Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.

embed-5-fast est un modèle d'embeddings : il transforme le texte en vecteur, utilisé pour la recherche sémantique, le RAG et le clustering. Il est idéal pour la recherche dans les bases de connaissances, la recommandation de documents similaires et la déduplication. Contexte jusqu'à 128 000 jetons, permettant d'inclure de longs textes dans un seul fragment.

Le modèle ne génère ni texte, ni images, ni fichiers ; son résultat est une représentation vectorielle du texte d'entrée, que vous enregistrez dans une base de données vectorielle. Le format de réponse est un vecteur numérique, facile à stocker dans Qdrant, pgvector ou une autre base de données vectorielle. Contexte : 128 000 jetons.

Le raisonnement avant réponse n'est pas observé avec embed-5-fast, ce qui est attendu : le modèle ne dialogue pas et ne fournit pas d'explications. Sa tâche est de renvoyer immédiatement un vecteur pour le texte d'entrée. Les chaînes de raisonnement et explications étape par étape doivent être demandées à des modèles textuels, puis le résultat peut être indexé par cet embedder.

L'appel de fonctions et la sortie JSON structurée ne sont pas observés. Ce n'est pas un modèle de chat : il accepte du texte en entrée et produit une représentation vectorielle en sortie, et non un message au format JSON. Si vous avez besoin d'appels de fonctions et de JSON strict, confiez cette tâche à un modèle textuel et utilisez les embeddings pour la recherche.

La réception d'images, d'audio et de vidéo n'est pas observée avec embed-5-fast : le modèle travaille avec du texte, et le vecteur est construit à partir d'un fragment textuel. Les images et enregistrements doivent d'abord être convertis en texte ou en description, puis envoyés pour vectorisation. Consultez la documentation pour les détails sur les types d'entrée pris en charge.

Nous n'avons pas de données spécifiques sur la qualité du travail en russe, nous ne pouvons donc rien promettre de concret. Il est facile de vérifier : prenez vos paires « requête - document », construisez les vecteurs et voyez si la recherche trouve ce qu'il faut. Pour les collections mixtes, testez chaque langue séparément.