OpenSearch:Ikhtisar dan pengalaman layanan

Grup layanan

Kategori layanan

Deskripsi

Agent search services

Agentic Memory

Menyediakan penyimpanan dan pengambilan memori jangka panjang, jangka pendek, serta kontekstual untuk layanan Agentic AI dan pencarian cerdas. Layanan ini mendukung operasi penyimpanan, kueri, pembaruan, dan pelupaan berbagai data pencarian, termasuk memori personal, memori agen, memori pencarian, dan manajemen Skill. Layanan ini menggunakan teknologi pencarian hibrida dan recall multi-jalur, menggabungkan BM25 dan pengambilan vektor untuk memastikan pengambilan memori yang efisien dan akurat.

Layanan Agentic Memory menyediakan penyimpanan dan manajemen untuk dua jenis data: Memory dan Skill. Memory menyimpan hobi, minat, dan preferensi pribadi pengguna, sedangkan Skill menyimpan logika eksekusi dan kemampuan yang dapat digunakan kembali.

large language model (LLM)

• Qwen3-235B-A22B: Generasi baru dari seri LLM Qwen. Berdasarkan pelatihan ekstensif, Qwen3 mencapai terobosan dalam penalaran, pemahaman instruksi, kemampuan agen, dan dukungan multibahasa. Model ini mendukung lebih dari 100 bahasa dan dialek, dengan kemampuan pemahaman, penalaran, dan generasi multibahasa yang kuat.

• OpenSearch-Qwen-Turbo: Dibangun di atas LLM Qwen-Turbo, model ini telah disempurnakan dengan supervised learning untuk meningkatkan retrieval-augmented generation (RAG) dan mengurangi konten berbahaya.

• Qwen-Turbo: Model tercepat dan paling hemat biaya dalam seri Qwen, cocok untuk tugas sederhana. Untuk informasi selengkapnya, lihat Select a model.

• Qwen-Plus: Model seimbang dengan performa penalaran, biaya, dan kecepatan di antara Qwen-Max dan Qwen-Turbo. Cocok untuk tugas yang cukup kompleks. Untuk informasi selengkapnya, lihat Select a model.

• Qwen-Max: Model dengan performa terbaik dalam seri Qwen, cocok untuk tugas kompleks multi-langkah. Untuk informasi selengkapnya, lihat Select a model.

• DeepSeek-R1: LLM yang mengkhususkan diri pada tugas penalaran kompleks. Model ini unggul dalam memahami instruksi rumit dan menjamin akurasi hasil.

• DeepSeek-V3: Model Mixture of Experts (MoE) yang unggul dalam teks panjang, kode, matematika, pengetahuan ensiklopedis, dan kemampuan bahasa Mandarin.

• DeepSeek-R1-distill-qwen-7b: Model yang disempurnakan pada Qwen-7B menggunakan knowledge distillation dengan sampel pelatihan yang dihasilkan oleh DeepSeek-R1.

• DeepSeek-R1-distill-qwen-14b: Model yang disempurnakan pada Qwen-14B menggunakan knowledge distillation dengan sampel pelatihan yang dihasilkan oleh DeepSeek-R1.

• DeepSeek-V4-Pro: Model MoE besar andalan dengan total 1,6 triliun parameter dan 49 miliar parameter aktif, secara native mendukung konteks ultra-panjang hingga jutaan token. Dilatih dengan data berkualitas tinggi dalam jumlah besar, model ini unggul dalam logika matematika, penalaran kompleks, coding profesional, dan analisis teks panjang mendalam, sehingga cocok untuk riset tingkat tinggi, tugas kantor kompleks, dan skenario agen cerdas lanjutan.

• DeepSeek-V4-Flash: Model MoE efisien dan ringan dengan total 284 miliar parameter dan 13 miliar parameter aktif, secara native mendukung konteks ultra-panjang hingga jutaan token. Model ini menawarkan inferensi cepat, latensi rendah, dan biaya rendah. Dengan kemampuan keseluruhan yang seimbang, model ini dirancang untuk tugas ringan berkonkurensi tinggi seperti percakapan harian, pembuatan konten, RAG dasar, dan pemrosesan teks batch.

internet search

Jika basis pengetahuan privat Anda tidak memberikan jawaban selama pencarian, Anda dapat mengaktifkan internet search untuk mengambil informasi tambahan. Hal ini melengkapi basis pengetahuan privat Anda dan, bila dikombinasikan dengan LLM, menghasilkan respons yang lebih kaya.

query analysis

Layanan analisis konten kueri yang menggunakan kemampuan LLM dan NLP untuk melakukan intent recognition, perluasan kueri serupa, dan konversi natural language to SQL (NL2SQL) pada kueri pengguna. Hal ini meningkatkan performa pengambilan dan tanya-jawab dalam skenario RAG.

