Amazon: Titan Multimodal Embeddings G1

{"about":"### 以文字進入多模態空間\n\nAmazon Titan Multimodal Embeddings G1 是 Amazon 的嵌入模型，讓文字與影像共用同一個表徵空間。在 Ailoot，這張模型卡提供文字使用情境：傳入簡短描述或搜尋詞句，即可取得數值向量。應用程式可用這種形式表達文字內容，再與其他相容向量比較。\n\n### 適合哪些工作\n\n模型可作為商品目錄搜尋、推薦與個人化流程的一部分。例如，「紅色旅行包」這段描述會轉成搜尋向量，讓應用程式在事先建立的索引中尋找相近項目。搜尋結果同時取決於目錄內容與建立索引的方式：嵌入向量表達查詢，實際結果清單則由搜尋系統產生。\n\n這一版 Titan 的特色是將文字與視覺資料放在共同空間中。若系統已備妥相容的物件表徵，文字向量便能派上用場。用於一般文字文件搜尋時，也要考量片段長度及語言是否適合任務：開發商將 G1 描述為接受簡短文字輸入的英語模型。\n\n### 如何安排流程\n\n1. 用簡短詞句表達一個物件、屬性或搜尋意圖。\n2. 取得該詞句的嵌入向量。\n3. 與索引中的向量比較，選出合適項目。\n4. 將找到的資料交給下一階段，例如商品目錄介面，或另一個負責組織答案的模型。\n\n索引與查詢必須使用相容的資料表徵。在大量建立目錄索引前，適合先用真實搜尋詞句測試：檢查語意是否吻合、少見屬性是否可辨識，以及相似詞語指向不同物件的情況。\n\n### Ailoot 的輸入與結果\n\n此處的方法接受**文字**並傳回**嵌入向量**；本模型卡的輸入上限為 **128 個 token**。這項操作適合簡短描述，長篇文件宜先切成獨立的語意片段。此方法不包含上傳影像、生成圖片或處理影片。Multimodal 名稱描述的是原始模型，本模型卡提供的使用方式則是將文字轉成向量。","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":"將簡短文字轉換為向量，用於 Titan 多模態空間中的語意搜尋與推薦。"}