Amazon Titan Multimodal Embeddings G1 — embedding-модель Amazon с общим пространством представлений для текста и изображений. В Ailoot эта карточка предоставляет текстовый сценарий: вы передаёте короткое описание или поисковую фразу и получаете числовой вектор. Он представляет содержание текста в форме, которую приложение может сравнивать с другими совместимыми векторами.
Модель можно использовать как часть поиска по каталогу, рекомендаций и персонализации. Например, описание «красная сумка для путешествий» становится поисковым вектором, по которому ваше приложение ищет близкие записи в подготовленном индексе. Результат такого поиска зависит и от содержимого каталога, и от способа его индексации: embedding — это представление запроса, а готовую подборку строит поисковая система.
Особенность этой версии Titan — ориентация на единое пространство текстовых и визуальных данных. Текстовый вектор может быть полезен в системе, где совместимые представления объектов уже подготовлены. Для обычного поиска по текстовым документам важны также длина фрагмента и соответствие языка задаче: производитель описывает G1 как англоязычную модель с коротким текстовым входом.
Индекс и запрос должны использовать совместимое представление данных. Перед наполнением большого каталога полезно проверить реальные поисковые фразы: совпадение смысла, редкие характеристики и ситуации, когда похожие слова описывают разные объекты.
Доступный здесь метод принимает текст и возвращает embedding; лимит входа в этой карточке — 128 токенов. Для этой операции нужны краткие описания, а длинный документ лучше заранее разделить на отдельные смысловые фрагменты. Загрузка изображений, создание картинок и работа с видео в данный метод не входят. Название Multimodal описывает исходную модель, а доступный сценарий этой карточки — создание вектора из текста.
", "aboutText": "### Текстовый вход в мультимодальное пространство\n\nAmazon Titan Multimodal Embeddings G1 — embedding-модель Amazon с общим пространством представлений для текста и изображений. В Ailoot эта карточка предоставляет текстовый сценарий: вы передаёте короткое описание или поисковую фразу и получаете числовой вектор. Он представляет содержание текста в форме, которую приложение может сравнивать с другими совместимыми векторами.\n\n### Для каких задач подходит\n\nМодель можно использовать как часть поиска по каталогу, рекомендаций и персонализации. Например, описание «красная сумка для путешествий» становится поисковым вектором, по которому ваше приложение ищет близкие записи в подготовленном индексе. Результат такого поиска зависит и от содержимого каталога, и от способа его индексации: embedding — это представление запроса, а готовую подборку строит поисковая система.\n\nОсобенность этой версии Titan — ориентация на единое пространство текстовых и визуальных данных. Текстовый вектор может быть полезен в системе, где совместимые представления объектов уже подготовлены. Для обычного поиска по текстовым документам важны также длина фрагмента и соответствие языка задаче: производитель описывает G1 как англоязычную модель с коротким текстовым входом.\n\n### Как организовать работу\n\n1. Сформулируйте один предмет, свойство или намерение поиска в короткой фразе.\n2. Получите embedding этой фразы.\n3. Сравните его с векторами своего индекса и выберите подходящие записи.\n4. Передайте найденные материалы дальше — например, в интерфейс каталога или отдельную модель, которая составит ответ.\n\nИндекс и запрос должны использовать совместимое представление данных. Перед наполнением большого каталога полезно проверить реальные поисковые фразы: совпадение смысла, редкие характеристики и ситуации, когда похожие слова описывают разные объекты.\n\n### Вход и результат в Ailoot\n\nДоступный здесь метод принимает **текст** и возвращает **embedding**; лимит входа в этой карточке — **128 токенов**. Для этой операции нужны краткие описания, а длинный документ лучше заранее разделить на отдельные смысловые фрагменты. Загрузка изображений, создание картинок и работа с видео в данный метод не входят. Название Multimodal описывает исходную модель, а доступный сценарий этой карточки — создание вектора из текста.", "locale": "ru", "methods": [ { "html": "POST /v1/embeddingstextembedding