Amazon: Titan Multimodal Embeddings G1

{"about":"### Testo in ingresso in uno spazio multimodale\n\nAmazon Titan Multimodal Embeddings G1 è un modello di embedding di Amazon con uno spazio di rappresentazione condiviso per testo e immagini. In Ailoot questa scheda offre un uso testuale: si invia una breve descrizione o una frase di ricerca e si riceve un vettore numerico. Il vettore rappresenta il contenuto del testo in una forma che l’applicazione può confrontare con altri vettori compatibili.\n\n### Per quali attività è adatto\n\nIl modello può far parte di un sistema di ricerca nel catalogo, di raccomandazione e di personalizzazione. Per esempio, la descrizione «borsa rossa da viaggio» diventa un vettore di ricerca con cui l’applicazione cerca voci vicine in un indice preparato. Il risultato dipende sia dal contenuto del catalogo sia dal modo in cui viene indicizzato: l’embedding rappresenta la richiesta, mentre il motore di ricerca costruisce la selezione dei risultati.\n\nLa particolarità di questa versione di Titan è l’orientamento verso uno spazio comune per dati testuali e visivi. Il vettore testuale può essere utile in un sistema in cui sono già pronte rappresentazioni compatibili degli oggetti. Nella normale ricerca su documenti testuali contano anche la lunghezza dei frammenti e l’adeguatezza della lingua al compito: il produttore descrive G1 come un modello in lingua inglese con ingresso testuale breve.\n\n### Come organizzare il lavoro\n\n1. Esprimere un singolo oggetto, una proprietà o un intento di ricerca con una frase breve.\n2. Ottenere l’embedding della frase.\n3. Confrontarlo con i vettori del proprio indice e scegliere le voci pertinenti.\n4. Passare i materiali trovati alla fase successiva, per esempio all’interfaccia del catalogo o a un modello separato che comporrà la risposta.\n\nIndice e richiesta devono usare rappresentazioni dei dati compatibili. Prima di popolare un catalogo ampio è utile verificare frasi di ricerca reali: corrispondenza di significato, caratteristiche rare e casi in cui parole simili descrivono oggetti diversi.\n\n### Ingresso e risultato in Ailoot\n\nIl metodo disponibile qui accetta **testo** e restituisce un **embedding**; il limite di ingresso di questa scheda è di **128 token**. Per questa operazione servono descrizioni brevi; conviene suddividere prima un documento lungo in frammenti semanticamente autonomi. Il caricamento di immagini, la creazione di immagini e il lavoro con video non rientrano in questo metodo. Il nome Multimodal descrive il modello originario, mentre l’uso disponibile in questa scheda è la creazione di un vettore a partire dal testo.","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 vettori da testi brevi per la ricerca semantica e le raccomandazioni nello spazio multimodale di Titan."}