{
  "aboutHtml": "<h3>第二代 Titan 文字嵌入模型</h3><p>Amazon Titan Text Embeddings V2 將文字轉成數值表徵，用於搜尋及其他依語意相近程度運作的工作。模型針對擷取相關片段進行最佳化：使用者以自己的話提問，應用程式再將問題向量與知識庫資料的向量比較。因此不必完全符合關鍵字，也能找到所需資訊。</p><p>V2 與 G1 的差別之一，是預設表徵更精簡：Amazon 文件中預設的向量大小為 <strong>1,024 維</strong>。對應用程式而言，這是所儲存與比較資料的特性。同一索引中的所有項目都必須採用一致的表徵方式；從其他嵌入模型切換時，需要依選定模型重新建立索引。</p><h3>適用情境</h3><ul><li><strong>RAG 與企業搜尋：</strong>建立文件各章節的向量，再擷取片段交給另一個模型回答問題。</li><li><strong>語意相似度：</strong>比較措辭不同的文字，尋找相近內容。</li><li><strong>分群：</strong>透過表徵的接近程度，探索客服問題、評論與文件的主題。</li><li><strong>程式碼搜尋：</strong>為原始碼與相關說明建立搜尋流程。</li></ul><p>Amazon 表示 V2 的訓練涵蓋超過 100 種自然語言及 13 種程式語言，包括 Python、JavaScript、Java、C++、Rust、Go 與 SQL。不過，模型仍主要針對英語文字最佳化。多語知識庫尤其應單獨測試提問語言與文件語言不同的查詢：某種語言曾納入訓練，不代表所有語言組合都有相同品質。</p><h3>在 Ailoot 中使用</h3><p>輸入為文字，輸出為<strong>嵌入向量</strong>。本模型卡的上限為 <strong>8,192 個輸入 token</strong>。建立搜尋索引時，可依標題、章節與段落等語意邊界切分長篇資料，再將各片段與其向量及原文參照一併儲存。</p><h3>實際工作循環</h3><p>從自己的資料集中選出真實問題與合適答案，建立嵌入向量並檢查搜尋結果。在同一組資料上調整片段大小與比較方式，同時保留與原文的關聯。Titan 負責產生數值表徵；比較、結果篩選與答案生成則由應用程式的後續階段執行。這種檢查有助於依專業用語及文件結構選擇索引設定。</p>",
  "aboutText": "### 第二代 Titan 文字嵌入模型\n\nAmazon Titan Text Embeddings V2 將文字轉成數值表徵，用於搜尋及其他依語意相近程度運作的工作。模型針對擷取相關片段進行最佳化：使用者以自己的話提問，應用程式再將問題向量與知識庫資料的向量比較。因此不必完全符合關鍵字，也能找到所需資訊。\n\nV2 與 G1 的差別之一，是預設表徵更精簡：Amazon 文件中預設的向量大小為 **1,024 維**。對應用程式而言，這是所儲存與比較資料的特性。同一索引中的所有項目都必須採用一致的表徵方式；從其他嵌入模型切換時，需要依選定模型重新建立索引。\n\n### 適用情境\n\n- **RAG 與企業搜尋：**建立文件各章節的向量，再擷取片段交給另一個模型回答問題。\n- **語意相似度：**比較措辭不同的文字，尋找相近內容。\n- **分群：**透過表徵的接近程度，探索客服問題、評論與文件的主題。\n- **程式碼搜尋：**為原始碼與相關說明建立搜尋流程。\n\nAmazon 表示 V2 的訓練涵蓋超過 100 種自然語言及 13 種程式語言，包括 Python、JavaScript、Java、C++、Rust、Go 與 SQL。不過，模型仍主要針對英語文字最佳化。多語知識庫尤其應單獨測試提問語言與文件語言不同的查詢：某種語言曾納入訓練，不代表所有語言組合都有相同品質。\n\n### 在 Ailoot 中使用\n\n輸入為文字，輸出為**嵌入向量**。本模型卡的上限為 **8,192 個輸入 token**。建立搜尋索引時，可依標題、章節與段落等語意邊界切分長篇資料，再將各片段與其向量及原文參照一併儲存。\n\n### 實際工作循環\n\n從自己的資料集中選出真實問題與合適答案，建立嵌入向量並檢查搜尋結果。在同一組資料上調整片段大小與比較方式，同時保留與原文的關聯。Titan 負責產生數值表徵；比較、結果篩選與答案生成則由應用程式的後續階段執行。這種檢查有助於依專業用語及文件結構選擇索引設定。",
  "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$0.00004 <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/zh-hant-tw/amazon-titan-embed-text-v2/",
