Amazon: Titan Multimodal Embeddings G1

{"about":"### Une entrée textuelle dans un espace multimodal\n\nAmazon Titan Multimodal Embeddings G1 est un modèle de plongement vectoriel d’Amazon qui représente le texte et les images dans un espace commun. Dans Ailoot, cette fiche propose un usage textuel : vous fournissez une brève description ou une expression de recherche et obtenez un vecteur numérique. Celui-ci représente le contenu du texte sous une forme que votre application peut comparer à d’autres vecteurs compatibles.\n\n### À quels usages se prête le modèle ?\n\nLe modèle peut intervenir dans une recherche de catalogue, un système de recommandation ou de personnalisation. Par exemple, la description « sac de voyage rouge » devient un vecteur de recherche, à partir duquel votre application retrouve des éléments proches dans un index préparé à cet effet. La pertinence de cette recherche dépend du contenu du catalogue et de son mode d’indexation : le plongement vectoriel représente la requête, tandis que le moteur de recherche construit la sélection de résultats.\n\nCette version de Titan se distingue par son espace commun aux données textuelles et visuelles. Un vecteur de texte peut être utile dans un système où des représentations compatibles des objets ont déjà été préparées. Pour la recherche dans des documents textuels, la longueur des passages et l’adéquation de la langue à la tâche comptent également : le concepteur décrit G1 comme un modèle anglophone acceptant des textes courts.\n\n### Comment organiser le travail\n\n1. Exprimez un objet, une caractéristique ou une intention de recherche en quelques mots.\n2. Obtenez le plongement vectoriel de cette expression.\n3. Comparez-le aux vecteurs de votre index et sélectionnez les éléments pertinents.\n4. Transmettez les éléments trouvés à l’étape suivante, par exemple à l’interface du catalogue ou à un autre modèle chargé de rédiger une réponse.\n\nL’index et la requête doivent utiliser des représentations compatibles. Avant d’indexer un vaste catalogue, il est utile de tester des expressions de recherche réelles : correspondance de sens, caractéristiques rares et cas où des mots proches désignent des objets différents.\n\n### Entrée et résultat dans Ailoot\n\nLa méthode proposée ici accepte du **texte** et renvoie un **plongement vectoriel** ; la limite d’entrée de cette fiche est de **128 jetons**. Cette opération appelle des descriptions courtes ; mieux vaut découper au préalable les documents longs en passages autonomes sur le plan du sens. Le téléversement d’images, la création d’images et le traitement vidéo ne font pas partie de cette méthode. Le terme Multimodal décrit le modèle d’origine ; l’usage proposé par cette fiche est la création d’un vecteur à partir de texte.","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":"Transforme de courts textes en vecteurs pour la recherche sémantique et les recommandations dans l’espace multimodal de Titan."}