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-v2ऊपर दी गई कीमतों पर आपके बैलेंस से चलता है। नए अकाउंट मुफ्त उपयोग से शुरू होते हैं।
सेटिंग्स
Amazon Titan Text Embeddings V2, Amazon का एक टेक्स्ट एम्बेडिंग मॉडल है, जो api14 पर मॉडल आईडी amazon/titan-embed-text-v2 के तहत सूचीबद्ध है। यह embeddings श्रेणी से संबंधित है, इसलिए इसका काम गद्य उत्पन्न करना या बातचीत जारी रखना नहीं, बल्कि टेक्स्ट को वेक्टर में बदलना है। यदि आपके एप्लिकेशन को टेक्स्ट का ऐसा संख्यात्मक प्रतिनिधित्व चाहिए जो अर्थपूर्ण अर्थ को पकड़ता हो, तो यह उस प्रकार का मॉडल है जिसे आप चुनते हैं।
मॉडल अपने एकमात्र इनपुट के रूप में टेक्स्ट लेता है और आउटपुट के रूप में embeddings लौटाता है। यह प्रति इनपुट अधिकतम 8,192 टोकन स्वीकार करता है, जो एक लंबे दस्तावेज़ अनुभाग, एक पूरे लेख, या ज्ञान आधार प्रविष्टि के एक बड़े हिस्से के लिए पर्याप्त जगह है, बिना पहले उसे विभाजित किए। यह जो वेक्टर लौटाता है वे सामान्यीकृत होते हैं और उनमें 1,024 आयाम होते हैं, इसलिए आप उन्हें अतिरिक्त सामान्यीकरण चरणों के बिना सीधे cosine similarity या dot product से तुलना कर सकते हैं। अधिकतम आउटपुट 7,372 है।
ये विशेषताएँ कुछ व्यावहारिक उपयोगों की ओर संकेत करती हैं। Retrieval augmented generation स्पष्ट उपयोग है: अपने दस्तावेज़ों को एक बार embed करें, अनुरोध के समय उपयोगकर्ता क्वेरी को embed करें, और generation मॉडल में फीड करने के लिए निकटतम chunks प्राप्त करें। उत्पाद कैटलॉग, सपोर्ट टिकट, या आंतरिक दस्तावेज़ीकरण पर semantic search इसी तरह काम करता है, और यह उन paraphrases को संभालता है जिन्हें keyword search छोड़ देता। Clustering और topic discovery को निश्चित 1,024 आयाम वाले वेक्टर से लाभ होता है, क्योंकि आप उन पर सीधे k-means या समान एल्गोरिदम चला सकते हैं। Deduplication और near-duplicate detection भी स्वाभाविक रूप से उपयुक्त हैं, जैसा कि एक ऐसी recommendation परत बनाना है जो वस्तुओं को टैग के बजाय अर्थ के आधार पर मिलाती है।
आप इसे api14 के OpenAI-compatible API के माध्यम से मॉडल आईडी amazon/titan-embed-text-v2 का उपयोग करके कॉल करते हैं, इसलिए कोई भी क्लाइंट जो पहले से OpenAI embeddings प्रारूप बोलता है, न्यूनतम परिवर्तनों के साथ काम करेगा। अपने base URL को api14 पर इंगित करें, अपनी api14 key पास करें, और उस मॉडल आईडी के साथ अपने टेक्स्ट को embeddings endpoint पर भेजें। मॉडल endpoint की आवश्यकताओं से अतिरिक्त कोई अनुरोध पैरामीटर समर्थित नहीं करता, इसलिए अपने अनुरोध को सरल रखें और ऐसे tuning विकल्प पास करने से बचें जिन्हें लागू नहीं किया जाएगा। चूंकि यह एक embedding मॉडल है, यह chat शैली के संदेश स्वीकार नहीं करता या उत्पन्न टेक्स्ट नहीं लौटाता।
एक बात ध्यान में रखें कि यह मॉडल केवल टेक्स्ट संभालता है। यदि आपके इनपुट में छवियाँ, ऑडियो, या अन्य modalities शामिल हैं, तो आपको एक अलग मॉडल की आवश्यकता होगी। इसी तरह, यदि आपको ऐसा assistant चाहिए जो टेक्स्ट को संख्यात्मक रूप से निरूपित करने के बजाय उत्तर लिखे, तो embedding मॉडल गलत उपकरण है, और आप इसके बजाय इसे एक generation मॉडल के साथ जोड़ेंगे। हालाँकि, अपने दायरे के भीतर, यह retrieval, search, और clustering कार्यों को ऐसी context window के साथ कवर करता है जो अधिकांश दस्तावेज़ chunks के लिए पर्याप्त बड़ी 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-v2",
"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 Text Embeddings V2 के बारे में पहला टॉपिक खोलें।