Source: https://ailoot.ai/models/ms/amazon-titan-embed-image-v1/ Canonical: https://ailoot.ai/models/ms/amazon-titan-embed-image-v1/ Language: ms # Amazon: Titan Multimodal Embeddings G1 [Markdown](https://ailoot.ai/models/ms/amazon-titan-embed-image-v1/index.md) · [JSON](https://ailoot.ai/models/ms/amazon-titan-embed-image-v1/facts.json) ## [Amazon: Titan Multimodal Embeddings G1](https://ailoot.ai/models/ms/amazon-titan-embed-image-v1/) `amazon/titan-embed-image-v1` AmazonPembenamanInput USD 0.0016 / 1KOutput — Menghasilkan vektor daripada teks pendek untuk carian semantik dan cadangan dalam ruang multimodal Titan. ### Input teks ke dalam ruang multimodal Amazon Titan Multimodal Embeddings G1 ialah model embedding Amazon dengan ruang perwakilan bersama bagi teks dan imej. Dalam Ailoot API, kad ini menyediakan aliran berasaskan teks: anda menghantar penerangan ringkas atau frasa carian dan menerima vektor berangka. Vektor itu mewakili kandungan teks dalam bentuk yang boleh dibandingkan oleh aplikasi dengan vektor lain yang serasi. ### Tugas yang sesuai Model ini boleh digunakan sebagai sebahagian daripada carian katalog, cadangan dan pemperibadian. Contohnya, penerangan “beg merah untuk melancong” menjadi vektor carian yang digunakan oleh aplikasi untuk mencari entri hampir seerti dalam indeks yang disediakan. Hasil carian bergantung pada kandungan katalog serta cara pengindeksannya: embedding ialah perwakilan pertanyaan, manakala sistem carian menyusun pilihan hasil. Ciri versi Titan ini ialah tumpuan pada ruang bersatu untuk data teks dan visual. Vektor teks boleh berguna dalam sistem yang sudah menyediakan perwakilan objek yang serasi. Bagi carian dokumen teks biasa, panjang petikan dan kesesuaian bahasa dengan tugas turut penting: pengeluar menerangkan G1 sebagai model bahasa Inggeris dengan input teks pendek. ### Menyusun aliran kerja 1. Nyatakan satu objek, sifat atau tujuan carian dalam frasa pendek. 2. Dapatkan embedding bagi frasa itu. 3. Bandingkannya dengan vektor dalam indeks anda dan pilih entri yang sesuai. 4. Salurkan bahan yang ditemukan ke langkah seterusnya, contohnya antara muka katalog atau model berasingan yang akan membentuk jawapan. Indeks dan pertanyaan mesti menggunakan perwakilan data yang serasi. Sebelum mengisi katalog besar, elok uji frasa carian sebenar: padanan makna, ciri yang jarang ditemui dan keadaan apabila perkataan yang hampir sama menerangkan objek berbeza. ### Input dan hasil dalam Ailoot API Kaedah yang tersedia di sini menerima **teks** dan mengembalikan **embedding**; had input pada kad ini ialah **128 token**. Operasi ini memerlukan penerangan ringkas, jadi dokumen panjang sebaiknya dipecahkan terlebih dahulu kepada petikan bermakna yang berasingan. Muat naik imej, penjanaan gambar dan kerja dengan video tidak termasuk dalam kaedah ini. Nama Multimodal menerangkan model asal, manakala aliran yang tersedia pada kad ini ialah penghasilan vektor daripada teks. ### Tersedia melalui Ailoot API Input `text` Output `embedding` Konteks 128 *token* Respons maksimum Tidak dinyatakan dalam katalog Input USD 0.0016 */ 1K* `amazon/titan-embed-image-v1` · JSON ``` {"about":"### Input teks ke dalam ruang multimodal\n\nAmazon Titan Multimodal Embeddings G1 ialah model embedding Amazon dengan ruang perwakilan bersama bagi teks dan imej. Dalam Ailoot API, kad ini menyediakan aliran berasaskan teks: anda menghantar penerangan ringkas atau frasa carian dan menerima vektor berangka. Vektor itu mewakili kandungan teks dalam bentuk yang boleh dibandingkan oleh aplikasi dengan vektor lain yang serasi.\n\n### Tugas yang sesuai\n\nModel ini boleh digunakan sebagai sebahagian daripada carian katalog, cadangan dan pemperibadian. Contohnya, penerangan “beg merah untuk melancong” menjadi vektor carian yang digunakan oleh aplikasi untuk mencari entri hampir seerti dalam indeks yang disediakan. Hasil carian bergantung pada kandungan katalog serta cara pengindeksannya: embedding ialah perwakilan pertanyaan, manakala sistem carian menyusun pilihan hasil.