Amazon: Titan Embeddings G1 - Text

{"about":"### 以數值向量表達文字語意\n\nAmazon Titan Embeddings G1 是 Amazon 的文字嵌入模型，也稱為 V1。它將文字轉換為由 **1,536 個數值**組成的向量。這能協助應用程式依語意比較詞句與文件，即使使用的詞彙不同也能比對：例如，根據詢問變更付款資訊的問題，找到修改帳務資料的說明。\n\n### 搜尋、知識庫與分群\n\nG1 適合建立文字索引，並將使用者查詢轉為搜尋表徵。在知識庫系統中，這是 RAG 的其中一個階段：先找出相關片段，再由另一個語言模型根據片段組織答案。Titan 在此階段只傳回向量；文件儲存、相似度計算及答案組合都由應用程式負責。\n\n另一種用法是文字分群。向量可用來尋找相似客服問題、依主題整理資料，或挑出相近文件。實際分類與相似度門檻由工作流程設定，嵌入向量本身不含現成標籤。\n\n### 如何準備資料\n\n1. 將資料集分成清楚的片段，例如章節、段落或可獨立理解的答案。\n2. 取得這些片段的向量，並保留每個向量與原文的對應關係。\n3. 以相同方式轉換搜尋查詢。\n4. 與索引比較，將找到的資料交給使用者或下一處理階段。\n\nAiloot 接受最多 **8,192 個 token** 的文字輸入，結果為嵌入向量。搜尋用的片段大小宜依內容決定：用一個大型向量代表整份文件，可能掩蓋文件中不同問題之間的差異。原文更新時，也要更新索引中的表徵。\n\n### G1 的特色\n\n這一代 Titan 使用固定的 1536 維表徵。Amazon 說明其訓練涵蓋 25 種自然語言，並以英語進行最完整的測試。針對專業術語、語意模糊的說法及其他語言，適合準備一小組自有查詢，並事先標出對應文件。G1 主要用於自然語言文字；若要搜尋原始碼，下一代 Titan 另有程式語言訓練的相關說明。","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":"將文字轉成 1536 維向量，用於語意搜尋、尋找相似內容及文件分群。"}