Amazon: Titan Multimodal Embeddings G1

{"about":"### Entrada de texto num espaço multimodal\n\nO Amazon Titan Multimodal Embeddings G1 é um modelo de embeddings da Amazon com um espaço de representação comum para texto e imagens. Na Ailoot, esta ficha disponibiliza um cenário de utilização com texto: envia uma descrição curta ou uma expressão de pesquisa e recebe um vetor numérico. Este representa o conteúdo do texto de uma forma que a aplicação pode comparar com outros vetores compatíveis.\n\n### A que tarefas se destina\n\nO modelo pode integrar sistemas de pesquisa em catálogos, recomendações e personalização. Por exemplo, a descrição «mala vermelha para viagens» transforma-se num vetor de pesquisa que a sua aplicação utiliza para encontrar registos próximos num índice previamente preparado. O resultado depende tanto do conteúdo do catálogo como da forma de o indexar: o embedding representa a consulta e o sistema de pesquisa constrói a seleção de resultados.\n\nEsta versão do Titan distingue-se pela orientação para um espaço comum de dados textuais e visuais. Um vetor de texto pode ser útil num sistema em que já existam representações compatíveis dos objetos. Na pesquisa habitual de documentos de texto, também importam a extensão do excerto e a adequação do idioma à tarefa: o fabricante descreve o G1 como um modelo em inglês com entradas de texto curtas.\n\n### Como organizar o trabalho\n\n1. Formule um objeto, uma propriedade ou uma intenção de pesquisa numa expressão curta.\n2. Obtenha o embedding dessa expressão.\n3. Compare-o com os vetores do seu índice e selecione os registos relevantes.\n4. Encaminhe os materiais encontrados para o passo seguinte, por exemplo, a interface do catálogo ou outro modelo que redija a resposta.\n\nO índice e a consulta devem utilizar representações de dados compatíveis. Antes de preencher um catálogo extenso, convém testar expressões de pesquisa reais: correspondência de significado, características raras e situações em que palavras semelhantes descrevem objetos diferentes.\n\n### Entrada e resultado na Ailoot\n\nO método aqui disponível recebe **texto** e devolve um **embedding**; o limite de entrada desta ficha é de **128 tokens**. Esta operação requer descrições curtas; é preferível dividir previamente um documento longo em excertos com significado próprio. Este método não inclui o carregamento de imagens, a criação de imagens nem o trabalho com vídeo. O nome Multimodal descreve o modelo original, enquanto a utilização disponível nesta ficha consiste em criar um vetor a partir de texto.","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":"Cria vetores a partir de textos curtos para pesquisa semântica e recomendações no espaço multimodal do Titan."}