您必須從英文句子集合中產生嵌入向量，以便下游模型可以使用它們。句子經常在不同的上下文中重複使用單字，並包含問答對；嵌入應該捕捉單字上下文和序列/QA資訊。哪些 SageMaker 選項可以產生符合這些需求的嵌入？(選擇兩項)

Amazon SageMaker seq2seq 演算法非常適合處理序列資料，例如句子，並能捕捉單字在不同上下文中的語義，以及序列中的關係，這對於問答對特別有用。Amazon SageMaker Object2Vec 演算法是一種高度靈活的通用嵌入演算法，可以學習任何物件對的低維密集向量表示，包括句子和問答對，並能捕捉它們之間的複雜關係和上下文資訊。BlazingText 演算法（無論是 Skip-gram 模式還是 CBOW 模式）主要用於產生單字的嵌入，雖然可以處理句子，但其設計側重於單字共現，對於捕捉複雜的上下文依賴性或問答對中的序列資訊不如 seq2seq 或 Object2Vec 有效。將 BlazingText 與自訂 RNN 結合雖然可行，但這是一個自訂解決方案，而非 SageMaker 提供的現成演算法選項。