Amazon: Titan Multimodal Embeddings G1

{"about":"### Đưa văn bản vào không gian đa phương thức\n\nAmazon Titan Multimodal Embeddings G1 là mô hình embedding của Amazon, dùng chung một không gian biểu diễn cho văn bản và hình ảnh. Trong Ailoot API, thẻ mô hình này cung cấp quy trình với văn bản: bạn gửi mô tả ngắn hoặc cụm từ tìm kiếm và nhận về một vectơ số. Vectơ biểu diễn nội dung văn bản theo dạng mà ứng dụng có thể so sánh với các vectơ tương thích khác.\n\n### Các tác vụ phù hợp\n\nCó thể dùng mô hình như một thành phần của tìm kiếm danh mục, hệ thống đề xuất và cá nhân hóa. Ví dụ, mô tả “túi du lịch màu đỏ” trở thành vectơ truy vấn để ứng dụng tìm các mục gần nghĩa trong chỉ mục đã chuẩn bị. Kết quả tìm kiếm phụ thuộc cả nội dung danh mục lẫn cách lập chỉ mục: embedding biểu diễn truy vấn, còn hệ thống tìm kiếm tạo danh sách kết quả.\n\nĐiểm đặc trưng của phiên bản Titan này là định hướng vào không gian thống nhất cho dữ liệu văn bản và hình ảnh. Vectơ văn bản có thể hữu ích trong hệ thống đã chuẩn bị sẵn các biểu diễn đối tượng tương thích. Với tìm kiếm tài liệu văn bản thông thường, độ dài đoạn và mức phù hợp của ngôn ngữ với tác vụ cũng quan trọng: nhà sản xuất mô tả G1 là mô hình tiếng Anh với đầu vào văn bản ngắn.\n\n### Tổ chức quy trình\n\n1. Diễn đạt một đối tượng, thuộc tính hoặc ý định tìm kiếm bằng cụm từ ngắn.\n2. Lấy embedding của cụm từ đó.\n3. So sánh với các vectơ trong chỉ mục và chọn các mục phù hợp.\n4. Chuyển tài liệu tìm được sang bước tiếp theo, chẳng hạn giao diện danh mục hoặc một mô hình riêng để soạn câu trả lời.\n\nChỉ mục và truy vấn phải dùng các biểu diễn dữ liệu tương thích. Trước khi đưa dữ liệu vào một danh mục lớn, nên kiểm tra các cụm từ tìm kiếm thực tế: sự tương đồng về nghĩa, thuộc tính ít gặp và trường hợp những từ gần giống nhau mô tả các đối tượng khác nhau.\n\n### Đầu vào và kết quả trong Ailoot API\n\nPhương thức ở đây nhận **văn bản** và trả về **embedding**; giới hạn đầu vào của thẻ này là **128 token**. Thao tác này cần mô tả ngắn; nên chia tài liệu dài thành các đoạn có ý nghĩa riêng trước khi gửi. Phương thức này không bao gồm tải hình ảnh, tạo ảnh hay xử lý video. Tên Multimodal mô tả mô hình gốc, còn quy trình được cung cấp ở thẻ này là tạo vectơ từ văn bản.","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":"Tạo vectơ từ văn bản ngắn để tìm kiếm ngữ nghĩa và đề xuất trong không gian đa phương thức của Titan."}