Amazon: Titan Multimodal Embeddings G1

{"about":"### Text som indata i ett multimodalt representationsrum\n\nAmazon Titan Multimodal Embeddings G1 är Amazons embeddingmodell med ett gemensamt representationsrum för text och bilder. I Ailoot API ger det här modellkortet tillgång till ett textbaserat arbetsflöde: du skickar en kort beskrivning eller sökfras och får en numerisk vektor. Den återger textens innehåll i en form som applikationen kan jämföra med andra kompatibla vektorer.\n\n### Lämpliga användningsområden\n\nModellen kan ingå i katalogsökning, rekommendationer och personalisering. Till exempel blir beskrivningen ”röd resväska” en sökvektor som din applikation använder för att hitta närliggande poster i ett förberett index. Sökresultatet beror både på katalogens innehåll och på hur den indexerats: en embedding representerar frågan, medan söksystemet sammanställer det faktiska urvalet.\n\nDen här Titan-versionen är inriktad på ett gemensamt representationsrum för text och visuella data. En textvektor kan vara användbar i ett system där kompatibla objektrepresentationer redan finns. Vid vanlig sökning i textdokument spelar även avsnittens längd och språkets lämplighet för uppgiften roll: tillverkaren beskriver G1 som en engelskspråkig modell med kort textindata.\n\n### Så lägger du upp arbetet\n\n1. Formulera ett föremål, en egenskap eller en sökavsikt i en kort fras.\n2. Skapa en embedding av frasen.\n3. Jämför den med vektorerna i ditt index och välj relevanta poster.\n4. Skicka de hittade materialen vidare, till exempel till katalogens gränssnitt eller till en separat modell som formulerar ett svar.\n\nIndex och sökfråga måste använda kompatibla datarepresentationer. Innan du fyller en stor katalog är det bra att testa verkliga sökfraser: semantisk överensstämmelse, ovanliga egenskaper och situationer där liknande ord beskriver olika föremål.\n\n### Indata och resultat i Ailoot API\n\nMetoden som är tillgänglig här tar emot **text** och returnerar en **embedding**; indatagränsen för det här modellkortet är **128 token**. Åtgärden kräver korta beskrivningar, så långa dokument bör först delas upp i separata meningsbärande avsnitt. Uppladdning av bilder, bildgenerering och videobearbetning ingår inte i metoden. Namnet Multimodal beskriver den ursprungliga modellen, medan det tillgängliga arbetsflödet i det här modellkortet skapar en vektor från text.","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":"Skapar vektorer från kort text för semantisk sökning och rekommendationer i Titans multimodala representationsrum."}