Amazon: Titan Multimodal Embeddings G1

{"about":"### Tekstinvoer in een multimodale ruimte\n\nAmazon Titan Multimodal Embeddings G1 is een embeddingmodel van Amazon met een gedeelde representatieruimte voor tekst en afbeeldingen. In Ailoot biedt deze modelkaart een teksttoepassing: je geeft een korte beschrijving of zoekterm op en krijgt een numerieke vector terug. Die geeft de inhoud van de tekst weer in een vorm die je toepassing met andere compatibele vectoren kan vergelijken.\n\n### Geschikte toepassingen\n\nJe kunt het model inzetten als onderdeel van cataloguszoekfuncties, aanbevelingen en personalisatie. Zo wordt de beschrijving ‘rode reistas’ een zoekvector waarmee je toepassing vergelijkbare vermeldingen in een voorbereide index zoekt. Het zoekresultaat hangt zowel van de inhoud van de catalogus als van de indexering af: de embedding vertegenwoordigt de zoekopdracht, terwijl het zoeksysteem de uiteindelijke selectie samenstelt.\n\nKenmerkend voor deze Titan-versie is de gerichtheid op één ruimte voor tekstuele en visuele gegevens. Een tekstvector kan nuttig zijn in een systeem waarin compatibele representaties van objecten al zijn voorbereid. Bij gewoon zoeken in tekstdocumenten zijn ook de fragmentlengte en de geschiktheid van de taal voor de taak van belang: de maker beschrijft G1 als een Engelstalig model met korte tekstinvoer.\n\n### Zo richt je het proces in\n\n1. Formuleer één voorwerp, eigenschap of zoekintentie in een korte zin.\n2. Maak een embedding van die zin.\n3. Vergelijk deze met de vectoren in je index en selecteer geschikte vermeldingen.\n4. Geef het gevonden materiaal door, bijvoorbeeld aan de catalogusinterface of aan een apart model dat een antwoord opstelt.\n\nDe index en de zoekopdracht moeten compatibele gegevensrepresentaties gebruiken. Test voordat je een grote catalogus vult enkele echte zoekopdrachten: controleer betekenisovereenkomst, zeldzame kenmerken en gevallen waarin vergelijkbare woorden verschillende objecten beschrijven.\n\n### Invoer en resultaat in Ailoot\n\nDe hier beschikbare methode accepteert **tekst** en retourneert een **embedding**; de invoerlimiet van deze modelkaart is **128 tokens**. Voor deze bewerking zijn korte beschrijvingen nodig. Een lang document kun je vooraf beter in afzonderlijke inhoudelijke fragmenten verdelen. Het uploaden van afbeeldingen, het maken van beelden en het verwerken van video vallen buiten deze methode. De naam Multimodal beschrijft het oorspronkelijke model; de toepassing op deze modelkaart maakt een vector van tekst.","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":"Maakt vectoren van korte tekst voor semantisch zoeken en aanbevelingen in de multimodale ruimte van Titan."}