We gebruiken cookies. Cookies en browseropslag houden je ingelogd en onthouden je voorkeuren. Met je toestemming meten we ook hoe de site wordt gebruikt. Je kunt je wanneer je wilt. Zie ons cookiebeleid.
amazon/titan-embed-text-v1Draait op je saldo tegen de prijzen hierboven. Nieuwe accounts beginnen met gratis gebruik.
Instellingen
Amazon Titan Embeddings G1 - Text is een tekstembeddingmodel van Amazon, onderdeel van de Titan-familie van basismodellen. Het is een eerste-generatie Titan-tekstembeddingmodel, en de hoofdcategorie is embeddings. In plaats van proza te genereren, zet het tekst om in numerieke vectoren die betekenis vertegenwoordigen, wat het een bouwsteen maakt voor zoek-, retrieval- en gelijkenissystemen.
Het model accepteert alleen tekstinvoer en retourneert embeddings als uitvoer. Elke invoer kan tot 8.192 tokens lang zijn, waardoor redelijk grote documenten of lange passages in één verzoek kunnen worden geëmbed. Het retourneert vaste vectoren van 1.536 dimensies, dus de vorm van de uitvoer is voorspelbaar en consistent tussen aanroepen, wat opslag in een vectordatabase en vergelijking tussen vectoren vereenvoudigt. De maximale uitvoer is 7.372.
Omdat het model embeddings produceert in plaats van tekst, volgen de use cases uit gelijkenis en retrieval. Je kunt een corpus van documenten embedden en gebruikersqueries op verzoekmoment embedden, en vervolgens documenten rangschikken op vectorgelijkenis om semantisch zoeken over interne kennisbanken, documentatie of productcatalogi te bouwen. Dezelfde aanpak ondersteunt retrieval augmented generation, waarbij relevante passages worden opgehaald en doorgegeven aan een apart tekstgeneratiemodel. Embeddings passen ook bij clustering en topicgroepering van grote tekstverzamelingen, deduplicatie van bijna-identieke inhoud, classificatie door een documentvector te vergelijken met gelabelde voorbeelden, en aanbevelings- of matchingfuncties die leunen op semantische nabijheid in plaats van keyword-overlap. De invoerlimiet van 8.192 tokens betekent dat lange artikelen en rapporten kunnen worden geëmbed zonder ze in veel kleine chunks te splitsen, hoewel chunking nog steeds de voorkeur kan hebben wanneer je retrieval op passageniveau nodig hebt.
Je roept het model aan via de OpenAI-compatibele API van api14 met het model-id "amazon/titan-embed-text-v1". Omdat de interface de OpenAI-embeddingsconventie volgt, kunnen bestaande OpenAI-clientbibliotheken en SDK's naar de base-URL van api14 wijzen en embeddingverzoeken met dat model-id versturen, wat het integratiewerk klein houdt als je al een embeddingspipeline hebt. Het model vermeldt geen ondersteunde verzoekparameters buiten de standaard embeddingverzoekvelden, dus reken erop dat je invoertekst en het model-id verstuurt, en verwerk de geretourneerde vectoren van 1.536 dimensies rechtstreeks.
Overweeg of een embeddingmodel überhaupt de juiste keuze is: dit model genereert geen tekst, dus taken zoals samenvatten, vraagbeantwoording of chat hebben een apart tekstgeneratiemodel nodig, met Titan Embeddings ernaast voor retrieval. Als je een andere vectorgrootte of een nieuwere generatie Titan-embeddings nodig hebt, controleer dan wat api14 nog meer aanbiedt onder de Amazon-provider voordat je je aan dit model-id vastlegt.
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));
Deze community heeft nog geen topics. Open het eerste topic over Amazon: Titan Embeddings G1 - Text.