Amazon: Titan Multimodal Embeddings G1

{"about":"### Multimodal makonga matn kiritish\n\nAmazon Titan Multimodal Embeddings G1 — matn va tasvirlar uchun umumiy ifodalar makoniga ega Amazon embedding modeli. Ailootʼdagi bu kartochka matn bilan ishlashni taqdim etadi: qisqa tavsif yoki qidiruv iborasini yuborib, sonli vektor olasiz. U matn mazmunini ilova boshqa mos vektorlar bilan taqqoslay oladigan shaklda ifodalaydi.\n\n### Qaysi vazifalar uchun mos\n\nModeldan katalog bo‘yicha qidiruv, tavsiyalar va shaxsiylashtirish tizimining bir qismi sifatida foydalanish mumkin. Masalan, «sayohat uchun qizil sumka» tavsifi qidiruv vektoriga aylanadi; ilovangiz tayyor indeksdan shu vektorga yaqin yozuvlarni topadi. Natija katalog mazmuniga ham, uni indekslash usuliga ham bog‘liq: embedding so‘rovni ifodalaydi, yakuniy tanlovni esa qidiruv tizimi tuzadi.\n\nTitanʼning bu versiyasi matn va tasvir maʼlumotlari uchun yagona makonga yo‘naltirilgani bilan ajralib turadi. Obyektlarning mos ifodalari oldindan tayyorlangan tizimda matn vektori foydali bo‘lishi mumkin. Matnli hujjatlar bo‘yicha oddiy qidiruvda parcha uzunligi va tilning vazifaga mosligi ham muhim: ishlab chiqaruvchi G1ʼni qisqa matnli kirishga ega ingliz tilidagi model sifatida tavsiflaydi.\n\n### Ishni qanday tashkil etish mumkin\n\n1. Bitta predmet, xususiyat yoki qidiruv maqsadini qisqa iborada ifodalang.\n2. Shu iboraning embedding vektorini oling.\n3. Uni o‘z indeksingizdagi vektorlar bilan taqqoslab, mos yozuvlarni tanlang.\n4. Topilgan materiallarni keyingi bosqichga, masalan katalog interfeysiga yoki javob tuzadigan alohida modelga uzating.\n\nIndeks va so‘rov maʼlumotlarni mos shaklda ifodalashi kerak. Katta katalogni to‘ldirishdan avval haqiqiy qidiruv iboralarini tekshirish foydali: maʼno mosligi, kam uchraydigan xususiyatlar va o‘xshash so‘zlar turli obyektlarni tavsiflaydigan holatlarni sinang.\n\n### Ailootʼdagi kirish va natija\n\nBu yerdagi usul **matn** qabul qilib, **embedding** qaytaradi; kartochkadagi kirish chegarasi — **128 token**. Ushbu amal uchun qisqa tavsiflar kerak, uzun hujjatni esa oldindan alohida maʼnoviy parchalarga ajratgan maʼqul. Tasvir yuklash, rasm yaratish va video bilan ishlash bu usulga kirmaydi. Multimodal nomi asl modelni tavsiflaydi, ushbu kartochkada esa matndan vektor yaratish mumkin.","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":"Titan multimodal makonida maʼnoviy qidiruv va tavsiyalar uchun qisqa matndan vektorlar yaratadi."}