Amazon: Titan Multimodal Embeddings G1

{"about":"### ป้อนข้อความเข้าสู่ปริภูมิหลายสื่อ\n\nAmazon Titan Multimodal Embeddings G1 เป็นโมเดลเอ็มเบดดิงของ Amazon ที่ใช้ปริภูมิตัวแทนร่วมกันสำหรับข้อความและภาพ ใน Ailoot หน้ารุ่นนี้ให้ใช้งานผ่านข้อความ: ส่งคำอธิบายสั้นหรือวลีค้นหา แล้วรับเวกเตอร์ตัวเลขซึ่งแทนเนื้อหาของข้อความในรูปแบบที่แอปพลิเคชันนำไปเปรียบเทียบกับเวกเตอร์อื่นที่เข้ากันได้\n\n### เหมาะกับงานใด\n\nโมเดลใช้เป็นส่วนหนึ่งของการค้นหาในแค็ตตาล็อก การแนะนำรายการ และการปรับเนื้อหาให้เหมาะกับแต่ละคนได้ ตัวอย่างเช่น คำอธิบายว่า “กระเป๋าเดินทางสีแดง” จะกลายเป็นเวกเตอร์ค้นหาให้แอปพลิเคชันหารายการใกล้เคียงในดัชนีที่เตรียมไว้ ผลการค้นหาขึ้นอยู่กับทั้งเนื้อหาในแค็ตตาล็อกและวิธีทำดัชนี: เอ็มเบดดิงเป็นตัวแทนของคำค้น ส่วนระบบค้นหาเป็นผู้จัดชุดผลลัพธ์\n\nจุดเด่นของ Titan รุ่นนี้คือการใช้ปริภูมิเดียวสำหรับข้อมูลข้อความและภาพ เวกเตอร์ข้อความอาจมีประโยชน์ในระบบที่เตรียมตัวแทนของวัตถุที่เข้ากันได้ไว้แล้ว สำหรับการค้นหาเอกสารข้อความทั่วไป ต้องพิจารณาความยาวของส่วนข้อความและความเหมาะสมของภาษากับงานด้วย ผู้พัฒนาอธิบาย G1 ว่าเป็นโมเดลภาษาอังกฤษที่รับข้อความสั้น\n\n### จัดกระบวนการทำงานอย่างไร\n\n1. เขียนวัตถุ คุณสมบัติ หรือเจตนาการค้นหาหนึ่งอย่างเป็นวลีสั้น\n2. สร้างเอ็มเบดดิงของวลีนั้น\n3. เปรียบเทียบกับเวกเตอร์ในดัชนีและเลือกรายการที่เหมาะสม\n4. ส่งข้อมูลที่พบไปยังขั้นต่อไป เช่น ส่วนติดต่อแค็ตตาล็อก หรืออีกโมเดลหนึ่งที่ทำหน้าที่เรียบเรียงคำตอบ\n\nดัชนีและคำค้นต้องใช้ตัวแทนข้อมูลที่เข้ากันได้ ก่อนบรรจุแค็ตตาล็อกขนาดใหญ่ ควรทดสอบด้วยวลีค้นหาจริง ทั้งความตรงกันของความหมาย คุณสมบัติที่พบไม่บ่อย และกรณีที่คำคล้ายกันหมายถึงวัตถุคนละอย่าง\n\n### ข้อมูลเข้าและผลลัพธ์ใน Ailoot\n\nเมธอดที่ให้ใช้ที่นี่รับ**ข้อความ**และคืนค่าเป็น**เอ็มเบดดิง** โดยหน้ารุ่นนี้กำหนดขีดจำกัดข้อมูลเข้าไว้ที่ **128 โทเคน** งานนี้จึงเหมาะกับคำอธิบายสั้น ส่วนเอกสารยาวควรแบ่งเป็นส่วนที่มีความหมายแยกกันก่อน เมธอดนี้ไม่รวมการอัปโหลดภาพ การสร้างภาพ หรือการทำงานกับวิดีโอ ชื่อ Multimodal อธิบายโมเดลต้นฉบับ ส่วนการใช้งานในหน้านี้คือการสร้างเวกเตอร์จากข้อความ","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":"สร้างเวกเตอร์จากข้อความสั้นเพื่อค้นหาเชิงความหมายและแนะนำรายการในปริภูมิหลายสื่อของ Titan"}