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.

El modelo convierte texto en vectores numéricos: se utilizan para crear búsquedas semánticas, pipelines de RAG, agrupación y desduplicación, clasificación de tickets y recomendaciones. El contexto de hasta 20 000 tokens permite vectorizar fragmentos grandes de documentos completos, sin dividirlos en partes pequeñas, y el modo BATCH es útil para la indexación masiva de bases de datos.

Como resultado, no obtiene texto, sino una matriz de números: un vector de longitud fija para cada fragmento. La respuesta llega en JSON a través de una API compatible con OpenAI y se integra directamente en bases de datos vectoriales como Qdrant o pgvector, sin conversión intermedia de formatos.

No se ha observado un modo de razonamiento específico en nuestros datos, y la tarea del modelo es otra: no escribe respuestas, sino que devuelve vectores. Construya la lógica de inferencia en un modelo de texto al que le pase los fragmentos encontrados mediante los embeddings; cambiarlo en la misma API es sencillo.

No hay notas sobre llamadas a funciones o esquemas de salida estructurada en nuestros datos. Sin embargo, la respuesta del embedding ya llega como un JSON estructurado con una matriz de vectores, por lo que generalmente no se requiere un modo separado. Si necesita herramientas y esquemas estrictos, conecte un modelo de texto con la misma clave.

No se ha observado la recepción de nada que no sea texto en nuestros datos, por lo que debe planificar su pipeline con fragmentos de texto: transcripciones, voz reconocida, descripciones y pies de foto. Para trabajar con imágenes, audio y video, utilice los modelos especializados de BotHub; la integración y el acceso siguen siendo los mismos.

Los modelos de la familia Gemini están diseñados para corpus multilingües, pero no hay características lingüísticas específicas en nuestros datos, por lo que debe evaluar la calidad con sus propios documentos: recopile un conjunto de consultas típicas y verifique la relevancia de los resultados. El acceso al modelo desde Rusia se realiza sin VPN ni tarjetas extranjeras, con pago en rublos.