Source: https://ailoot.ai/models/pt-pt/amazon-titan-embed-image-v1/ Canonical: https://ailoot.ai/models/pt-pt/amazon-titan-embed-image-v1/ Language: pt-pt # Amazon: Titan Multimodal Embeddings G1 [Markdown](https://ailoot.ai/models/pt-pt/amazon-titan-embed-image-v1/index.md) · [JSON](https://ailoot.ai/models/pt-pt/amazon-titan-embed-image-v1/facts.json) ## [Amazon: Titan Multimodal Embeddings G1](https://ailoot.ai/models/pt-pt/amazon-titan-embed-image-v1/) `amazon/titan-embed-image-v1` AmazonEmbeddingsEntrada 0,0016 US$ / 1KSaída — Cria vetores a partir de textos curtos para pesquisa semântica e recomendações no espaço multimodal do Titan. ### Entrada de texto num espaço multimodal O 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. ### A que tarefas se destina O 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. Esta 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. ### Como organizar o trabalho 1. Formule um objeto, uma propriedade ou uma intenção de pesquisa numa expressão curta. 2. Obtenha o embedding dessa expressão. 3. Compare-o com os vetores do seu índice e selecione os registos relevantes. 4. Encaminhe os materiais encontrados para o passo seguinte, por exemplo, a interface do catálogo ou outro modelo que redija a resposta. O 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. ### Entrada e resultado na Ailoot O 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. ### Disponível através da API Ailoot Entrada `text` Saída `embedding` Contexto 128 *tokens* Resposta máx. Não especificado no catálogo Entrada 0,0016 US$ */ 1K* `amazon/titan-embed-image-v1` · JSON ``` {"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."} ``` ## Perguntas Como escolher um modelo para a minha tarefa? Identifique primeiro a entrada e a saída necessárias: texto, imagem, áudio ou vídeo. Compare depois os métodos API compatíveis, o ID exato do modelo ou o destino atual do alias, o preço e a unidade de faturação. GET /v1/models é gratuito e lista os modelos disponíveis para a sua chave. Cada modelo suporta todos os métodos API e tipos de conteúdo? Use os métodos API e os tipos de entrada e saída indicados na ficha do modelo. O suporte de texto, imagens, áudio ou vídeo depende do modelo e do método escolhidos; consulte o respetivo exemplo de pedido antes de enviar os seus dados. Qual é a diferença entre o ID de um modelo e um alias? Um ID exato identifica um modelo específico. Um alias aponta para um modelo e o seu destino pode mudar. Confirme o destino atual do alias no catálogo; use o ID exato quando a integração precisar de um modelo específico. Como comparar os preços antes de enviar um pedido? Consulte na ficha do modelo o preço e a unidade de faturação do método API escolhido. Compare a mesma unidade e os mesmos tipos de entrada e saída; o histórico de pedidos mostra a utilização real e o montante debitado. O que oferece a subscrição? Um desconto na compra de tokens para trabalho regular. Escolha o plano conforme o volume de pedidos; as condições e o preço da subscrição aparecem na adesão. Como aplico um código promocional com até 50% de desconto? Introduza o código promocional ao comprar tokens. O total é recalculado segundo as condições da campanha; o desconto é visível antes do pagamento. ## Ailoot · A empresa e a sua carteira de projetos A Ailoot assenta numa experiência operacional consolidada, numa ampla base de clientes, num serviço estável e no acompanhamento contínuo dos KPI. A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. A Ailoot aplica essa experiência operacional ao acesso por API a funcionalidades de IA nos produtos dos clientes, agentes, aplicações e automatizações.