Amazon: Titan Multimodal Embeddings G1

{"about":"### Teksti syötteenä multimodaaliseen esitysavaruuteen\n\nAmazon Titan Multimodal Embeddings G1 on Amazonin upotusmalli, jossa teksti ja kuvat jakavat yhteisen esitysavaruuden. Ailoot API:ssa tämä mallikortti tarjoaa tekstipohjaisen työnkulun: lähetät lyhyen kuvauksen tai hakulausekkeen ja saat numeerisen vektorin. Se esittää tekstin sisällön muodossa, jota sovellus voi verrata muihin yhteensopiviin vektoreihin.\n\n### Mihin tehtäviin malli sopii\n\nMallia voi käyttää osana luettelohakua, suosituksia ja personointia. Esimerkiksi kuvaus ”punainen matkalaukku” muuttuu hakuvektoriksi, jonka avulla sovelluksesi etsii läheisiä tietueita valmiista indeksistä. Hakutulos riippuu sekä luettelon sisällöstä että sen indeksointitavasta: upotus on kyselyn esitys, ja varsinaisen tulosjoukon kokoaa hakujärjestelmä.\n\nTämän Titan-version erityispiirre on tekstin ja visuaalisen datan yhteinen esitysavaruus. Tekstivektorista voi olla hyötyä järjestelmässä, jossa kohteiden yhteensopivat esitykset on jo valmisteltu. Tavallisessa tekstiasiakirjojen haussa myös tekstikatkelman pituus ja kielen soveltuvuus tehtävään ovat tärkeitä: valmistaja kuvaa G1:tä englanninkieliseksi malliksi, joka käyttää lyhyttä tekstisyötettä.\n\n### Työn järjestäminen\n\n1. Kuvaa yksi kohde, ominaisuus tai hakutarkoitus lyhyellä ilmauksella.\n2. Muodosta ilmauksesta upotus.\n3. Vertaa sitä indeksisi vektoreihin ja valitse sopivat tietueet.\n4. Vie löydetty aineisto seuraavaan vaiheeseen, esimerkiksi luettelon käyttöliittymään tai erilliselle mallille, joka laatii vastauksen.\n\nIndeksin ja kyselyn on käytettävä yhteensopivaa esitystapaa. Ennen suuren luettelon täyttämistä kannattaa kokeilla todellisia hakulausekkeita: merkitysten vastaavuutta, harvinaisia ominaisuuksia ja tilanteita, joissa samankaltaiset sanat kuvaavat eri kohteita.\n\n### Syöte ja tulos Ailoot API:ssa\n\nTässä käytettävissä oleva menetelmä vastaanottaa **tekstiä** ja palauttaa **upotuksen**; tämän mallikortin syöteraja on **128 tokenia**. Toiminto tarvitsee lyhyitä kuvauksia, joten pitkä asiakirja kannattaa jakaa ensin erillisiksi merkityksellisiksi katkelmiksi. Kuvien lataaminen, kuvien luominen ja videon käsittely eivät sisälly tähän menetelmään. Multimodal-nimi kuvaa alkuperäistä mallia, kun taas tämän mallikortin käytettävissä oleva työnkulku muodostaa vektorin tekstistä.","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":"Muodostaa lyhyestä tekstistä vektoreita semanttista hakua ja suosituksia varten Titanin multimodaalisessa esitysavaruudessa."}