amazon/Titan-text-embeddings-v2

amazon/Titan-text-embeddings-v2 est un modèle propriétaire d’Amazon, lancé le 30 avril 2024 et accessible dans Amazon Bedrock. Il produit des représentations denses et permet de choisir la dimension de sortie ainsi que d’activer ou non la normalisation des vecteurs.

Le modèle transforme les textes en vecteurs numériques destinés à la recherche sémantique, au RAG, au calcul de similarité et au clustering. Il s’utilise avec l’API InvokeModel pour intégrer les requêtes en temps réel, ou avec les traitements par lots de Bedrock pour indexer un corpus.

Caractéristiques

Performances (benchmarks)

Scores issus de MTEB (Massive Text Embedding Benchmark), suite d'évaluation indépendante. Le rang situe le modèle parmi les modèles d'embedding évalués sur le même track.

Comment se situe-t-il ?

Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.

Notre analyse

Forces. Son principal résultat public concerne BEIR, qui évalue la recherche zero-shot sur des tâches et domaines hétérogènes. Son classement dans la première moitié du benchmark indique une aptitude correcte au retrieval généraliste, sans le placer parmi les références dominantes. Le choix de la dimension permet d’arbitrer entre richesse de représentation et compacité de l’index. La normalisation optionnelle facilite l’adaptation du vecteur à la méthode de similarité retenue. Pour le RAG, la séparation entre intégration des requêtes par API et indexation du corpus par lots correspond à un déploiement opérationnel courant.

Limites et points d'attention. Sorti en 2024, le modèle appartient à une génération déjà ancienne à l’échelle de l’IA et peut être dépassé par des embeddings plus récents. Son rang sur BEIR reste intermédiaire. Une dimension élevée alourdit le stockage des index et le coût de la recherche, tandis qu’une dimension réduite privilégie la compacité. Le modèle dépend de Bedrock et des conditions de service AWS, plutôt que d’une licence ouverte permettant l’auto-hébergement. Les usages pertinents sont la recherche sémantique généraliste, le RAG sur corpus indexé, la similarité de textes et le clustering dans l’écosystème Amazon Bedrock.

Sources des données : MTEB — Massive Text Embedding Benchmark · LLM-Stats (llm-stats.com).