Layanan analisis kueri umum yang menggunakan LLM untuk memahami maksud dan melakukan perluasan kueri serupa pada kueri input pengguna.

sorting service

• BGE reranking model: Layanan pemberian skor dokumen berbasis model BGE. Model ini mengurutkan dokumen secara menurun berdasarkan skor relevansi antara kueri dan konten dokumen serta mengeluarkan skor yang sesuai. Layanan ini mendukung bahasa Mandarin dan Inggris, dengan panjang input maksimum 512 token (panjang kueri + dokumen).

• OpenSearch self-developed reranking model: Dilatih pada dataset dari berbagai industri, model ini menyediakan layanan reranking tingkat tinggi. Model ini mengurutkan dokumen berdasarkan relevansi semantik antara kueri dan dokumen, dari yang tertinggi ke terendah. Layanan ini mendukung bahasa Mandarin dan Inggris, dengan panjang input maksimum 512 token (panjang kueri + dokumen).

• Qwen3 sorting service-0.6B: Layanan reranking dokumen seri Qwen3. Model ini mendukung lebih dari 100 bahasa, dengan panjang input maksimum 32k token (panjang kueri + dokumen) dan 0,6 miliar parameter.

• text reranking-ops-bge-reranker-v2: Model reranking teks berkinerja tinggi untuk reranking hasil pengambilan secara detail halus guna meningkatkan relevansi dalam skenario RAG.

Text and document processing services

Jina AI Reader

Layanan ekstraksi konten web untuk LLM yang mengonversi URL apa pun menjadi format teks biasa yang bersih dan ramah LLM. Layanan ini menghapus iklan, navigasi, dan informasi mengganggu lainnya untuk mengekstraksi hanya konten inti halaman web.

document parsing

• document parsing service 001: Layanan ini mengurai dokumen tak terstruktur (termasuk teks, tabel, dan gambar) untuk mengekstraksi struktur logis seperti heading dan bagian, lalu mengeluarkannya dalam format terstruktur.

• document parsing service 002: Mengurai berbagai format dokumen tak terstruktur seperti PDF dan gambar. Layanan ini unggul dalam mengenali elemen kompleks seperti tabel, rumus, dan grafik, serta menawarkan kecepatan inferensi yang cepat.

text vectorization

• OpenSearch text vectorization service-001: Layanan vektorisasi teks untuk lebih dari 40 bahasa. Panjang teks input maksimum adalah 300 token, dan dimensi vektor output adalah 1536.

• OpenSearch universal text vectorization service-002: Layanan vektorisasi teks untuk lebih dari 100 bahasa. Panjang teks input maksimum adalah 8.192 token, dan dimensi vektor output adalah 1024.

• OpenSearch text vectorization service-Chinese-001: Layanan vektorisasi teks untuk bahasa Mandarin. Panjang teks input maksimum adalah 1.024 token, dan dimensi vektor output adalah 768.

• OpenSearch text vectorization service-English-001: Layanan vektorisasi teks untuk bahasa Inggris. Panjang teks input maksimum adalah 512 token, dan dimensi vektor output adalah 768.

• GTE text vector-multilingual-Base: Layanan vektorisasi teks untuk lebih dari 70 bahasa. Panjang teks input maksimum adalah 8.192 token, dan dimensi vektor output adalah 768.

• Qwen3 text vector-0.6B: Layanan vektorisasi teks seri Qwen3 untuk lebih dari 100 bahasa. Panjang input maksimum adalah 32k token, dimensi vektor output adalah 1.024, dan model memiliki 0,6 miliar parameter.

sparse text vectorization

Layanan ini mengonversi data teks menjadi representasi vektor jarang. Vektor jarang memerlukan penyimpanan lebih sedikit dan sering digunakan untuk merepresentasikan kata kunci dan sinyal frekuensi istilah. Vektor ini dapat dikombinasikan dengan vektor padat untuk pencarian hibrida guna meningkatkan kualitas pengambilan.

OpenSearch sparse text vectorization service: Layanan vektorisasi teks untuk lebih dari 100 bahasa dengan panjang teks input maksimum 8.192 token.

document chunking

Layanan ini membagi data terstruktur dalam format HTML, Markdown, dan TXT berdasarkan paragraf dokumen, semantik teks, atau aturan tertentu. Layanan ini juga mendukung ekstraksi kode, gambar, dan tabel dari dokumen dalam format teks kaya.

dimensionality reduction

embedding-dim-reduction: Layanan penyempurnaan model vektor. Anda dapat menggunakan pelatihan kustom untuk mengurangi vektor berdimensi tinggi menjadi dimensi lebih rendah, membantu meningkatkan efektivitas biaya dengan dampak minimal pada performa pengambilan.

Multimodal processing services

multimodal embedding

• M2-Encoder-multimodal embedding model: Layanan multimodal bilingual (Mandarin dan Inggris) yang dilatih pada 6 miliar pasangan gambar-teks (3 miliar Mandarin dan 3 miliar Inggris) berbasis BM-6B. Model ini mendukung pengambilan lintas-modal antara gambar dan teks, termasuk pencarian teks-ke-gambar dan gambar-ke-teks, serta tugas klasifikasi gambar.

