Vi använder cookies. Cookies och webbläsarlagring håller dig inloggad och kommer ihåg dina preferenser. Med ditt tillstånd mäter vi också hur webbplatsen används. Du kan när som helst. Läs vår cookiepolicy.
amazon/titan-embed-text-v1Körs på ditt saldo till priserna ovan. Nya konton börjar med gratis användning.
Inställningar
Amazon Titan Embeddings G1 - Text är en textinbäddningsmodell från Amazon, en del av Titan-familjen av basmodeller. Det är en förstagenerationsmodell för Titan-textinbäddning, och dess huvudkategori är inbäddningar. Istället för att generera prosa omvandlar den text till numeriska vektorer som representerar betydelse, vilket gör den till en byggsten för sökning, hämtning och likhetssystem.
Modellen accepterar endast textinmatning och returnerar inbäddningar som utdata. Varje inmatning kan vara upp till 8 192 tokens lång, vilket gör att ganska stora dokument eller långa stycken kan bäddas in i en enda begäran. Den returnerar fasta vektorer med 1 536 dimensioner, så utdatans form är förutsägbar och konsekvent mellan anrop, vilket förenklar lagring i en vektordatabas och jämförelse mellan vektorer. Maximal utdata är 7 372.
Eftersom modellen producerar inbäddningar snarare än text följer användningsfallen av likhet och hämtning. Du kan bädda in en dokumentkorpus och bädda in användarfrågor vid begäran, och sedan rangordna dokument efter vektorlikhet för att bygga semantisk sökning över interna kunskapsbaser, dokumentation eller produktkataloger. Samma tillvägagångssätt stöder hämtningsförstärkt generering, där relevanta stycken hämtas och skickas till en separat textgenereringsmodell. Inbäddningar passar också för klustring och ämnesgruppering av stora textsamlingar, avduplicering av nästan identiskt innehåll, klassificering genom att jämföra en dokumentvektor med märkta exempel, och rekommendations- eller matchningsfunktioner som bygger på semantisk närhet snarare än nyckelordsöverlappning. Gränsen på 8 192 tokens för inmatning innebär att långa artiklar och rapporter kan bäddas in utan att delas upp i många små bitar, även om uppdelning fortfarande kan vara att föredra när du behöver hämtning på styckenivå.
Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id:t "amazon/titan-embed-text-v1". Eftersom gränssnittet följer OpenAI:s konvention för inbäddningar kan befintliga OpenAI-klientbibliotek och SDK:er peka på api14:s bas-URL och skicka inbäddningsbegäranden med det modell-id:t, vilket håller integrationsarbetet litet om du redan har en pipeline för inbäddningar. Modellen listar inga stödda begärandeparametrar utöver standardfälten för inbäddningsbegäranden, så räkna med att skicka inmatningstext och modell-id:t, och hantera de returnerade vektorerna med 1 536 dimensioner direkt.
Överväg om en inbäddningsmodell alls är rätt val: den här modellen genererar inte text, så uppgifter som sammanfattning, frågebesvarande eller chatt behöver en separat textgenereringsmodell, med Titan Embeddings använd vid sidan av den för hämtning. Om du behöver en annan vektorstorlek eller en nyare generation av Titan-inbäddningar, kontrollera vad api14 annars exponerar under Amazon-leverantören innan du binder dig till detta modell-id.
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));
Den här communityn har inga trådar ännu. Starta den första om Amazon: Titan Embeddings G1 - Text.