 phù hợp để chuẩn bị chỉ mục văn bản và tạo biểu diễn tìm kiếm cho truy vấn của người dùng. Trong hệ thống có cơ sở tri thức, đây là một bước của RAG: trước hết tìm các đoạn phù hợp, sau đó một mô hình ngôn ngữ riêng tạo câu trả lời dựa trên chúng. Ở bước này, Titan chỉ trả về vectơ; việc lưu tài liệu, tính độ gần và soạn câu trả lời thuộc về ứng dụng của bạn.</p><p>Một cách dùng khác là phân nhóm văn bản. Có thể dùng vectơ để tìm các yêu cầu hỗ trợ tương tự, gom nội dung theo chủ đề hoặc chọn tài liệu gần nghĩa. Các nhóm cụ thể và ngưỡng tương đồng được xác định trong quy trình làm việc, chứ không có sẵn trong embedding dưới dạng nhãn phân loại.</p><h3>Chuẩn bị tài liệu</h3><ol><li>Chia bộ sưu tập thành các đoạn rõ nghĩa: mục, đoạn văn hoặc câu trả lời độc lập.</li><li>Tạo vectơ cho từng đoạn và lưu mối liên hệ giữa mỗi vectơ với văn bản gốc.</li><li>Chuyển truy vấn tìm kiếm theo cùng cách đó.</li><li>So sánh với chỉ mục rồi trả tài liệu tìm được cho người dùng hoặc bước xử lý tiếp theo.</li></ol><p>Trong Ailoot API, đầu vào văn bản có giới hạn <strong>8 192 token</strong>, kết quả ở dạng embedding. Khi tìm kiếm, nên chọn kích thước đoạn theo nội dung: một vectơ lớn cho cả tài liệu có thể che khuất khác biệt giữa các vấn đề riêng mà tài liệu đề cập. Khi văn bản gốc thay đổi, cũng cần cập nhật biểu diễn trong chỉ mục.</p><h3>Điểm khác biệt của G1</h3><p>Thế hệ Titan này dùng biểu diễn cố định 1536 chiều. Amazon mô tả việc huấn luyện trên 25 ngôn ngữ tự nhiên và kiểm thử kỹ nhất bằng tiếng Anh. Với thuật ngữ chuyên môn, cách diễn đạt mơ hồ và các ngôn ngữ khác, nên có một bộ nhỏ truy vấn riêng với các tài liệu phù hợp đã biết trước. G1 chủ yếu dành cho văn bản tự nhiên; thế hệ Titan kế tiếp có thông tin riêng về huấn luyện trên các ngôn ngữ lập trình phục vụ tìm kiếm mã nguồn.</p>",
  "aboutText": "### Ý nghĩa văn bản trong một vectơ số\n\nAmazon Titan Embeddings G1 là mô hình embedding văn bản của Amazon, còn được gọi là V1. Mô hình chuyển văn bản thành vectơ gồm **1 536 số**. Kết quả giúp ứng dụng so sánh ý nghĩa của các cụm từ và tài liệu ngay cả khi dùng từ khác nhau: chẳng hạn tìm hướng dẫn cập nhật thông tin thanh toán từ câu hỏi về việc đổi chi tiết thanh toán.\n\n### Tìm kiếm, cơ sở tri thức và phân nhóm\n\nG1 phù hợp để chuẩn bị chỉ mục văn bản và tạo biểu diễn tìm kiếm cho truy vấn của người dùng. Trong hệ thống có cơ sở tri thức, đây là một bước của RAG: trước hết tìm các đoạn phù hợp, sau đó một mô hình ngôn ngữ riêng tạo câu trả lời dựa trên chúng. Ở bước này, Titan chỉ trả về vectơ; việc lưu tài liệu, tính độ gần và soạn câu trả lời thuộc về ứng dụng của bạn.\n\nMột cách dùng khác là phân nhóm văn bản. Có thể dùng vectơ để tìm các yêu cầu hỗ trợ tương tự, gom nội dung theo chủ đề hoặc chọn tài liệu gần nghĩa. Các nhóm cụ thể và ngưỡng tương đồng được xác định trong quy trình làm việc, chứ không có sẵn trong embedding dưới dạng nhãn phân loại.\n\n### Chuẩn bị tài liệu\n\n1. Chia bộ sưu tập thành các đoạn rõ nghĩa: mục, đoạn văn hoặc câu trả lời độc lập.\n2. Tạo vectơ cho từng đoạn và lưu mối liên hệ giữa mỗi vectơ với văn bản gốc.\n3. Chuyển truy vấn tìm kiếm theo cùng cách đó.\n4. So sánh với chỉ mục rồi trả tài liệu tìm được cho người dùng hoặc bước xử lý tiếp theo.\n\nTrong Ailoot API, đầu vào văn bản có giới hạn **8 192 token**, kết quả ở dạng embedding. Khi tìm kiếm, nên chọn kích thước đoạn theo nội dung: một vectơ lớn cho cả tài liệu có thể che khuất khác biệt giữa các vấn đề riêng mà tài liệu đề cập. Khi văn bản gốc thay đổi, cũng cần cập nhật biểu diễn trong chỉ mục.\n\n### Điểm khác biệt của G1\n\nThế hệ Titan này dùng biểu diễn cố định 1536 chiều. Amazon mô tả việc huấn luyện trên 25 ngôn ngữ tự nhiên và kiểm thử kỹ nhất bằng tiếng Anh. Với thuật ngữ chuyên môn, cách diễn đạt mơ hồ và các ngôn ngữ khác, nên có một bộ nhỏ truy vấn riêng với các tài liệu phù hợp đã biết trước. G1 chủ yếu dành cho văn bản tự nhiên; thế hệ Titan kế tiếp có thông tin riêng về huấn luyện trên các ngôn ngữ lập trình phục vụ tìm kiếm mã nguồn.",
