Amazon: Titan Multimodal Embeddings G1

{"about":"### Entrada de texto en un espacio multimodal\n\nAmazon Titan Multimodal Embeddings G1 es un modelo de embeddings de Amazon con un espacio de representación compartido para textos e imágenes. En Ailoot, esta ficha ofrece un uso con texto: envías una descripción breve o una frase de búsqueda y recibes un vector numérico. Este representa el contenido del texto de una forma que la aplicación puede comparar con otros vectores compatibles.\n\n### Para qué tareas sirve\n\nEl modelo puede formar parte de sistemas de búsqueda en catálogos, recomendaciones y personalización. Por ejemplo, la descripción «bolso rojo para viajar» se convierte en un vector de búsqueda con el que tu aplicación localiza registros cercanos en un índice preparado previamente. El resultado depende tanto del contenido del catálogo como de la forma de indexarlo: el embedding representa la consulta y el sistema de búsqueda construye la selección de resultados.\n\nEsta versión de Titan se distingue por su orientación a un espacio común para datos textuales y visuales. El vector de texto puede resultar útil en un sistema que ya disponga de representaciones compatibles de los objetos. En la búsqueda habitual de documentos de texto también importan la longitud del fragmento y la adecuación del idioma a la tarea: el fabricante describe G1 como un modelo en inglés con entradas de texto breves.\n\n### Cómo organizar el trabajo\n\n1. Expresa un objeto, una propiedad o una intención de búsqueda en una frase breve.\n2. Obtén el embedding de esa frase.\n3. Compáralo con los vectores de tu índice y selecciona los registros pertinentes.\n4. Envía los materiales encontrados al siguiente paso, por ejemplo, a la interfaz del catálogo o a otro modelo que redacte la respuesta.\n\nEl índice y la consulta deben utilizar representaciones de datos compatibles. Antes de incorporar un catálogo grande, conviene probar frases de búsqueda reales: correspondencia de significado, características poco frecuentes y casos en los que palabras parecidas describen objetos distintos.\n\n### Entrada y resultado en Ailoot\n\nEl método disponible aquí recibe **texto** y devuelve un **embedding**; el límite de entrada de esta ficha es de **128 tokens**. Esta operación requiere descripciones breves; conviene dividir previamente los documentos largos en fragmentos con significado propio. Este método no incluye la carga de imágenes, la creación de imágenes ni el trabajo con vídeo. El nombre Multimodal describe el modelo original, mientras que el uso disponible en esta ficha consiste en crear un vector a partir de texto.","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":"Crea vectores a partir de textos breves para búsquedas semánticas y recomendaciones en el espacio multimodal de Titan."}