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 gemini-embedding-2 do google-gemini converte texto e documentos em vetores numéricos. É a base para busca semântica, respostas RAG em bases de conhecimento, agrupamento, desduplicação e classificação de solicitações. O contexto de até 65.536 tokens permite vetorizar fragmentos longos inteiros, sem cortá-los em pedaços pequenos.

A saída não é texto, mas um vetor: ele é colocado em um banco de dados vetorial como Qdrant ou pgvector e comparado por similaridade de cosseno. O limite de saída, segundo nossos dados, é de 2703 tokens; o modo de lote está disponível para indexação em massa, e a conexão é feita através da API única compatível com OpenAI do BotHub.

O modo de raciocínio não está indicado em nossos dados e, para embeddings, geralmente não é necessário: o modelo não formula uma resposta, mas codifica o significado do texto em um vetor. A lógica sobre os resultados é construída pelo seu pipeline de busca ou RAG, e a resposta final é escrita por um modelo de chat.

Function calling e saída estruturada não estão indicados em nossos dados. Para um modelo de embedding, este não é um cenário típico: a resposta da API já chega como um array de números legível por máquina, que é gravado diretamente no banco de dados vetorial. É mais lógico atribuir a chamada de funções a um modelo de chat próximo, na mesma API.

Segundo nossos dados, a entrada aceita texto, documentos (incluindo formatos nativos) e imagens. Áudio e vídeo não estão listados. Através da API única do BotHub, é fácil criar uma integração onde outra modelo decodifica a mídia e este modelo realiza a vetorização.

Não há informações sobre idiomas nas especificações do modelo, portanto, a qualidade deve ser verificada com seus próprios dados. Reúna um pequeno conjunto de consultas e documentos típicos, execute a indexação e compare os resultados por similaridade de cosseno — para embeddings, este é o teste mais honesto. Acesso a partir da Federação Russa sem VPN, pagamento em rublos.