TwelveLabs Marengo Embed 3.0正式落地Amazon Bedrock Knowledge Bases

TwelveLabs Marengo Embed 3.0现已作为嵌入模型在Amazon Bedrock Knowledge Bases中普遍可用。该模型为视频、图像和音频内容带来了完全托管的自然语言搜索功能。演练展示了如何构建由Marengo 3.0驱动的知识库并运行相关操作。

Marengo Embed 3.0的正式可用性

TwelveLabs Marengo Embed 3.0 is now generally available as an embedding model in Amazon Bedrock Knowledge Bases。这一可用性标志着该模型从预览阶段进入正式服务，用户可以在Bedrock环境中直接选择并部署它。

这一发布让开发者无需自行管理底层基础设施，即可将Marengo 3.0集成到知识库项目中。Amazon Bedrock Knowledge Bases作为托管服务，负责处理模型的部署、扩展和维护工作。

正式可用后，用户可以立即在控制台或通过API创建新的知识库，并指定Marengo 3.0作为嵌入模型。这一变化简化了多媒体内容检索系统的搭建流程。

视频图像音频的自然语言搜索支持

bringing fully managed natural language search to video, image, and audio content，Marengo 3.0让这些媒体类型能够通过自然语言查询被检索。

过去，视频和图像内容的搜索通常依赖于人工标注或专用视觉模型，而现在用户可以用日常语言描述想要的内容，系统会返回匹配的片段或图像。

完全托管的特性意味着Amazon Bedrock会自动完成向量嵌入生成、索引构建和查询匹配等全部环节。用户无需关心嵌入维度、相似度计算或存储扩展等问题。

音频内容同样纳入支持范围，这为播客、会议录音或多媒体档案的语义搜索打开了新空间。自然语言搜索能力让检索过程更接近人类思考方式。

知识库构建演练概述

This walkthrough shows how to build a knowledge base powered by Marengo 3.0。整个过程围绕创建、配置和填充知识库展开。

首先需要在Amazon Bedrock控制台中选择Knowledge Bases服务，然后新建一个知识库实例。在模型选择环节明确指定TwelveLabs Marengo Embed 3.0作为嵌入模型。

接下来配置数据源。支持上传或指向包含视频、图像和音频的文件存储位置。系统会自动调用Marengo 3.0为这些媒体生成嵌入向量，并建立可搜索的索引。

配置完成后，知识库进入同步阶段。Marengo 3.0负责将原始媒体内容转化为高维向量表示，这一过程由Bedrock完全托管，无需用户编写额外代码。

演练还包括权限设置、元数据定义以及测试数据导入等环节，确保知识库在生产环境中稳定运行。

搜索操作的运行方式

and run部分展示了如何在已构建的知识库上执行搜索查询。

用户通过Bedrock提供的Retrieve API或控制台界面输入自然语言查询，例如“展示城市夜景中穿红色外套的人”。系统使用Marengo 3.0将查询文本转换为嵌入向量，然后与知识库中已存储的视频、图像和音频嵌入进行相似度匹配。

匹配结果会按相关性排序返回，包含指向原始媒体的具体片段或图像。用户还可以进一步指定返回数量、过滤条件或元数据约束来优化搜索输出。

整个搜索流程在Bedrock内部完成，响应时间由托管服务保障。开发者可以将这一能力集成到Web应用、移动端或企业内部搜索系统中。

演练示例中还演示了如何处理多模态查询，以及如何将搜索结果与下游生成式AI模型结合使用。

嵌入模型的核心功能定位

Marengo 3.0作为embedding model在Bedrock Knowledge Bases中承担核心向量生成任务。它将不同模态的内容统一映射到共享的语义空间中。

这一定位让视频帧、图像整体和音频片段能够与文本查询直接比较，而无需为每种媒体单独维护索引。Bedrock Knowledge Bases则提供围绕这一嵌入模型的完整生命周期管理。

从数据摄入到查询服务，Marengo 3.0与Bedrock服务紧密结合，降低了构建多媒体智能检索系统的技术门槛。企业用户可以专注于业务逻辑，而将向量搜索的复杂性交给托管平台。

该模型的可用性也为后续扩展奠定基础，例如结合其他Bedrock功能实现端到端的多模态问答系统。

实际应用场景与集成建议

在媒体档案管理领域，Marengo 3.0驱动的知识库可以帮助新闻机构快速定位历史视频中的特定事件或人物画面。教育平台则能让学生通过描述性语言找到相关教学图像和讲解音频。

电商企业可以利用图像搜索功能，让用户上传照片后检索相似商品展示视频。安防监控系统也能通过自然语言查询快速筛选出包含特定行为的视频片段。

集成时建议先从小规模数据集开始测试，逐步增加媒体数量以观察检索准确率。合理设置元数据标签能进一步提升搜索精度。

开发者还可以通过AWS SDK调用知识库API，将搜索能力嵌入现有应用程序。监控Bedrock提供的指标可以帮助优化查询性能和成本。

未来发展方向

随着Marengo 3.0在Bedrock Knowledge Bases中的广泛使用，更多行业解决方案有望出现。AWS持续扩展支持的媒体格式和模型能力，将进一步丰富多模态搜索的选择。

当前可用性已经为开发者提供了可靠的起点。围绕这一嵌入模型构建的知识库，正在让视频、图像和音频内容变得像文本一样易于搜索和利用。

通过托管服务的方式，Amazon Bedrock降低了技术壁垒，让更多组织能够将先进的自然语言多媒体搜索能力应用到实际业务中。

相关阅读