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.

O BGE M3 da BAAI é um modelo de embedding: ele transforma texto em vetores numéricos para busca semântica, RAG, agrupamento, desduplicação e ranqueamento de documentos. É adequado quando você precisa buscar por significado, e não por correspondência exata de palavras, e ao construir uma base de conhecimento sobre seus dados.

A saída não é texto, mas um vetor de dimensão fixa: um array de números na resposta JSON da API. Esses vetores são armazenados no Qdrant, pgvector ou outro armazenamento vetorial e comparados por similaridade de cosseno. O contexto do modelo é de 8192 tokens por solicitação.

Em nossos dados, o modo de raciocínio não está marcado e não é necessário para embeddings: o modelo codifica o significado do texto em um vetor em uma única passagem. A lógica sobre os resultados é construída pelo seu pipeline — por exemplo, um modelo generativo ao qual você passa os fragmentos encontrados.

Chamada de funções e saída estruturada não estão marcadas em nossos dados; essas são ferramentas de modelos generativos. No entanto, a resposta da API vem em JSON: um array de números para cada fragmento enviado, facilitando a análise no código. Para function calling, conecte um modelo de texto através da mesma API.

O recebimento de arquivos além de texto não está marcado em nossos dados: na entrada, você passa uma string ou um array de strings dentro do limite de 8192 tokens. Se precisar de imagens ou áudio, mude para um modelo multimodal — a API única compatível com OpenAI do BotHub permite fazer isso sem reescrever a integração.

O multilinguismo está na base deste modelo BAAI: ele foi projetado para trabalhar com textos em diferentes idiomas, e cenários de busca e RAG em português são montados regularmente com ele. Ainda assim, verifique a qualidade final em seus próprios dados — execute uma amostra de teste de consultas e compare os resultados.