Amazon: Titan Multimodal Embeddings G1

{"about":"### Είσοδος κειμένου σε έναν πολυτροπικό χώρο\n\nΤο Amazon Titan Multimodal Embeddings G1 είναι μοντέλο ενσωματώσεων της Amazon με κοινό χώρο αναπαραστάσεων για κείμενο και εικόνες. Στο Ailoot η συγκεκριμένη κάρτα παρέχει χρήση με κείμενο: δίνετε μια σύντομη περιγραφή ή φράση αναζήτησης και λαμβάνετε ένα αριθμητικό διάνυσμα. Αυτό αναπαριστά το περιεχόμενο του κειμένου σε μορφή που η εφαρμογή μπορεί να συγκρίνει με άλλα συμβατά διανύσματα.\n\n### Σε ποιες εργασίες ταιριάζει\n\nΤο μοντέλο μπορεί να αποτελέσει μέρος της αναζήτησης σε κατάλογο, των προτάσεων και της εξατομίκευσης. Για παράδειγμα, η περιγραφή «κόκκινη τσάντα ταξιδιού» γίνεται διάνυσμα αναζήτησης, με το οποίο η εφαρμογή σας αναζητά κοντινές εγγραφές σε ένα προετοιμασμένο ευρετήριο. Το αποτέλεσμα εξαρτάται τόσο από το περιεχόμενο του καταλόγου όσο και από τον τρόπο ευρετηρίασής του: η ενσωμάτωση αναπαριστά το ερώτημα, ενώ η μηχανή αναζήτησης συνθέτει την τελική επιλογή.\n\nΤο ιδιαίτερο χαρακτηριστικό αυτής της έκδοσης του Titan είναι ο προσανατολισμός σε κοινό χώρο για κειμενικά και οπτικά δεδομένα. Ένα διάνυσμα κειμένου μπορεί να είναι χρήσιμο σε σύστημα όπου έχουν ήδη προετοιμαστεί συμβατές αναπαραστάσεις αντικειμένων. Για τη συνηθισμένη αναζήτηση σε έγγραφα κειμένου έχουν επίσης σημασία το μήκος των αποσπασμάτων και η καταλληλότητα της γλώσσας για την εργασία: ο κατασκευαστής περιγράφει το G1 ως αγγλόφωνο μοντέλο με σύντομη είσοδο κειμένου.\n\n### Πώς να οργανώσετε την εργασία\n\n1. Διατυπώστε ένα αντικείμενο, χαρακτηριστικό ή σκοπό αναζήτησης σε μια σύντομη φράση.\n2. Λάβετε την ενσωμάτωση της φράσης.\n3. Συγκρίνετέ τη με τα διανύσματα του ευρετηρίου σας και επιλέξτε τις κατάλληλες εγγραφές.\n4. Προωθήστε το υλικό που βρέθηκε στο επόμενο στάδιο, για παράδειγμα στη διεπαφή του καταλόγου ή σε χωριστό μοντέλο που θα συνθέσει την απάντηση.\n\nΤο ευρετήριο και το ερώτημα πρέπει να χρησιμοποιούν συμβατή αναπαράσταση δεδομένων. Πριν συμπληρώσετε έναν μεγάλο κατάλογο, είναι χρήσιμο να ελέγξετε πραγματικές φράσεις αναζήτησης: τη συνάφεια του νοήματος, σπάνια χαρακτηριστικά και περιπτώσεις όπου παρόμοιες λέξεις περιγράφουν διαφορετικά αντικείμενα.\n\n### Είσοδος και αποτέλεσμα στο Ailoot\n\nΗ μέθοδος που διατίθεται εδώ δέχεται **κείμενο** και επιστρέφει **embedding**· το όριο εισόδου αυτής της κάρτας είναι **128 tokens**. Η λειτουργία χρειάζεται σύντομες περιγραφές, ενώ ένα μεγάλο έγγραφο είναι προτιμότερο να χωριστεί εκ των προτέρων σε αυτοτελή νοηματικά αποσπάσματα. Η μεταφόρτωση εικόνων, η δημιουργία εικόνων και η εργασία με βίντεο δεν περιλαμβάνονται στη μέθοδο. Το όνομα Multimodal περιγράφει το αρχικό μοντέλο, ενώ η διαθέσιμη χρήση αυτής της κάρτας είναι η δημιουργία διανύσματος από κείμενο.","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":"Δημιουργεί διανύσματα από σύντομο κείμενο για σημασιολογική αναζήτηση και προτάσεις στον πολυτροπικό χώρο του Titan."}