We gebruiken cookies. Cookies en browseropslag houden je ingelogd en onthouden je voorkeuren. Met je toestemming meten we ook hoe de site wordt gebruikt. Je kunt je wanneer je wilt. Zie ons cookiebeleid.
amazon/titan-embed-image-v1Draait op je saldo tegen de prijzen hierboven. Nieuwe accounts beginnen met gratis gebruik.
Instellingen
Amazon Titan Multimodal Embeddings G1 is een embeddingmodel van Amazon, vermeld op api14 onder het model-id amazon/titan-embed-image-v1. Het valt in de categorie embeddings, wat betekent dat het invoer omzet in vectoren in plaats van tekst of afbeeldingen te genereren. Het is gericht op ontwikkelaars die zoek- en aanbevelingssystemen bouwen die over meer dan één type content moeten werken.
Het model accepteert tekst, afbeeldingen, of tekst en afbeelding samen, en produceert embeddings als enige uitvoer. Omdat al die invoer in een gedeelde vectorruimte wordt afgebeeld, kunnen een tekstquery en een afbeelding direct worden vergeleken, wat crossmodaal ophalen mogelijk maakt. Het contextvenster is 128 tokens, en de maximale uitvoer is 115. Afbeeldingen worden aangeleverd als base64.
Die mogelijkheden wijzen op een tamelijk specifieke set toepassingen. Multimodaal zoeken is de voor de hand liggende: een gebruiker typt een beschrijving en het systeem haalt overeenkomende afbeeldingen op, of een gebruiker levert een afbeelding aan en het systeem haalt overeenkomende tekst op. Aanbeveling is het andere belangrijke geval, waarbij items die afbeeldingen en tekst mixen worden ge-embed en op similariteit vergeleken. Elke workflow die één enkele vectorindex over beide modaliteiten nodig heeft, in plaats van twee afzonderlijke indexen, past bij dit model.
Je roept het aan via de OpenAI-compatibele API van api14 met het model-id amazon/titan-embed-image-v1, dus bestaande OpenAI-clientbibliotheken werken zonder wijzigingen. Het model ondersteunt geen aanvullende requestparameters naast de standaardparameters voor het endpoint. Omdat het contextvenster 128 tokens is, houd tekstinvoer kort en behandel elke request als één enkele embeddingbewerking in plaats van als een lang document dat door het model zelf in stukken moet worden gehakt.
Als je invoer lange tekstpassages is, zal het venster van 128 tokens de beperkende factor zijn, en een tekst-only embeddingmodel met een grotere context past waarschijnlijk beter. Hetzelfde geldt als je gegenereerde uitvoer nodig hebt in plaats van vectoren, aangezien dit model alleen embeddings retourneert. Voor korte tekst, afbeeldingen, of een combinatie van de twee die in één gedeelde vectorruimte moet leven, is het de juiste keuze.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.embeddings.create({
"model": "amazon/titan-embed-image-v1",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
Deze community heeft nog geen topics. Open het eerste topic over Amazon: Titan Multimodal Embeddings G1.