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 OpenAI transforme le texte en vecteurs numériques pour calculer la proximité sémantique. Adapté à la recherche sémantique, aux systèmes RAG sur votre base de connaissances, au clustering, à la déduplication de documents, à la classification de requêtes et aux recommandations. Contexte : 4095 jetons par fragment.

En sortie, vous obtenez un tableau de nombres à virgule flottante, une représentation vectorielle du fragment. Ce vecteur s'intègre directement dans Qdrant, pgvector, Milvus ou tout autre stockage vectoriel, la proximité étant calculée par distance cosinus.

C'est un modèle d'embeddings, pas un modèle de chat : il ne dialogue pas et ne raisonne pas, il code le sens du texte en vecteur. Gérez la logique de raisonnement au niveau du pipeline : recherche vectorielle, puis réponse par un modèle génératif via la même API BotHub.

Nos données ne l'indiquent pas, et par nature, un modèle d'embeddings renvoie un vecteur, pas une structure arbitraire. Cependant, la réponse API est au format JSON standard compatible OpenAI, facilitant son intégration dans votre code.

Nos données n'indiquent pas la prise en charge de fichiers autres que du texte ; le modèle est conçu pour des fragments textuels. Pour d'autres modalités, BotHub propose des modèles multimodaux via la même API compatible OpenAI, sans nécessiter de réécriture d'intégration.

La gamme d'embeddings OpenAI a été entraînée sur des données multilingues, incluant le russe : les phrases russes proches en sens obtiennent des vecteurs proches. Testez la qualité sur votre échantillon avant le lancement ; le résultat dépend du domaine, de la longueur des fragments et de la méthode de découpage.