{
  "aboutHtml": "<h3>ป้อนข้อความเข้าสู่ปริภูมิหลายสื่อ</h3><p>Amazon Titan Multimodal Embeddings G1 เป็นโมเดลเอ็มเบดดิงของ Amazon ที่ใช้ปริภูมิตัวแทนร่วมกันสำหรับข้อความและภาพ ใน Ailoot หน้ารุ่นนี้ให้ใช้งานผ่านข้อความ: ส่งคำอธิบายสั้นหรือวลีค้นหา แล้วรับเวกเตอร์ตัวเลขซึ่งแทนเนื้อหาของข้อความในรูปแบบที่แอปพลิเคชันนำไปเปรียบเทียบกับเวกเตอร์อื่นที่เข้ากันได้</p><h3>เหมาะกับงานใด</h3><p>โมเดลใช้เป็นส่วนหนึ่งของการค้นหาในแค็ตตาล็อก การแนะนำรายการ และการปรับเนื้อหาให้เหมาะกับแต่ละคนได้ ตัวอย่างเช่น คำอธิบายว่า “กระเป๋าเดินทางสีแดง” จะกลายเป็นเวกเตอร์ค้นหาให้แอปพลิเคชันหารายการใกล้เคียงในดัชนีที่เตรียมไว้ ผลการค้นหาขึ้นอยู่กับทั้งเนื้อหาในแค็ตตาล็อกและวิธีทำดัชนี: เอ็มเบดดิงเป็นตัวแทนของคำค้น ส่วนระบบค้นหาเป็นผู้จัดชุดผลลัพธ์</p><p>จุดเด่นของ Titan รุ่นนี้คือการใช้ปริภูมิเดียวสำหรับข้อมูลข้อความและภาพ เวกเตอร์ข้อความอาจมีประโยชน์ในระบบที่เตรียมตัวแทนของวัตถุที่เข้ากันได้ไว้แล้ว สำหรับการค้นหาเอกสารข้อความทั่วไป ต้องพิจารณาความยาวของส่วนข้อความและความเหมาะสมของภาษากับงานด้วย ผู้พัฒนาอธิบาย G1 ว่าเป็นโมเดลภาษาอังกฤษที่รับข้อความสั้น</p><h3>จัดกระบวนการทำงานอย่างไร</h3><ol><li>เขียนวัตถุ คุณสมบัติ หรือเจตนาการค้นหาหนึ่งอย่างเป็นวลีสั้น</li><li>สร้างเอ็มเบดดิงของวลีนั้น</li><li>เปรียบเทียบกับเวกเตอร์ในดัชนีและเลือกรายการที่เหมาะสม</li><li>ส่งข้อมูลที่พบไปยังขั้นต่อไป เช่น ส่วนติดต่อแค็ตตาล็อก หรืออีกโมเดลหนึ่งที่ทำหน้าที่เรียบเรียงคำตอบ</li></ol><p>ดัชนีและคำค้นต้องใช้ตัวแทนข้อมูลที่เข้ากันได้ ก่อนบรรจุแค็ตตาล็อกขนาดใหญ่ ควรทดสอบด้วยวลีค้นหาจริง ทั้งความตรงกันของความหมาย คุณสมบัติที่พบไม่บ่อย และกรณีที่คำคล้ายกันหมายถึงวัตถุคนละอย่าง</p><h3>ข้อมูลเข้าและผลลัพธ์ใน Ailoot</h3><p>เมธอดที่ให้ใช้ที่นี่รับ<strong>ข้อความ</strong>และคืนค่าเป็น<strong>เอ็มเบดดิง</strong> โดยหน้ารุ่นนี้กำหนดขีดจำกัดข้อมูลเข้าไว้ที่ <strong>128 โทเคน</strong> งานนี้จึงเหมาะกับคำอธิบายสั้น ส่วนเอกสารยาวควรแบ่งเป็นส่วนที่มีความหมายแยกกันก่อน เมธอดนี้ไม่รวมการอัปโหลดภาพ การสร้างภาพ หรือการทำงานกับวิดีโอ ชื่อ Multimodal อธิบายโมเดลต้นฉบับ ส่วนการใช้งานในหน้านี้คือการสร้างเวกเตอร์จากข้อความ</p>",
  "aboutText": "### 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",
  "locale": "th",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> เอ็มเบดดิง</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>ขาเข้า</dt><dd><code>text</code></dd></div><div><dt>ขาออก</dt><dd><code>embedding</code></dd></div><div><dt>บริบท</dt><dd>128 <em>โทเคน</em></dd></div><div><dt>ความยาวคำตอบสูงสุด</dt><dd>ไม่ได้ระบุในแค็ตตาล็อก</dd></div></dl><dl><div><dt>ขาเข้า</dt><dd>US$0.0016 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "amazon/titan-embed-image-v1",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "amazon/titan-embed-image-v1",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|amazon%2Ftitan-embed-image-v1",
      "ordinal": 0,
      "rawMethod": {
        "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_id": "amazon/titan-embed-image-v1",
  "page": {
    "canonical": "https://ailoot.ai/models/th/amazon-titan-embed-image-v1/",
    "description": "สร้างเวกเตอร์จากข้อความสั้นเพื่อค้นหาเชิงความหมายและแนะนำรายการในปริภูมิหลายสื่อของ Titan",
    "locale": "th",
    "md_url": "https://ailoot.ai/models/th/amazon-titan-embed-image-v1/index.md",
    "title": "Amazon: Titan Multimodal Embeddings G1",
    "url": "https://ailoot.ai/models/th/amazon-titan-embed-image-v1/"
  },
  "rawModel": {
    "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"
  },
  "renderer_schema": {
    "method_order": "rawModel.methods-ordinal",
    "prices": "exact-native-DTO-units-and-selected-renderer-html"
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "สร้างเวกเตอร์จากข้อความสั้นเพื่อค้นหาเชิงความหมายและแนะนำรายการในปริภูมิหลายสื่อของ Titan",
  "source": {
    "audit_sha256": "4ef79fa61cb11fb592c2c08a4ff764abe52795868609e6e02ed1a8ad7666c530",
    "bridge_map_sha256": "4ef79fa61cb11fb592c2c08a4ff764abe52795868609e6e02ed1a8ad7666c530",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "ec8f9fff4d9f51714980f681ef7c03015c6d8641233695184a5bbb4c9d643af8",
      "renderer_sha256": "ff00245c84d95e11e326654be0ac0d72aa3db20ee75f241c9f19b61e75666743"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "ec8f9fff4d9f51714980f681ef7c03015c6d8641233695184a5bbb4c9d643af8",
    "renderer_sha256": "ff00245c84d95e11e326654be0ac0d72aa3db20ee75f241c9f19b61e75666743"
  },
  "sourceRevision": "146025d95f38aadc89831770d2a8b9e1693496b061832c06c0c975e703165eb8"
}