Amazon: Titan Multimodal Embeddings G1

{"about":"### Tekst na wejściu do przestrzeni multimodalnej\n\nAmazon Titan Multimodal Embeddings G1 to model embeddingowy Amazon ze wspólną przestrzenią reprezentacji tekstu i obrazów. W Ailoot ta karta udostępnia scenariusz tekstowy: przekazujesz krótki opis lub frazę wyszukiwania i otrzymujesz wektor liczbowy. Przedstawia on treść tekstu w postaci, którą aplikacja może porównywać z innymi zgodnymi wektorami.\n\n### Do jakich zadań się nadaje\n\nModel może być elementem wyszukiwania w katalogu, rekomendacji i personalizacji. Na przykład opis „czerwona torba podróżna” staje się wektorem zapytania, za pomocą którego aplikacja szuka podobnych wpisów w przygotowanym indeksie. Wynik zależy zarówno od zawartości katalogu, jak i sposobu indeksowania: embedding reprezentuje zapytanie, a gotowy wybór wyników tworzy wyszukiwarka.\n\nCechą tej wersji Titan jest wspólna przestrzeń danych tekstowych i wizualnych. Wektor tekstowy może przydać się w systemie, w którym przygotowano już zgodne reprezentacje obiektów. W zwykłym wyszukiwaniu dokumentów tekstowych znaczenie mają także długość fragmentu i dopasowanie języka do zadania: producent opisuje G1 jako model anglojęzyczny z krótkim wejściem tekstowym.\n\n### Jak zorganizować pracę\n\n1. Opisz jeden przedmiot, cechę lub zamiar wyszukiwania krótką frazą.\n2. Uzyskaj embedding tej frazy.\n3. Porównaj go z wektorami swojego indeksu i wybierz odpowiednie wpisy.\n4. Przekaż znalezione materiały dalej, na przykład do interfejsu katalogu lub osobnego modelu, który przygotuje odpowiedź.\n\nIndeks i zapytanie muszą korzystać ze zgodnej reprezentacji danych. Przed zapełnieniem dużego katalogu warto sprawdzić rzeczywiste frazy wyszukiwania: zgodność znaczenia, rzadkie cechy oraz sytuacje, gdy podobne słowa opisują różne obiekty.\n\n### Wejście i wynik w Ailoot\n\nDostępna tutaj metoda przyjmuje **tekst** i zwraca **embedding**; limit wejścia tej karty wynosi **128 tokenów**. Operacja wymaga krótkich opisów, dlatego długi dokument najlepiej wcześniej podzielić na osobne fragmenty znaczeniowe. Przesyłanie obrazów, generowanie grafik i obsługa wideo nie należą do tej metody. Nazwa Multimodal opisuje model źródłowy, natomiast scenariusz dostępny w tej karcie polega na tworzeniu wektora z tekstu.","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":"Tworzy wektory z krótkiego tekstu do wyszukiwania semantycznego i rekomendacji w multimodalnej przestrzeni Titan."}