\n\nCiri versi Titan ini ialah tumpuan pada ruang bersatu untuk data teks dan visual. Vektor teks boleh berguna dalam sistem yang sudah menyediakan perwakilan objek yang serasi. Bagi carian dokumen teks biasa, panjang petikan dan kesesuaian bahasa dengan tugas turut penting: pengeluar menerangkan G1 sebagai model bahasa Inggeris dengan input teks pendek.\n\n### Menyusun aliran kerja\n\n1. Nyatakan satu objek, sifat atau tujuan carian dalam frasa pendek.\n2. Dapatkan embedding bagi frasa itu.\n3. Bandingkannya dengan vektor dalam indeks anda dan pilih entri yang sesuai.\n4. Salurkan bahan yang ditemukan ke langkah seterusnya, contohnya antara muka katalog atau model berasingan yang akan membentuk jawapan.\n\nIndeks dan pertanyaan mesti menggunakan perwakilan data yang serasi. Sebelum mengisi katalog besar, elok uji frasa carian sebenar: padanan makna, ciri yang jarang ditemui dan keadaan apabila perkataan yang hampir sama menerangkan objek berbeza.\n\n### Input dan hasil dalam Ailoot API\n\nKaedah yang tersedia di sini menerima **teks** dan mengembalikan **embedding**; had input pada kad ini ialah **128 token**. Operasi ini memerlukan penerangan ringkas, jadi dokumen panjang sebaiknya dipecahkan terlebih dahulu kepada petikan bermakna yang berasingan. Muat naik imej, penjanaan gambar dan kerja dengan video tidak termasuk dalam kaedah ini. Nama Multimodal menerangkan model asal, manakala aliran yang tersedia pada kad ini ialah penghasilan vektor daripada 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":"Menghasilkan vektor daripada teks pendek untuk carian semantik dan cadangan dalam ruang multimodal Titan."} ``` ## Soalan Bagaimanakah saya memilih model untuk tugasan saya? Kenal pasti dahulu input dan output yang diperlukan: teks, imej, audio atau video. Kemudian bandingkan kaedah API yang serasi, ID model yang tepat atau model yang dirujuk oleh alias pada masa ini, harga dan unit pengebilan. GET /v1/models adalah percuma dan menyenaraikan model yang tersedia untuk kunci anda. Adakah setiap model menyokong semua kaedah API dan jenis media? Gunakan kaedah API dan jenis input/output yang disenaraikan pada kad model. Sokongan untuk teks, imej, audio atau video bergantung pada model dan kaedah yang dipilih; semak contoh permintaan yang berkenaan sebelum menghantar data anda. Apakah perbezaan antara ID model dengan alias? ID model yang tepat mengenal pasti model tertentu. Alias merujuk kepada model dan model sasarannya boleh berubah. Semak model yang dirujuk oleh alias pada masa ini dalam katalog; gunakan ID yang tepat apabila integrasi anda memerlukan model tertentu. Bagaimanakah saya membandingkan harga sebelum menghantar permintaan? Semak kad model untuk harga dan unit pengebilan bagi kaedah API yang dipilih. Bandingkan menggunakan unit dan jenis input/output yang sama; sejarah permintaan menunjukkan penggunaan sebenar dan amaun yang dicaj. Apakah manfaat langganan? Diskaun pembelian token untuk penggunaan berkala. Pilih pelan berdasarkan jumlah permintaan; terma dan harga langganan dipaparkan semasa pembelian. Bagaimanakah kod promosi diskaun sehingga 50% digunakan? Masukkan kod promosi semasa membeli token. Jumlah akhir dikira semula mengikut terma promosi; kadar diskaun kelihatan sebelum pembayaran. ## Ailoot · Syarikat dan portfolio projeknya Ailoot berteraskan pengalaman operasi yang mantap, pangkalan pelanggan yang besar, perkhidmatan yang stabil dan pemantauan KPI berterusan. Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan. Ailoot menggunakan pengalaman operasi ini untuk akses API kepada ciri AI dalam produk pelanggan, ejen, aplikasi dan automasi.