    "description": "為 RAG、語意搜尋及分群建立文字向量，涵蓋多語資料與程式碼搜尋。",
    "locale": "zh-hant-tw",
    "md_url": "https://ailoot.ai/models/zh-hant-tw/amazon-titan-embed-text-v2/index.md",
    "title": "Amazon: Titan Text Embeddings V2",
    "url": "https://ailoot.ai/models/zh-hant-tw/amazon-titan-embed-text-v2/"
  },
  "rawModel": {
    "about": "### 第二代 Titan 文字嵌入模型\n\nAmazon Titan Text Embeddings V2 將文字轉成數值表徵，用於搜尋及其他依語意相近程度運作的工作。模型針對擷取相關片段進行最佳化：使用者以自己的話提問，應用程式再將問題向量與知識庫資料的向量比較。因此不必完全符合關鍵字，也能找到所需資訊。\n\nV2 與 G1 的差別之一，是預設表徵更精簡：Amazon 文件中預設的向量大小為 **1,024 維**。對應用程式而言，這是所儲存與比較資料的特性。同一索引中的所有項目都必須採用一致的表徵方式；從其他嵌入模型切換時，需要依選定模型重新建立索引。\n\n### 適用情境\n\n- **RAG 與企業搜尋：**建立文件各章節的向量，再擷取片段交給另一個模型回答問題。\n- **語意相似度：**比較措辭不同的文字，尋找相近內容。\n- **分群：**透過表徵的接近程度，探索客服問題、評論與文件的主題。\n- **程式碼搜尋：**為原始碼與相關說明建立搜尋流程。\n\nAmazon 表示 V2 的訓練涵蓋超過 100 種自然語言及 13 種程式語言，包括 Python、JavaScript、Java、C++、Rust、Go 與 SQL。不過，模型仍主要針對英語文字最佳化。多語知識庫尤其應單獨測試提問語言與文件語言不同的查詢：某種語言曾納入訓練，不代表所有語言組合都有相同品質。\n\n### 在 Ailoot 中使用\n\n輸入為文字，輸出為**嵌入向量**。本模型卡的上限為 **8,192 個輸入 token**。建立搜尋索引時，可依標題、章節與段落等語意邊界切分長篇資料，再將各片段與其向量及原文參照一併儲存。\n\n### 實際工作循環\n\n從自己的資料集中選出真實問題與合適答案，建立嵌入向量並檢查搜尋結果。在同一組資料上調整片段大小與比較方式，同時保留與原文的關聯。Titan 負責產生數值表徵；比較、結果篩選與答案生成則由應用程式的後續階段執行。這種檢查有助於依專業用語及文件結構選擇索引設定。",
    "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": "為 RAG、語意搜尋及分群建立文字向量，涵蓋多語資料與程式碼搜尋。"
  },
  "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": "為 RAG、語意搜尋及分群建立文字向量，涵蓋多語資料與程式碼搜尋。",
  "source": {
    "audit_sha256": "5d85db23e638696d89fbcc93978ba3efddd1d1c5e31484d69faf1ce97c59449f",
    "bridge_map_sha256": "5d85db23e638696d89fbcc93978ba3efddd1d1c5e31484d69faf1ce97c59449f",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "08df79e5573b62481cbd8a0ed34a3598f20c7af34eaf856e072305074e1afe6c",
      "renderer_sha256": "ff9782d9ac535c4c4d8dcf64caf6d1647fda3a5c20c28fe9033f27d2c7d287f5"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "08df79e5573b62481cbd8a0ed34a3598f20c7af34eaf856e072305074e1afe6c",
    "renderer_sha256": "ff9782d9ac535c4c4d8dcf64caf6d1647fda3a5c20c28fe9033f27d2c7d287f5"
  },
  "sourceRevision": "c256e5619dfc46c967ff8a479c6ef4f05e08adeb6523489a29004b1729f13760"
}