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-pro transforma texto em vetores — embeddings, que facilitam a busca por fragmentos semelhantes com base no significado, e não na correspondência de palavras. Com base nisso, constroem-se buscas semânticas, sistemas RAG, bases de conhecimento, clusterização e classificação temática de documentos. O contexto de até 128 mil tokens permite processar grandes fragmentos de texto de uma só vez.

O embed-5-pro não gera texto, imagens ou arquivos: o resultado do seu trabalho é um vetor, um conjunto de números de dimensão fixa que descreve o significado do texto fornecido. Esse vetor é enviado para um banco de dados vetorial ou índice de busca, como Qdrant ou pgvector, e usado para comparar a proximidade entre fragmentos. Verifique a dimensão do vetor na documentação do provedor.

Não observamos uma etapa de raciocínio antes da entrega do resultado no embed-5-pro. Não é um modelo de chat: ele recebe texto como entrada e gera imediatamente um vetor para busca ou clusterização, sem explicações intermediárias ou planos de ação. Se você precisa de uma cadeia de raciocínio, ela deve ser construída no lado da aplicação ou por outro modelo.

Não observamos chamada de funções ou saída estruturada em JSON. O embed-5-pro não é um modelo de diálogo: ele retorna um vetor numérico, não uma resposta em texto, portanto, as ferramentas comuns para modelos de chat não se aplicam. Se você precisa de JSON ou chamada de funções, isso deve ser formado pela aplicação sobre os vetores obtidos.

Não há confirmações de aceitação de imagens, áudio ou vídeo em nossos dados: observamos o trabalho com texto, resultando em embeddings. Não afirmaremos que tais capacidades não existem, mas não se deve contar com elas no projeto. Verifique a lista atual de formatos de entrada na documentação do provedor.

Não temos uma avaliação da qualidade do trabalho com o idioma russo em nossos dados, portanto, não faremos promessas específicas. Modelos de embedding geralmente são testados verificando se fragmentos em russo com significados próximos caem em pontos vizinhos no espaço vetorial. Vale a pena testar isso com seus próprios pares de consultas e documentos antes da implementação em busca ou RAG.