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.

embed-5-pro convierte texto en vectores (embeddings), que facilitan la búsqueda de fragmentos similares por significado, no por coincidencia de palabras. Se utiliza para crear búsquedas semánticas, sistemas RAG, bases de conocimiento, agrupación y clasificación temática de documentos. Su contexto de hasta 128 mil tokens permite procesar fragmentos de texto extensos.

embed-5-pro no genera texto, imágenes ni archivos: su resultado es un vector, un conjunto de números de dimensión fija que describe el significado del texto proporcionado. Este vector se envía a una base de datos vectorial o índice de búsqueda, como Qdrant o pgvector, para comparar la proximidad de los fragmentos. Consulta la dimensión del vector en la documentación del proveedor.

No hemos observado un paso de razonamiento previo en embed-5-pro. No es un modelo de chat: recibe texto y devuelve directamente un vector para búsqueda o agrupación, sin explicaciones intermedias ni planes de acción. Si necesitas una cadena de razonamiento, esta debe implementarse en la aplicación o mediante otro modelo.

No hemos observado llamadas a funciones ni salida estructurada en JSON. embed-5-pro no es un modelo conversacional: devuelve un vector numérico, no una respuesta de texto, por lo que las herramientas habituales de los modelos de chat no se aplican. Si necesitas JSON o llamadas a funciones, la aplicación debe generarlos a partir de los vectores obtenidos.

No tenemos confirmación de que acepte imágenes, audio o video; solo hemos verificado su trabajo con texto para generar embeddings. No podemos asegurar que carezca de estas capacidades, pero no deberías basar tu diseño en ellas. Consulta la lista actual de formatos de entrada en la documentación del proveedor.

No tenemos datos sobre la calidad de su desempeño en ruso, por lo que no podemos prometer resultados específicos. Los modelos de embedding suelen evaluarse comprobando si fragmentos en ruso con significados similares se ubican en puntos cercanos en el espacio vectorial. Recomendamos probarlo con tus propios pares de consultas y documentos antes de implementarlo en búsqueda o RAG.