Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.

BGE-M3 de BAAI es un modelo de embeddings: convierte texto en vectores numéricos para búsqueda semántica, RAG, agrupación, deduplicación y clasificación de documentos. Es adecuado cuando necesitas buscar por significado, no por coincidencia exacta de palabras, y cuando construyes una base de conocimiento sobre tus datos.

La salida no es texto, sino un vector de dimensión fija: una matriz de números en la respuesta JSON de la API. Estos vectores se almacenan en Qdrant, pgvector u otro almacenamiento vectorial y se comparan mediante similitud de coseno. El contexto del modelo es de 8192 tokens por solicitud.

En nuestros datos no se indica un modo de razonamiento, y para los embeddings no es necesario: el modelo codifica el significado del texto en un vector en una sola pasada. La lógica sobre los resultados la construye tu pipeline, por ejemplo, un modelo generativo al que le pasas los fragmentos encontrados.

La llamada a funciones y la salida estructurada no están marcadas en nuestros datos; son herramientas de modelos generativos. Sin embargo, la respuesta de la API llega en JSON: una matriz de números por cada fragmento enviado, por lo que es fácil de analizar en el código. Para el function calling, conecta un modelo de texto a través de la misma API.

La recepción de archivos distintos al texto no está marcada en nuestros datos: como entrada, pasas una cadena o una matriz de cadenas dentro de un límite de 8192 tokens. Si necesitas imágenes o audio, cambia a un modelo multimodal; la API única de BotHub compatible con OpenAI permite hacerlo sin reescribir la integración.

El multilingüismo está integrado en la base de este modelo de BAAI: está diseñado para trabajar con textos en diferentes idiomas, y los escenarios de búsqueda y RAG en ruso se implementan regularmente con él. Aun así, verifica la calidad final con tus propios datos: ejecuta una muestra de prueba de consultas y compara los resultados.