Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Marengo Sematkan v2.7
TwelveLabs — Marengo Sematkan v2.7
Detail Model
Marengo Embed v2.7 adalah model penyematan TwelveLabs video untuk pemahaman, pencarian, dan klasifikasi video multimodal. Untuk informasi lebih lanjut tentang pengembangan dan kinerja model, lihat model/service kartu
Tanggal peluncuran model: 4 Desember 2024
Tanggal model EOL: N/A
Perjanjian Lisensi Pengguna Akhir dan Ketentuan Penggunaan: Lihat
Siklus hidup model: Aktif
ID produk Marketplace:
prod-o6xchhpirymvs
| Modalitas Masukan | Modalitas Keluaran | API didukung | Endpoint didukung |
|---|---|---|---|
 Audio |  Menyematkan | Responses | bedrock-runtime |
| Gambar | Gambar | Chat Completions | bedrock-mantle |
| Pidato | Pidato | Invoke | |
| Teks | Teks | Converse | |
| Video | Video | StartAsyncInvoke |
Harga
Untuk harga, silakan merujuk ke halaman Harga Amazon Bedrock
Akses Terprogram
Gunakan ID model dan URL titik akhir berikut untuk mengakses model ini secara terprogram. Untuk informasi selengkapnya tentang API dan titik akhir yang tersedia, lihat API yang didukung dan Endpoint didukung.
| Titik akhir | ID Model | In-Region URL titik akhir | ID inferensi geo | ID inferensi global |
|---|---|---|---|---|
bedrock-runtime |
twelvelabs.marengo-embed-2-7-v1:0 |
https://bedrock-runtime.{region}.amazonaws.com |
|
Tidak didukung |
Misalnya, jika wilayah adalah us-east-1 (Virginia N.), maka URL endpoint batuan dasar runtime akan menjadi "" dan untuk mantel dasar akan menjadi "”. https://bedrock-runtime.us-east-1.amazonaws.com https://bedrock-mantle.us-east-1.api.aws/v1
Tingkatan Layanan
Amazon Bedrock menawarkan beberapa tingkatan layanan agar sesuai dengan persyaratan beban kerja Anda. Standar menyediakan akses bayar per token tanpa komitmen. Prioritas menawarkan throughput yang lebih tinggi dengan komitmen berbasis waktu. Flex menyediakan akses berbiaya lebih rendah untuk beban kerja yang fleksibel dan tidak sensitif terhadap waktu. Reserved menyediakan throughput khusus dengan komitmen jangka untuk beban kerja yang dapat diprediksi. Untuk informasi selengkapnya, lihat tingkatan layanan.
| Standar | Prioritas | Fleksibel | Reserved |
|---|---|---|---|
|
|
|
|
Ketersediaan Wilayah
Sekilas tentang ketersediaan regional
Bedrock menawarkan tiga opsi inferensi: In-Regionmenyimpan permintaan dalam satu Wilayah untuk kepatuhan yang ketat, Cross-Region rute Geo lintas Wilayah dalam geografi (AS, UE, dll.) untuk throughput yang lebih tinggi sambil menghormati residensi data, dan Cross-Region rute Global di mana saja di seluruh dunia untuk throughput maksimum ketika tidak ada kendala residensi. Lihat Ketersediaan regional berdasarkan model halaman untuk lebih jelasnya.
| Wilayah | In-Region | Geo | Global |
|---|---|---|---|
us-east-1(Virginia Utara) | | | |
eu-west-1(Irlandia) | | | |
Detail inferensi geo
Geo: AS
ID Inferensi Geo: us.twelvelabs.marengo-embed-2-7-v1:0
| Wilayah Sumber | Wilayah Tujuan |
|---|---|
| us-east-1 (Virginia Utara) | us-east-1 (Virginia N.), us-east-2 (Ohio), us-west-1 (California N.), us-west-2 (Oregon) |
Geo: UE
ID Inferensi Geo: eu.twelvelabs.marengo-embed-2-7-v1:0
| Wilayah Sumber | Wilayah Tujuan |
|---|---|
| eu-west-1 (Irlandia) | eu-central-1 (Frankfurt), eu-north-1 (Stockholm), eu-south-1 (Milan), eu-south-1 (Milan), eu-south-2 (Spanyol), eu-west-1 (Irlandia), eu-west-3 (Paris) |
Kuota dan Batas
Akun AWS Anda memiliki kuota default untuk mempertahankan kinerja layanan dan untuk memastikan penggunaan Amazon Bedrock yang tepat. Kuota default yang ditetapkan ke akun dapat diperbarui tergantung pada faktor regional, riwayat pembayaran, penggunaan penipuan, and/or persetujuan permintaan peningkatan kuota. Untuk lebih jelasnya, silakan merujuk ke Kuota untuk Amazon Bedrock dokumentasi dan lihat batas untuk model.
Kode Sampel
Langkah 1 - Akun AWS: Jika Anda sudah memiliki akun AWS, lewati langkah ini. Jika Anda baru mengenal AWS, daftar akun AWS
Langkah 2 - Kunci API: Buka konsol Amazon Bedrock
Langkah 3 - Dapatkan SDK:
pip install boto3
Langkah 4 - Mengatur variabel lingkungan:
AWS_BEARER_TOKEN_BEDROCK="<provide your Bedrock API key>"
Langkah 5 - Jalankan permintaan inferensi pertama Anda: Model ini menggunakanStartAsyncInvoke. Simpan file sebagai bedrock-first-request.py
import boto3 client = boto3.client('bedrock-runtime', region_name='us-east-1') response = client.start_async_invoke( modelId='twelvelabs.marengo-embed-2-7-v1:0', modelInput={}, outputDataConfig={'s3OutputDataConfig': {'s3Uri': 's3://your-bucket/output/'}} ) print(response)
