Amazon: Titan Multimodal Embeddings G1

{"about":"### Szöveges bemenet a multimodális térbe\n\nAz Amazon Titan Multimodal Embeddings G1 az Amazon beágyazási modellje, amely közös reprezentációs teret használ a szövegekhez és képekhez. Az Ailoot e modellkártyája szöveges munkamenetet biztosít: rövid leírást vagy keresőkifejezést ad meg, és számvektort kap. Ez olyan formában ábrázolja a szöveg tartalmát, amelyet az alkalmazás más kompatibilis vektorokkal összehasonlíthat.\n\n### Milyen feladatokra alkalmas\n\nA modell katalóguskeresés, ajánlások és személyre szabás részeként használható. Például a „piros utazótáska” leírásból keresővektor lesz, amellyel az alkalmazás közeli találatokat keres az előkészített indexben. A találat a katalógus tartalmától és indexelésétől is függ: a beágyazás a lekérdezést ábrázolja, a kész válogatást a keresőrendszer állítja össze.\n\nE Titan-változat sajátossága a szöveges és vizuális adatok közös tere. A szövegvektor olyan rendszerben lehet hasznos, amelyben az objektumok kompatibilis reprezentációi már elkészültek. Hagyományos szöveges dokumentumkeresésnél a részlet hossza és a nyelv feladathoz illeszkedése is fontos: a gyártó a G1-et rövid szöveges bemenetű, angol nyelvű modellként írja le.\n\n### A munka menete\n\n1. Rövid kifejezésben fogalmazzon meg egy tárgyat, tulajdonságot vagy keresési szándékot.\n2. Kérje le a kifejezés beágyazását.\n3. Hasonlítsa össze az index vektoraival, és válassza ki a megfelelő rekordokat.\n4. Adja tovább a talált anyagokat, például a katalógus felületének vagy egy külön, választ összeállító modellnek.\n\nAz indexnek és a lekérdezésnek kompatibilis adatreprezentációt kell használnia. Nagy katalógus feltöltése előtt érdemes valódi keresőkifejezésekkel ellenőrizni a jelentésbeli egyezést, a ritka jellemzőket és azokat az eseteket, amikor hasonló szavak eltérő tárgyakat jelölnek.\n\n### Bemenet és eredmény az Ailootban\n\nAz itt elérhető metódus **szöveget** fogad és **embeddinget** ad vissza; a modellkártya bemeneti korlátja **128 token**. Ehhez rövid leírás kell, a hosszú dokumentumot célszerű előbb önálló jelentésegységekre bontani. Képfeltöltés, képgenerálás és videófeldolgozás nem része ennek a metódusnak. A Multimodal név az eredeti modellt jellemzi; e modellkártya szövegből készít vektort.","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":"Rövid szövegből készít vektorokat szemantikus kereséshez és ajánlásokhoz a Titan multimodális terében."}