Amazon: Titan Multimodal Embeddings G1

{"about":"### Masukan teks ke ruang multimodal\n\nAmazon Titan Multimodal Embeddings G1 adalah model embedding Amazon dengan ruang representasi bersama untuk teks dan gambar. Di Ailoot API, kartu ini menyediakan alur berbasis teks: Anda mengirim deskripsi singkat atau frasa pencarian dan menerima vektor numerik. Vektor tersebut merepresentasikan isi teks dalam bentuk yang dapat dibandingkan aplikasi dengan vektor lain yang kompatibel.\n\n### Tugas yang sesuai\n\nModel ini dapat menjadi bagian dari pencarian katalog, rekomendasi, dan personalisasi. Misalnya, deskripsi “tas merah untuk bepergian” menjadi vektor pencarian yang dipakai aplikasi untuk mencari entri terdekat dalam indeks yang telah disiapkan. Hasil pencarian bergantung pada isi katalog dan cara pengindeksannya: embedding merupakan representasi kueri, sedangkan sistem pencarian menyusun pilihan hasil.\n\nCiri versi Titan ini adalah fokus pada satu ruang terpadu untuk data teks dan visual. Vektor teks berguna dalam sistem yang telah menyiapkan representasi objek yang kompatibel. Untuk pencarian dokumen teks biasa, panjang potongan dan kesesuaian bahasa dengan tugas juga penting: produsen menjelaskan G1 sebagai model berbahasa Inggris dengan masukan teks pendek.\n\n### Menyusun alur kerja\n\n1. Nyatakan satu objek, sifat, atau maksud pencarian dalam frasa pendek.\n2. Dapatkan embedding frasa tersebut.\n3. Bandingkan dengan vektor dalam indeks Anda dan pilih entri yang sesuai.\n4. Teruskan materi yang ditemukan, misalnya ke antarmuka katalog atau model terpisah yang akan menyusun jawaban.\n\nIndeks dan kueri harus menggunakan representasi data yang kompatibel. Sebelum mengisi katalog besar, sebaiknya uji frasa pencarian nyata: kesamaan makna, ciri yang jarang, serta situasi ketika kata-kata serupa menggambarkan objek berbeda.\n\n### Masukan dan hasil di Ailoot API\n\nMetode yang tersedia di sini menerima **teks** dan mengembalikan **embedding**; batas masukan kartu ini adalah **128 token**. Operasi ini memerlukan deskripsi singkat, sehingga dokumen panjang sebaiknya dibagi dahulu menjadi potongan bermakna yang terpisah. Mengunggah gambar, membuat gambar, dan mengolah video tidak termasuk dalam metode ini. Nama Multimodal menggambarkan model asalnya, sedangkan alur yang tersedia pada kartu ini adalah pembuatan vektor dari teks.","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":"Membuat vektor dari teks pendek untuk pencarian semantik dan rekomendasi dalam ruang multimodal Titan."}