{
  "aboutHtml": "<h3>以文字進入多模態空間</h3><p>Amazon 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。</p><h3>適合哪些工作</h3><p>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。</p><p>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。</p><h3>如何安排流程</h3><ol><li>用簡短詞句表達一個物件、屬性或搜尋意圖。</li><li>取得該詞句的嵌入向量。</li><li>與索引中的向量比較，選出合適項目。</li><li>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。</li></ol><p>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。</p><h3>Ailoot 的輸入與結果</h3><p>此處的方法接受<strong>文字</strong>並傳回<strong>嵌入向量</strong>；本模型卡的輸入上限為 <strong>128 個 token</strong>。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。</p>",
  "aboutText": "### 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。",
  "locale": "zh-hant-tw",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> 嵌入向量</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>輸入</dt><dd><code>text</code></dd></div><div><dt>輸出</dt><dd><code>embedding</code></dd></div><div><dt>上下文</dt><dd>128 <em>token</em></dd></div><div><dt>最大回應</dt><dd>型錄未列明</dd></div></dl><dl><div><dt>輸入</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/zh-hant-tw/amazon-titan-embed-image-v1/",
    "description": "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。",
    "locale": "zh-hant-tw",
    "md_url": "https://ailoot.ai/models/zh-hant-tw/amazon-titan-embed-image-v1/index.md",
    "title": "Amazon: Titan Multimodal Embeddings G1",
    "url": "https://ailoot.ai/models/zh-hant-tw/amazon-titan-embed-image-v1/"
  },
  "rawModel": {
    "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。"
  },
  "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": "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。",
  "source": {
    "audit_sha256": "68a85becf42f891a1c4c537e01ed027183567b6c036a1ac977e78d344e7a7b31",
    "bridge_map_sha256": "68a85becf42f891a1c4c537e01ed027183567b6c036a1ac977e78d344e7a7b31",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "7e8e76b11d317a41b2543da1b1c5903141b5742eb4b2c2f13ae37f985ad6ff38",
      "renderer_sha256": "ff9782d9ac535c4c4d8dcf64caf6d1647fda3a5c20c28fe9033f27d2c7d287f5"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "7e8e76b11d317a41b2543da1b1c5903141b5742eb4b2c2f13ae37f985ad6ff38",
    "renderer_sha256": "ff9782d9ac535c4c4d8dcf64caf6d1647fda3a5c20c28fe9033f27d2c7d287f5"
  },
  "sourceRevision": "5bcaaefc014824c3864f33518ea7f717f119e5c64a794f8fe198a9ae4e599b5f"
}