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 EmbeddingsGigaR é um modelo de embedding da GigaChat que transforma texto em um vetor numérico. É adequado para busca semântica, RAG em bases de conhecimento, agrupamento e desduplicação de documentos, classificação e ranqueamento de solicitações. Você armazena os vetores no Qdrant, pgvector ou outro armazenamento e os compara por similaridade de cosseno.

A saída não é texto, mas um vetor de dimensão fixa — uma matriz de números; verifique o valor exato da dimensão na resposta da API. O contexto do modelo é de 4096 tokens, o mesmo valor indicado como máximo de saída, portanto, divida documentos longos em fragmentos de tamanho adequado com antecedência.

Em nossos dados, o raciocínio antes da resposta não está marcado, e isso não é necessário para embeddings: o modelo não escreve uma resposta, mas codifica o significado do texto em um vetor. Deixe a lógica de raciocínio para o modelo generativo ao qual você passa os fragmentos encontrados via EmbeddingsGigaR.

A chamada de funções e a saída estruturada não estão marcadas em nossos dados — essas são ferramentas de modelos generativos. No entanto, a própria resposta da API vem estruturada: uma matriz de números que você escreve diretamente no banco de dados vetorial. Através da API unificada compatível com OpenAI do BotHub, a solicitação parece familiar.

O recebimento de dados além de texto não está marcado em nossos dados, portanto, conte com entrada de texto. Se precisar vetorizar o conteúdo de áudio ou imagens, primeiro obtenha uma descrição textual com outro modelo na mesma janela do BotHub e, em seguida, passe-a para o EmbeddingsGigaR.

O modelo foi criado pelo fornecedor russo GigaChat e é focado em trabalhar com corpora em russo, portanto, a vetorização desses textos é seu principal cenário. Não há avaliações de precisão específicas em nossos dados, então verifique a qualidade em seu domínio em uma pequena amostra de teste de consultas.