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.

Le modèle convertit le texte en vecteurs numériques : ils servent à la recherche sémantique, aux pipelines RAG, au clustering, à la déduplication, à la classification de tickets et aux recommandations. Un contexte allant jusqu'à 20 000 jetons permet de vectoriser de grands fragments de documents en entier, sans découpage, et le mode BATCH est pratique pour l'indexation massive de bases.

En sortie, vous n'obtenez pas du texte, mais un tableau de nombres — un vecteur de longueur fixe pour chaque fragment. La réponse arrive en JSON via une API unique compatible OpenAI et s'intègre directement dans des bases vectorielles comme Qdrant ou pgvector, sans conversion de format intermédiaire.

Aucun mode de raisonnement spécifique n'est indiqué dans nos données, et la tâche du modèle est différente : il ne rédige pas de réponses, mais renvoie des vecteurs. Construisez la logique d'inférence sur un modèle textuel auquel vous transmettez les fragments trouvés via les embeddings — il est facile de basculer vers celui-ci via la même API.

Il n'y a aucune mention d'appel de fonctions ou de schémas de sortie structurée dans nos données. Cependant, la réponse de l'embedding arrive déjà sous forme de JSON structuré avec un tableau de vecteurs, donc un mode séparé n'est généralement pas nécessaire. Si vous avez besoin d'outils et de schémas stricts, connectez un modèle textuel avec la même clé.

L'acceptation de tout autre format que le texte n'est pas indiquée dans nos données, planifiez donc votre pipeline sur des fragments textuels : transcriptions, reconnaissance vocale, descriptions et légendes de fichiers. Pour travailler avec des images, de l'audio et de la vidéo, utilisez les modèles spécialisés de BotHub — l'intégration et l'accès restent les mêmes.

Les modèles de la famille Gemini sont conçus pour des corpus multilingues, mais nous n'avons pas de caractéristiques linguistiques spécifiques dans nos données. Évaluez donc la qualité sur vos propres documents : rassemblez un ensemble de requêtes types et vérifiez la pertinence des résultats. L'accès au modèle depuis la Russie se fait sans VPN ni carte étrangère, avec paiement en roubles.