Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.

É um modelo de embedding: transforma texto em um vetor numérico, usado para medir a proximidade semântica. Adequado para busca semântica, RAG em bases de conhecimento, agrupamento, desduplicação e classificação por similaridade. Contexto: 512 tokens por fragmento.

A saída não é texto, mas um vetor de dimensão fixa — 768 números para cada fragmento. A resposta chega como um array JSON padrão via API compatível com OpenAI, permitindo gravar o vetor diretamente no Qdrant, pgvector ou outro armazenamento vetorial sem conversão.

O raciocínio não é previsto pelo formato: o modelo não gera texto nem constrói cadeias de pensamento, apenas codifica o fragmento em um vetor em uma única passagem. A qualidade do resultado é determinada pela divisão em chunks, normalização e configuração da busca, não pela extensão do raciocínio.

Em nossos dados, function calling e esquemas de saída estruturada não estão marcados — são ferramentas de modelos generativos. A resposta do endpoint de embeddings já vem em JSON. Se precisar de chamadas de função, conecte outro modelo na mesma API sem reescrever a integração.

Não há suporte para nada além de texto em nossos dados, então conte com fragmentos de texto de até 512 tokens. Para imagens, áudio ou vídeo, escolha um modelo adequado no BotHub — a interface e a chave de API permanecem as mesmas.

Não temos dados sobre a cobertura de idiomas do modelo, por isso é mais seguro testá-lo em seu próprio corpus: colete um pequeno conjunto de consultas e avalie a precisão. Existem outros modelos de embedding no BotHub — você pode compará-los através da mesma API, com pagamento em rublos.