Amazon: Titan Multimodal Embeddings G1

{"about":"### Texteingabe in einen multimodalen Darstellungsraum\n\nAmazon Titan Multimodal Embeddings G1 ist ein Embedding-Modell von Amazon mit einem gemeinsamen Darstellungsraum für Text und Bilder. In Ailoot bietet diese Modellkarte einen textbasierten Anwendungsfall: Sie übergeben eine kurze Beschreibung oder Suchphrase und erhalten einen Zahlenvektor. Er bildet den Inhalt des Textes so ab, dass die Anwendung ihn mit anderen kompatiblen Vektoren vergleichen kann.\n\n### Für welche Aufgaben sich das Modell eignet\n\nDas Modell lässt sich als Bestandteil einer Katalogsuche, von Empfehlungen und Personalisierung einsetzen. Beispielsweise wird die Beschreibung „rote Reisetasche“ zu einem Suchvektor, mit dem Ihre Anwendung ähnliche Einträge in einem vorbereiteten Index findet. Das Suchergebnis hängt sowohl vom Kataloginhalt als auch von dessen Indexierung ab: Das Embedding stellt die Anfrage dar; die eigentliche Auswahl trifft das Suchsystem.\n\nEine Besonderheit dieser Titan-Version ist ihre Ausrichtung auf einen gemeinsamen Raum für Text- und Bilddaten. Ein Textvektor kann in einem System nützlich sein, in dem kompatible Darstellungen der Objekte bereits vorliegen. Für die klassische Suche in Textdokumenten sind auch die Länge der Abschnitte und die Eignung der Sprache für die Aufgabe wichtig: Der Hersteller beschreibt G1 als englischsprachiges Modell mit kurzer Texteingabe.\n\n### So organisieren Sie den Ablauf\n\n1. Formulieren Sie einen einzelnen Gegenstand, eine Eigenschaft oder eine Suchabsicht als kurze Phrase.\n2. Erstellen Sie ein Embedding dieser Phrase.\n3. Vergleichen Sie es mit den Vektoren Ihres Index und wählen Sie passende Einträge aus.\n4. Übergeben Sie die gefundenen Inhalte an den nächsten Schritt, etwa an die Katalogoberfläche oder ein separates Modell, das daraus eine Antwort formuliert.\n\nIndex und Anfrage müssen eine kompatible Datendarstellung verwenden. Bevor Sie einen umfangreichen Katalog aufbauen, sollten Sie reale Suchphrasen prüfen: die Übereinstimmung der Bedeutung, seltene Merkmale und Fälle, in denen ähnliche Wörter unterschiedliche Objekte beschreiben.\n\n### Eingabe und Ergebnis in Ailoot\n\nDie hier verfügbare Methode nimmt **Text** entgegen und liefert ein **Embedding**; die Eingabegrenze dieser Modellkarte beträgt **128 Token**. Dafür sind kurze Beschreibungen erforderlich. Lange Dokumente teilen Sie am besten vorab in einzelne inhaltliche Abschnitte auf. Das Hochladen von Bildern, die Bilderzeugung und die Arbeit mit Videos gehören nicht zu dieser Methode. Der Name Multimodal beschreibt das zugrunde liegende Modell; der verfügbare Anwendungsfall dieser Modellkarte ist die Erzeugung eines Vektors aus Text.","alias_of":null,"aliases":[],"author":"Amazon","canonical_model":"amazon/titan-embed-image-v1","ctx":128,"formats":["embeddings"],"id":"amazon/titan-embed-image-v1","input":["text"],"kind":"embedding","max_out":0,"methods":[{"cache_read":null,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":128,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"embeddings","http":"POST","img_in":null,"img_out":null,"in":1.6,"input":["text"],"label":"Эмбеддинги","max_out":0,"max_tool_calls":null,"out":0,"output":["embedding"],"path":"/v1/embeddings","request_model_id":"amazon/titan-embed-image-v1","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"amazon/titan-embed-image-v1","request_model_id":"amazon/titan-embed-image-v1","route_label":"Ultra"}],"name":"Amazon: Titan Multimodal Embeddings G1","price":{"in":1.6,"in_label":null,"out":null,"out_label":null,"sort_in":1.6,"sort_out":null,"varies":false},"public_id":"amazon/titan-embed-image-v1","short":"Erstellt aus kurzen Texten Vektoren für semantische Suche und Empfehlungen im multimodalen Darstellungsraum von Titan."}