Cookieを使用しています. Cookieとブラウザストレージは、ログイン状態の維持と設定の保存に使われます。許可いただいた場合は、サイトの利用状況も計測します。はいつでも変更できます。詳しくはCookieポリシーをご覧ください。
初めてですか？使い方をご紹介します プレイグラウンド、モデル、APIキーを1分でご案内します。
Cookieを使用しています. Cookieとブラウザストレージは、ログイン状態の維持と設定の保存に使われます。許可いただいた場合は、サイトの利用状況も計測します。はいつでも変更できます。詳しくはCookieポリシーをご覧ください。
amazon/titan-embed-text-v1上記の料金で残高から差し引かれます。新規アカウントには無料利用分があります。
設定
Amazon Titan Embeddings G1 - Textは、Amazonのテキスト埋め込みモデルであり、基盤モデルのTitanファミリーの一部です。これは第一世代のTitanテキスト埋め込みモデルであり、主なカテゴリは埋め込みです。文章を生成するのではなく、意味を表す数値ベクトルにテキストを変換するため、検索、取得、類似性システムの構成要素となります。
このモデルはテキスト入力のみを受け付け、出力として埋め込みを返します。各入力は最大8,192トークンの長さまで可能であり、かなり大きな文書や長い passage を単一のリクエストで埋め込むことができます。固定の1,536次元ベクトルを返すため、出力の形状は予測可能で呼び出し間で一貫しており、ベクトルデータベースへの保存やベクトル間の比較が簡素化されます。最大出力は7,372です。
このモデルはテキストではなく埋め込みを生成するため、ユースケースは類似性と取得から導かれます。文書のコーパスを埋め込み、リクエスト時にユーザークエリを埋め込み、ベクトル類似性で文書をランク付けすることで、社内ナレッジベース、ドキュメント、製品カタログに対するセマンティック検索を構築できます。同じアプローチは、関連する passage を取得して別のテキスト生成モデルに渡す検索拡張生成も支援します。埋め込みはまた、大規模なテキストコレクションのクラスタリングとトピックグループ化、ほぼ同一のコンテンツの重複排除、文書ベクトルをラベル付き例と比較することによる分類、キーワードの重複ではなくセマンティックな近さに依存する推薦やマッチング機能にも適しています。8,192トークンの入力制限により、長い記事やレポートを多数の小さなチャンクに分割せずに埋め込むことができますが、passage レベルの取得が必要な場合はチャンク化が依然として好ましい場合があります。
モデルID「amazon/titan-embed-text-v1」を使用して、api14のOpenAI互換APIを通じてこのモデルを呼び出します。インターフェースはOpenAIの埋め込み規約に従っているため、既存のOpenAIクライアントライブラリとSDKはapi14のベースURLを指定し、そのモデルIDで埋め込みリクエストを送信できます。これにより、既に埋め込みパイプラインがある場合の統合作業を小さく保てます。このモデルは標準の埋め込みリクエストフィールド以外にサポートされるリクエストパラメータをリストしていないため、入力テキストとモデルIDを送信し、返された1,536次元ベクトルを直接処理することを計画してください。
埋め込みモデルがそもそも適切かどうかを検討してください。このモデルはテキストを生成しないため、要約、質問応答、チャットなどのタスクには別のテキスト生成モデルが必要であり、Titan Embeddingsは取得のために併用されます。異なるベクトルサイズや新しい世代のTitan埋め込みが必要な場合は、このモデルIDにコミットする前に、api14がAmazonプロバイダーの下で他に何を公開しているかを確認してください。
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));
このコミュニティにはまだトピックがありません。Amazon: Titan Embeddings G1 - Textについて最初のトピックを立てましょう。