Kami menggunakan cookie. Cookie dan penyimpanan browser menjaga Anda tetap masuk dan mengingat preferensi Anda. Dengan izin Anda, kami juga mengukur cara situs digunakan. Anda dapat kapan saja. Lihat kebijakan cookie kami.
amazon/titan-embed-text-v1Berjalan dengan saldo Anda sesuai harga di atas. Akun baru mendapat pemakaian gratis.
Pengaturan
Amazon Titan Embeddings G1 - Text adalah model embedding teks dari Amazon, bagian dari keluarga model foundation Titan. Ini adalah model embedding teks Titan generasi pertama, dan kategori utamanya adalah embeddings. Alih-alih menghasilkan prosa, model ini mengubah teks menjadi vektor numerik yang merepresentasikan makna, yang menjadikannya blok pembangun untuk sistem pencarian, pengambilan, dan kemiripan.
Model ini hanya menerima input teks dan mengembalikan embeddings sebagai output. Setiap input dapat mencapai 8.192 token, yang memungkinkan dokumen atau bagian panjang untuk di-embed dalam satu permintaan. Model ini mengembalikan vektor tetap berdimensi 1.536, sehingga bentuk output dapat diprediksi dan konsisten di setiap pemanggilan, yang menyederhanakan penyimpanan di basis data vektor dan perbandingan antar vektor. Output maksimum adalah 7.372.
Karena model ini menghasilkan embeddings, bukan teks, kasus penggunaannya mengikuti kemiripan dan pengambilan. Anda dapat melakukan embed pada korpus dokumen dan melakukan embed pada kueri pengguna saat permintaan, lalu memberi peringkat dokumen berdasarkan kemiripan vektor untuk membangun pencarian semantik atas basis pengetahuan internal, dokumentasi, atau katalog produk. Pendekatan yang sama mendukung retrieval augmented generation, di mana bagian yang relevan diambil dan diteruskan ke model generasi teks terpisah. Embeddings juga cocok untuk pengelompokan dan pengelompokan topik dari koleksi teks besar, deduplikasi konten yang hampir identik, klasifikasi dengan membandingkan vektor dokumen dengan contoh berlabel, serta fitur rekomendasi atau pencocokan yang bergantung pada kedekatan semantik alih-alih tumpang tindih kata kunci. Batas input 8.192 token berarti artikel dan laporan panjang dapat di-embed tanpa memecahnya menjadi banyak potongan kecil, meskipun pemotongan mungkin masih lebih disukai ketika Anda memerlukan pengambilan tingkat bagian.
Anda memanggil model ini melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "amazon/titan-embed-text-v1". Karena antarmukanya mengikuti konvensi embeddings OpenAI, pustaka klien dan SDK OpenAI yang ada dapat diarahkan ke base URL api14 dan mengirim permintaan embedding dengan model id tersebut, yang menjaga pekerjaan integrasi tetap kecil jika Anda sudah memiliki pipeline embeddings. Model ini tidak mencantumkan parameter permintaan yang didukung selain field permintaan embedding standar, jadi rencanakan untuk mengirim teks input dan model id, lalu tangani vektor berdimensi 1.536 yang dikembalikan secara langsung.
Pertimbangkan apakah model embedding memang cocok: model ini tidak menghasilkan teks, sehingga tugas seperti peringkasan, tanya jawab, atau obrolan memerlukan model generasi teks terpisah, dengan Titan Embeddings digunakan bersamanya untuk pengambilan. Jika Anda memerlukan ukuran vektor yang berbeda atau generasi Titan embeddings yang lebih baru, periksa apa lagi yang disediakan api14 di bawah penyedia Amazon sebelum memutuskan untuk menggunakan model id ini.
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));
Komunitas ini belum memiliki topik. Buka topik pertama tentang Amazon: Titan Embeddings G1 - Text.