Source: https://ailoot.ai/models/vi/amazon-titan-embed-text-v1/ Canonical: https://ailoot.ai/models/vi/amazon-titan-embed-text-v1/ Language: vi # Amazon: Titan Embeddings G1 - Text [Markdown](https://ailoot.ai/models/vi/amazon-titan-embed-text-v1/index.md) · [JSON](https://ailoot.ai/models/vi/amazon-titan-embed-text-v1/facts.json) ## [Amazon: Titan Embeddings G1 - Text](https://ailoot.ai/models/vi/amazon-titan-embed-text-v1/) `amazon/titan-embed-text-v1` AmazonBiểu diễn nhúngĐầu vào 0,0002 US$ / 1KĐầu ra — Chuyển văn bản thành vectơ 1536 chiều để tìm kiếm ngữ nghĩa, chọn nội dung tương tự và phân nhóm tài liệu. ### Ý nghĩa văn bản trong một vectơ số 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 **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. ### Tìm kiếm, cơ sở tri thức và phân nhóm 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. 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. ### Chuẩn bị tài liệu 1. Chia bộ sưu tập thành các đoạn rõ nghĩa: mục, đoạn văn hoặc câu trả lời độc lập. 2. Tạo vectơ cho từng đoạn và lưu mối liên hệ giữa mỗi vectơ với văn bản gốc. 3. Chuyển truy vấn tìm kiếm theo cùng cách đó. 4. So sánh với chỉ mục rồi trả tài liệu tìm được cho người dùng hoặc bước xử lý tiếp theo. Trong 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. ### Điểm khác biệt của G1 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. ### Có sẵn qua Ailoot API Đầu vào `text` Đầu ra `embedding` Ngữ cảnh 8.192 *token* Độ dài câu trả lời tối đa Không nêu trong danh mục Đầu vào 0,0002 US$ */ 1K* `amazon/titan-embed-text-v1` · JSON ``` {"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."} ``` ## Câu hỏi Làm sao chọn mô hình cho tác vụ của tôi? Trước tiên xác định đầu vào và đầu ra cần thiết: văn bản, hình ảnh, âm thanh hay video. Sau đó so sánh phương thức API tương thích, ID mô hình chính xác hoặc mô hình đích hiện tại của bí danh, giá và đơn vị tính phí. GET /v1/models miễn phí và liệt kê các mô hình mà khóa của bạn có thể truy cập. Mỗi mô hình có hỗ trợ mọi phương thức API và loại nội dung không? Dùng các phương thức API và loại đầu vào, đầu ra được liệt kê trên thẻ mô hình. Việc hỗ trợ văn bản, hình ảnh, âm thanh hay video phụ thuộc vào mô hình và phương thức đã chọn; xem ví dụ yêu cầu trước khi gửi dữ liệu. ID mô hình khác bí danh như thế nào? ID chính xác chỉ một mô hình cụ thể. Bí danh trỏ đến một mô hình và mô hình đích có thể thay đổi. Kiểm tra mô hình đích hiện tại của bí danh trong danh mục; dùng ID chính xác khi tích hợp cần một mô hình cụ thể. Làm sao so sánh giá trước khi gửi yêu cầu? Xem giá và đơn vị tính phí của phương thức API đã chọn trên thẻ mô hình. So sánh cùng đơn vị và loại đầu vào, đầu ra; lịch sử yêu cầu hiển thị mức sử dụng thực tế và số tiền đã trừ. Thuê bao mang lại gì? Giảm giá mua token cho nhu cầu thường xuyên. Chọn gói theo khối lượng yêu cầu; điều khoản và giá thuê bao hiển thị khi đăng ký. Làm sao áp dụng mã giảm đến 50%? Nhập mã khuyến mãi khi mua token. Tổng tiền được tính lại theo điều kiện chương trình; mức giảm hiển thị trước khi thanh toán. ## Ailoot · Công ty và danh mục dự án của công ty Ailoot dựa trên kinh nghiệm vận hành tích lũy, cơ sở khách hàng lớn, dịch vụ ổn định và việc kiểm soát KPI liên tục. Công ty và danh mục dự án của công ty: hàng triệu khách hàng; doanh số hàng tỷ mỗi tháng. Ailoot áp dụng kinh nghiệm vận hành này để cung cấp quyền truy cập API vào các tính năng AI trong sản phẩm của khách hàng, tác tử, ứng dụng và quy trình tự động hóa.