Amazon
Amazon Titan Embed v2
Semantik arama ve RAG pipeline'ları için
Input 3 kredi/1M token
Output 0 kredi/1M token
Embedding 8K token
Hakkında
Amazon cok dilli embedding. 1024 boyut, 8K token. En uygun fiyat.
Kullanım Alanları
- › Semantik arama ve belge erişimi
- › RAG (Retrieval-Augmented Generation) pipeline'ları
- › Metin benzerliği ve kümeleme analizi
- › Öneri sistemleri ve kişiselleştirme
- › Anlamsal metin sınıflandırması
- Provider
- Amazon
- Tür
- Embedding
- Boyut
- 8K token
- Model ID
- titan-embed-v2
- Input Fiyat
- 3 kredi/1M token
- Output Fiyat
- 0 kredi/1M token
Benzer Modeller
OpenAI SDK ile dakikalar içinde entegre edin.
Authentication #
API anahtarınızı ortam değişkeni olarak tanımlayın.
python
import os
os.environ["OPENAI_API_KEY"] = "pk-..."Kurulum #
OpenAI SDK'yi yükleyin.
python
pip install openaiEmbedding Oluştur #
Tek bir metin için vektörel temsil oluşturun.
python
from openai import OpenAI
client = OpenAI(
base_url="https://api.parel.cloud/v1",
api_key="pk-...",
)
response = client.embeddings.create(
model="titan-embed-v2",
input="Ornek metin",
)
embedding = response.data[0].embedding
print(f"Boyut: {len(embedding)}")
print(embedding[:5])Toplu Embedding #
Birden fazla metin icin tek istekte embedding alin.
python
from openai import OpenAI
client = OpenAI(
base_url="https://api.parel.cloud/v1",
api_key="pk-...",
)
response = client.embeddings.create(
model="titan-embed-v2",
input=[
"Birinci metin",
"Ikinci metin",
"Ucuncu metin",
],
)
for i, item in enumerate(response.data):
print(f"[{i}] Boyut: {len(item.embedding)}")Cosine Similarity #
İki metin arasındaki benzerlik skorunu hesaplayın.
python
import numpy as np
from openai import OpenAI
client = OpenAI(
base_url="https://api.parel.cloud/v1",
api_key="pk-...",
)
def get_embedding(text: str) -> list[float]:
response = client.embeddings.create(
model="titan-embed-v2",
input=text,
)
return response.data[0].embedding
def cosine_similarity(a, b):
a, b = np.array(a), np.array(b)
return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))
e1 = get_embedding("Istanbul'un nufusu kac?")
e2 = get_embedding("Istanbul'da kac kisi yasiyor?")
e3 = get_embedding("Bugun hava nasil?")
print(f"Benzer: {cosine_similarity(e1, e2):.4f}")
print(f"Farkli: {cosine_similarity(e1, e3):.4f}")Kayıt olun, API anahtarınızı alın.