{
  "aboutHtml": "<h3>以數值向量表達文字語意</h3><p>Amazon Titan Embeddings G1 是 Amazon 的文字嵌入模型，也稱為 V1。它將文字轉換為由 <strong>1,536 個數值</strong>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。</p><h3>搜尋、知識庫與分群</h3><p>G1 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。</p><p>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。</p><h3>如何準備資料</h3><ol><li>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。</li><li>取得這些片段的向量，並保留每個向量與原文的對應關係。</li><li>以相同方式轉換搜尋查詢。</li><li>與索引比較，將找到的資料交給使用者或下一處理階段。</li></ol><p>Ailoot 接受最多 <strong>8,192 個 token</strong> 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。</p><h3>G1 的特色</h3><p>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。</p>",
  "aboutText": "### 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。",
  "locale": "zh-hant-tw",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> 嵌入向量</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>輸入</dt><dd><code>text</code></dd></div><div><dt>輸出</dt><dd><code>embedding</code></dd></div><div><dt>上下文</dt><dd>8,192 <em>token</em></dd></div><div><dt>最大回應</dt><dd>型錄未列明</dd></div></dl><dl><div><dt>輸入</dt><dd>US$0.0002 <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/zh-hant-tw/amazon-titan-embed-text-v1/",
    "description": "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。",
    "locale": "zh-hant-tw",
    "md_url": "https://ailoot.ai/models/zh-hant-tw/amazon-titan-embed-text-v1/index.md",
    "title": "Amazon: Titan Embeddings G1 - Text",
    "url": "https://ailoot.ai/models/zh-hant-tw/amazon-titan-embed-text-v1/"
  },
  "rawModel": {
    "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。"
  },
  "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": "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。",
  "source": {
    "audit_sha256": "c19b3fbe0550f0c24e64d8d389e18768491bcb002954b812a8b5f881db834071",
    "bridge_map_sha256": "c19b3fbe0550f0c24e64d8d389e18768491bcb002954b812a8b5f881db834071",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "79d0464269b552a90e56975bff3dc5a7e8725f512bbfa1395ced3c015a7ede0c",
      "renderer_sha256": "ff9782d9ac535c4c4d8dcf64caf6d1647fda3a5c20c28fe9033f27d2c7d287f5"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "79d0464269b552a90e56975bff3dc5a7e8725f512bbfa1395ced3c015a7ede0c",
    "renderer_sha256": "ff9782d9ac535c4c4d8dcf64caf6d1647fda3a5c20c28fe9033f27d2c7d287f5"
  },
  "sourceRevision": "b71cf2b3fe277b5abdad325cfee87a0fcaa28168345f12e745acc00f17574805"
}