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 embed-5-fast é um modelo de embedding: ele transforma texto em um vetor, que é utilizado por busca semântica, RAG e agrupamento. É útil para busca em bases de conhecimento, seleção de documentos semelhantes e desduplicação. O contexto é de até 128.000 tokens, permitindo que textos longos caibam em um único fragmento.

O modelo não gera texto, imagens ou arquivos; seu resultado é uma representação vetorial do texto de entrada, que você salva em um banco de dados vetorial. O formato da resposta é um vetor numérico: fácil de armazenar no Qdrant, pgvector ou outro banco de dados vetorial. O contexto é de 128.000 tokens.

Raciocínio antes da resposta não foi observado no embed-5-fast em nossos dados, o que é esperado: o modelo não conduz diálogos nem fornece explicações. Sua tarefa é retornar imediatamente um vetor para o texto de entrada. Cadeias de raciocínio e explicações passo a passo devem ser solicitadas a modelos de texto, e o resultado deve ser indexado por este embedder.

Chamada de funções e saída JSON estruturada não foram observadas em nossos dados. Este não é um modelo de chat: ele recebe texto como entrada e fornece uma representação vetorial como saída, não uma mensagem em formato JSON. Se precisar de chamada de funções e JSON estrito, é melhor delegar essa tarefa a um modelo de texto e usar os embeddings para busca.

A entrada de imagens, áudio e vídeo não foi observada no embed-5-fast em nossos dados: o modelo trabalha com texto, e o vetor é construído a partir do fragmento de texto. Imagens e gravações devem primeiro ser convertidas em texto ou descrição e, em seguida, enviadas para vetorização. Verifique a documentação para detalhes sobre os tipos de entrada suportados.

Não temos dados específicos sobre a qualidade do desempenho em russo, portanto, não faremos promessas concretas. É fácil verificar: pegue seus pares de 'consulta-documento', construa vetores e veja se a busca encontra o que você precisa. Para coleções mistas, teste cada idioma separadamente.