Source: https://ailoot.ai/models/uz/amazon-titan-embed-image-v1/ Canonical: https://ailoot.ai/models/uz/amazon-titan-embed-image-v1/ Language: uz # Amazon: Titan Multimodal Embeddings G1 [Markdown](https://ailoot.ai/models/uz/amazon-titan-embed-image-v1/index.md) · [JSON](https://ailoot.ai/models/uz/amazon-titan-embed-image-v1/facts.json) ## [Amazon: Titan Multimodal Embeddings G1](https://ailoot.ai/models/uz/amazon-titan-embed-image-v1/) `amazon/titan-embed-image-v1` AmazonEmbeddinglarKirish 0,0016 US$ / 1KChiqish — Titan multimodal makonida maʼnoviy qidiruv va tavsiyalar uchun qisqa matndan vektorlar yaratadi. ### Multimodal makonga matn kiritish Amazon 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. ### Qaysi vazifalar uchun mos Modeldan 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. Titanʼning 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. ### Ishni qanday tashkil etish mumkin 1. Bitta predmet, xususiyat yoki qidiruv maqsadini qisqa iborada ifodalang. 2. Shu iboraning embedding vektorini oling. 3. Uni o‘z indeksingizdagi vektorlar bilan taqqoslab, mos yozuvlarni tanlang. 4. Topilgan materiallarni keyingi bosqichga, masalan katalog interfeysiga yoki javob tuzadigan alohida modelga uzating. Indeks 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. ### Ailootʼdagi kirish va natija Bu 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. ### Ailoot API orqali mavjud Kirish `text` Chiqish `embedding` Kontekst 128 *token* Maks. javob Katalogda ko‘rsatilmagan Kirish 0,0016 US$ */ 1K* `amazon/titan-embed-image-v1` · JSON ``` {"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."} ``` ## Savollar Vazifam uchun modelni qanday tanlayman? Avval kerakli kirish va chiqishni aniqlang: matn, rasm, audio yoki video. Keyin mos API usullari, modelning aniq ID qiymati yoki alias hozir yo‘naltiradigan model, narx va hisoblash birligini solishtiring. Bepul GET /v1/models kalitingizga ochiq modellarni ko‘rsatadi. Har bir model barcha API usullari va media turlarini qo‘llaydimi? Model kartasida ko‘rsatilgan API usullari hamda kirish va chiqish turlaridan foydalaning. Matn, rasm, audio yoki video qo‘llanishi tanlangan model va usulga bog‘liq; ma’lumot yuborishdan oldin ularning so‘rov misolini tekshiring. Model ID qiymati bilan alias o‘rtasidagi farq nima? Aniq ID muayyan modelni bildiradi. Alias modelga yo‘naltiradi va uning maqsad modeli o‘zgarishi mumkin. Katalogda alias hozir qaysi modelga yo‘naltirishini tekshiring; integratsiyaga muayyan model kerak bo‘lsa, aniq ID dan foydalaning. So‘rov yuborishdan oldin narxlarni qanday solishtiraman? Model kartasida tanlangan API usulining narxi va hisoblash birligini tekshiring. Bir xil birlik hamda kirish va chiqish turlarini solishtiring; so‘rovlar tarixi haqiqiy foydalanish va yechilgan summani ko‘rsatadi. Obuna nima beradi? Muntazam ishga token xaridi chegirmasini. So‘rov hajmingizga mos tarif tanlang; obuna sharti va narxi rasmiylashtirishda ko‘rsatiladi. 50% gacha promokod chegirmasini qanday qo‘llayman? Token xaridida promokod kiriting. Yakuniy summa aksiya shartlari bo‘yicha qayta hisoblanadi; chegirma to‘lovdan oldin ko‘rinadi. ## Ailoot · Kompaniya va uning loyihalar portfeli Ailoot to‘plangan faoliyat tajribasi, keng mijozlar bazasi, barqaror xizmat va doimiy KPI nazoratiga tayanadi. Kompaniya va uning loyihalar portfeli: millionlab mijozlar; oylik sotuvlar hajmi milliardlarda. Ailoot bu faoliyat tajribasini mijozlar mahsulotlari, agentlar, ilovalar va avtomatlashtirishlarda AI imkoniyatlariga API orqali kirishni ta’minlashda qo‘llaydi.