• M2-Encoder-Large-multimodal embedding model: Layanan multimodal bilingual (Mandarin dan Inggris). Dibandingkan model M2-Encoder, model ini memiliki ukuran lebih besar dengan 1 miliar parameter, memberikan kemampuan representasi yang lebih kuat dan performa lebih baik dalam tugas multimodal.

• GME multimodal embedding-Qwen2-VL-2B: Layanan embedding multimodal yang dilatih pada model bahasa besar multimodal (MLLM) Qwen2-VL. Layanan ini mendukung input single-modal maupun kombinasi multimodal, memungkinkan pemrosesan efisien berbagai jenis data teks, gambar, dan gabungan.

• multimodal embedding-ops-mm-embedding-v1-2b: Model embedding multimodal yang dikembangkan oleh tim AI Alibaba Cloud OpenSearch. Disempurnakan pada Qwen2-VL 2B Instruct, model ini mendukung input single-modal maupun kombinasi multimodal, termasuk teks, gambar, dan video, mengenkodnya menjadi vektor semantik untuk tugas pengambilan dan pemahaman lintas-modal.

• multimodal embedding-ops-mm-embedding-v1-7b: Model embedding multimodal yang dikembangkan oleh tim AI Alibaba Cloud OpenSearch. Disempurnakan pada Qwen2-VL 7B Instruct, model ini mendukung input single-modal maupun kombinasi multimodal, termasuk teks, gambar, dan video, mengenkodnya menjadi vektor semantik untuk tugas pengambilan dan pemahaman lintas-modal.

• E-commerce multimodal embedding-ops-mm-embedding-ecom-001: Model embedding multimodal khusus untuk e-dagang yang dikembangkan oleh tim AI Alibaba Cloud OpenSearch. Model ini mendukung pencarian gambar-ke-gambar dan gambar-ke-gambar-dengan-teks, sehingga cocok untuk pengambilan dan pemahaman lintas-modal dalam skenario e-dagang.

• Face multimodal embedding-ops-mm-embedding-face-001: Layanan untuk tugas pengambilan wajah. Layanan ini menggunakan model embedding wajah canggih yang mendukung input satu atau beberapa gambar, mengenkod informasi wajah menjadi vektor semantik berdimensi tinggi untuk memungkinkan pencarian dan perbandingan wajah yang efisien dan akurat.

Multimodal ranking

Menyediakan layanan peringkat relevansi gambar. Dalam skenario RAG dan pencarian multimodal, layanan peringkat ini dapat menyusun ulang konten untuk meningkatkan akurasi pengambilan dan kualitas generasi LLM.

video summarization

Menyediakan layanan ringkasan video yang memahami segmen video tertentu dan menggunakan kemampuan LLM untuk menghasilkan ringkasan video, judul, dan tag.

video splitting

Layanan ini memahami dan menganalisis video, mengekstraksi keyframe, lalu membagi video menjadi segmen-segmen yang sesuai.

keyframe extraction

keyframe extraction service 001: Menyediakan ekstraksi konten video dengan menangkap keyframe dari video. Bila dikombinasikan dengan layanan multimodal embedding atau parsing gambar, layanan ini memungkinkan pengambilan lintas-modal.

speech recognition

speech recognition service 001: Layanan ini menyediakan kemampuan speech-to-text, mengonversi ucapan dari file video atau audio menjadi teks terstruktur secara cepat. Layanan ini mendukung berbagai bahasa.

object detection

• object detection service-ops-object-detect-001: Secara otomatis menemukan dan mengidentifikasi target atau objek utama dalam gambar atau video. Layanan ini mendukung deteksi objek tunggal maupun multi-objek, cocok untuk aplikasi seperti pengawasan cerdas, kendaraan otonom, dan pengambilan gambar.

• Face detection service-ops-object-detect-face-001: Secara otomatis menemukan dan mengenali wajah dalam gambar. Layanan ini mendukung deteksi beberapa wajah dan cocok untuk aplikasi seperti pengawasan cerdas dan pengambilan gambar.

• Fashion object detection-ops-object-detect-fashion-001: Model deteksi objek kategori fesyen yang dikembangkan oleh tim Alibaba Cloud OpenSearch. Model ini mendukung deteksi lebih dari 20 jenis objek terkait fesyen, menghasilkan kategori objek, bounding box, dan skor kepercayaan. Model ini dapat digunakan untuk ekstraksi objek dalam skenario kompleks, berfungsi sebagai input untuk tugas downstream, serta menghilangkan gangguan dari latar belakang atau objek lain terhadap model embedding dan reranking downstream.

image content parsing

Image content understanding service: Menggunakan model bahasa besar multimodal untuk mengurai, memahami, dan mengenali teks dalam gambar. Teks yang diuraikan dapat digunakan dalam skenario pencarian gambar dan tanya-jawab.

Image text recognition service: Melakukan Optical Character Recognition (OCR) pada gambar. Teks yang dikenali dapat digunakan dalam skenario pencarian gambar dan tanya-jawab.