हम cookies इस्तेमाल करते हैं. Cookies और ब्राउज़र स्टोरेज आपको साइन इन रखते हैं और आपकी प्राथमिकताएं याद रखते हैं। आपकी अनुमति से हम यह भी मापते हैं कि साइट कैसे इस्तेमाल होती है। आप कभी भी । हमारी cookie नीति देखें।
amazon/titan-embed-text-v1ऊपर दी गई कीमतों पर आपके बैलेंस से चलता है। नए अकाउंट मुफ्त उपयोग से शुरू होते हैं।
सेटिंग्स
Amazon Titan Embeddings G1 - Text, Amazon की ओर से एक टेक्स्ट एम्बेडिंग मॉडल है, जो Titan फाउंडेशन मॉडल परिवार का हिस्सा है। यह पहली पीढ़ी का Titan टेक्स्ट एम्बेडिंग मॉडल है, और इसकी मुख्य श्रेणी embeddings है। गद्य उत्पन्न करने के बजाय, यह टेक्स्ट को संख्यात्मक वेक्टर में बदलता है जो अर्थ दर्शाते हैं, जिससे यह खोज, पुनर्प्राप्ति और समानता प्रणालियों के लिए एक निर्माण खंड बन जाता है।
मॉडल केवल टेक्स्ट इनपुट स्वीकार करता है और आउटपुट के रूप में embeddings लौटाता है। प्रत्येक इनपुट अधिकतम 8,192 टोकन तक लंबा हो सकता है, जिससे काफी बड़े दस्तावेज़ या लंबे अंश एक ही अनुरोध में एम्बेड किए जा सकते हैं। यह निश्चित 1,536-आयामी वेक्टर लौटाता है, इसलिए आउटपुट का आकार अनुमानित और प्रत्येक कॉल में सुसंगत रहता है, जो वेक्टर डेटाबेस में भंडारण और वेक्टर के बीच तुलना को सरल बनाता है। अधिकतम आउटपुट 7,372 है।
चूंकि मॉडल टेक्स्ट के बजाय embeddings उत्पन्न करता है, उपयोग के मामले समानता और पुनर्प्राप्ति से निकलते हैं। आप दस्तावेज़ों के एक कोष को एम्बेड कर सकते हैं और अनुरोध के समय उपयोगकर्ता क्वेरी को एम्बेड कर सकते हैं, फिर आंतरिक ज्ञान आधार, दस्तावेज़ीकरण या उत्पाद कैटलॉग पर सिमेंटिक खोज बनाने के लिए वेक्टर समानता के आधार पर दस्तावेज़ों को रैंक कर सकते हैं। यही दृष्टिकोण retrieval augmented generation का समर्थन करता है, जहां प्रासंगिक अंश प्राप्त किए जाते हैं और एक अलग टेक्स्ट जनरेशन मॉडल को पास किए जाते हैं। Embeddings बड़े टेक्स्ट संग्रहों के क्लस्टरिंग और विषय समूहन, लगभग समान सामग्री के डुप्लिकेशन हटाने, किसी दस्तावेज़ वेक्टर की लेबल किए गए उदाहरणों से तुलना करके वर्गीकरण, और उन अनुशंसा या मिलान सुविधाओं के लिए भी उपयुक्त हैं जो कीवर्ड ओवरलैप के बजाय सिमेंटिक निकटता पर निर्भर करती हैं। 8,192 टोकन की इनपुट सीमा का मतलब है कि लंबे लेख और रिपोर्ट कई छोटे हिस्सों में विभाजित किए बिना एम्बेड किए जा सकते हैं, हालांकि जब आपको अंश-स्तरीय पुनर्प्राप्ति की आवश्यकता हो तो chunking अभी भी बेहतर हो सकती है।
आप मॉडल को api14 के OpenAI-संगत API के माध्यम से मॉडल आईडी "amazon/titan-embed-text-v1" का उपयोग करके कॉल करते हैं। चूंकि इंटरफ़ेस OpenAI embeddings परंपरा का पालन करता है, मौजूदा OpenAI क्लाइंट लाइब्रेरी और SDKs api14 के बेस URL की ओर इंगित कर सकते हैं और उस मॉडल आईडी के साथ embedding अनुरोध भेज सकते हैं, जिससे यदि आपके पास पहले से embeddings पाइपलाइन है तो एकीकरण कार्य कम रहता है। मॉडल मानक embedding अनुरोध फ़ील्ड के अलावा कोई समर्थित अनुरोध पैरामीटर सूचीबद्ध नहीं करता है, इसलिए इनपुट टेक्स्ट और मॉडल आईडी भेजने की योजना बनाएं, और लौटाए गए 1,536-आयामी वेक्टर को सीधे संभालें।
विचार करें कि क्या embedding मॉडल बिल्कुल उपयुक्त है: यह मॉडल टेक्स्ट उत्पन्न नहीं करता है, इसलिए सारांशीकरण, प्रश्न उत्तर या चैट जैसे कार्यों के लिए एक अलग टेक्स्ट जनरेशन मॉडल की आवश्यकता होती है, जिसके साथ पुनर्प्राप्ति के लिए Titan Embeddings का उपयोग किया जाता है। यदि आपको भिन्न वेक्टर आकार या Titan embeddings की नई पीढ़ी चाहिए, तो इस मॉडल आईडी के लिए प्रतिबद्ध होने से पहले जांचें कि api14 Amazon प्रदाता के अंतर्गत और क्या प्रदान करता है।
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.embeddings.create({
"model": "amazon/titan-embed-text-v1",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
इस कम्युनिटी में अभी कोई टॉपिक नहीं है। Amazon: Titan Embeddings G1 - Text के बारे में पहला टॉपिक खोलें।