  "locale": "vi",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Biểu diễn nhúng</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Đầu vào</dt><dd><code>text</code></dd></div><div><dt>Đầu ra</dt><dd><code>embedding</code></dd></div><div><dt>Ngữ cảnh</dt><dd>8.192 <em>token</em></dd></div><div><dt>Độ dài câu trả lời tối đa</dt><dd>Không nêu trong danh mục</dd></div></dl><dl><div><dt>Đầu vào</dt><dd>0,0002 US$ <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/vi/amazon-titan-embed-text-v1/",
    "description": "Chuyển văn bản thành vectơ 1536 chiều để tìm kiếm ngữ nghĩa, chọn nội dung tương tự và phân nhóm tài liệu.",
    "locale": "vi",
    "md_url": "https://ailoot.ai/models/vi/amazon-titan-embed-text-v1/index.md",
    "title": "Amazon: Titan Embeddings G1 - Text",
    "url": "https://ailoot.ai/models/vi/amazon-titan-embed-text-v1/"
  },
  "rawModel": {
    "about": "### Ý nghĩa văn bản trong một vectơ số\n\nAmazon Titan Embeddings G1 là mô hình embedding văn bản của Amazon, còn được gọi là V1. Mô hình chuyển văn bản thành vectơ gồm **1 536 số**. Kết quả giúp ứng dụng so sánh ý nghĩa của các cụm từ và tài liệu ngay cả khi dùng từ khác nhau: chẳng hạn tìm hướng dẫn cập nhật thông tin thanh toán từ câu hỏi về việc đổi chi tiết thanh toán.\n\n### Tìm kiếm, cơ sở tri thức và phân nhóm\n\nG1 phù hợp để chuẩn bị chỉ mục văn bản và tạo biểu diễn tìm kiếm cho truy vấn của người dùng. Trong hệ thống có cơ sở tri thức, đây là một bước của RAG: trước hết tìm các đoạn phù hợp, sau đó một mô hình ngôn ngữ riêng tạo câu trả lời dựa trên chúng. Ở bước này, Titan chỉ trả về vectơ; việc lưu tài liệu, tính độ gần và soạn câu trả lời thuộc về ứng dụng của bạn.\n\nMột cách dùng khác là phân nhóm văn bản. Có thể dùng vectơ để tìm các yêu cầu hỗ trợ tương tự, gom nội dung theo chủ đề hoặc chọn tài liệu gần nghĩa. Các nhóm cụ thể và ngưỡng tương đồng được xác định trong quy trình làm việc, chứ không có sẵn trong embedding dưới dạng nhãn phân loại.\n\n### Chuẩn bị tài liệu\n\n1. Chia bộ sưu tập thành các đoạn rõ nghĩa: mục, đoạn văn hoặc câu trả lời độc lập.\n2. Tạo vectơ cho từng đoạn và lưu mối liên hệ giữa mỗi vectơ với văn bản gốc.\n3. Chuyển truy vấn tìm kiếm theo cùng cách đó.\n4. So sánh với chỉ mục rồi trả tài liệu tìm được cho người dùng hoặc bước xử lý tiếp theo.\n\nTrong Ailoot API, đầu vào văn bản có giới hạn **8 192 token**, kết quả ở dạng embedding. Khi tìm kiếm, nên chọn kích thước đoạn theo nội dung: một vectơ lớn cho cả tài liệu có thể che khuất khác biệt giữa các vấn đề riêng mà tài liệu đề cập. Khi văn bản gốc thay đổi, cũng cần cập nhật biểu diễn trong chỉ mục.\n\n### Điểm khác biệt của G1\n\nThế hệ Titan này dùng biểu diễn cố định 1536 chiều. Amazon mô tả việc huấn luyện trên 25 ngôn ngữ tự nhiên và kiểm thử kỹ nhất bằng tiếng Anh. Với thuật ngữ chuyên môn, cách diễn đạt mơ hồ và các ngôn ngữ khác, nên có một bộ nhỏ truy vấn riêng với các tài liệu phù hợp đã biết trước. G1 chủ yếu dành cho văn bản tự nhiên; thế hệ Titan kế tiếp có thông tin riêng về huấn luyện trên các ngôn ngữ lập trình phục vụ tìm kiếm mã nguồn.",
    "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": "Chuyển văn bản thành vectơ 1536 chiều để tìm kiếm ngữ nghĩa, chọn nội dung tương tự và phân nhóm tài liệu."
  },
  "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": "Chuyển văn bản thành vectơ 1536 chiều để tìm kiếm ngữ nghĩa, chọn nội dung tương tự và phân nhóm tài liệu.",
  "source": {
    "audit_sha256": "2bed3d6b5853405523ec6138b3e6aede55d268d89f4dd1f77794f5a8524dd2d0",
    "bridge_map_sha256": "2bed3d6b5853405523ec6138b3e6aede55d268d89f4dd1f77794f5a8524dd2d0",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "b19bb14e9ea6c9929159d7991d86bef1cfe45f416f190980ed0aa55809725971",
      "renderer_sha256": "ffccf650b2b045469030aaca243b57516126d5829294b601a0deab37de81040a"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "b19bb14e9ea6c9929159d7991d86bef1cfe45f416f190980ed0aa55809725971",
    "renderer_sha256": "ffccf650b2b045469030aaca243b57516126d5829294b601a0deab37de81040a"
  },
  "sourceRevision": "b20fefa68923dccb9f964c2513531799ca5bee2d21f588cafcaceabe8b35cf74"
}