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 modelo transforma texto em representações vetoriais que refletem o significado, não apenas a correspondência de palavras. Isso é usado para construir busca semântica, pipelines de RAG com bases de conhecimento, agrupamento e desduplicação de documentos, classificação de solicitações, recomendação de materiais semelhantes e reclassificação de resultados.

Na saída, você não recebe texto, mas um vetor numérico de dimensão fixa para cada fragmento. Esses vetores são armazenados no Qdrant, pgvector ou outro banco de dados e comparados por similaridade de cosseno. O contexto de até 32.768 tokens permite codificar documentos longos sem dividi-los em partes pequenas.

Este é um modelo de embedding: ele não segue uma cadeia de raciocínio nem formula respostas, apenas codifica o texto de entrada em um vetor. A lógica de raciocínio é implementada pelo modelo generativo, ao qual você transmite os fragmentos encontrados via busca vetorial em um esquema de RAG.

Em nossos dados, o modelo não possui essas marcações, e isso não é típico para embeddings: a resposta da API já vem estruturada — um array de números em JSON. Ferramentas e chamadas de função (function calling) são mais adequadas para modelos generativos, conectados através da mesma API do BotHub.

O recebimento de outras modalidades não está indicado em nossos dados, portanto, conte com entrada de texto: consultas, parágrafos de documentos, descrições de produtos, tickets. Para mídia, use modelos separados e, em seguida, vetorize suas transcrições e descrições de texto com este modelo.

A série Qwen3 Embedding foi desenvolvida como multilíngue, portanto, documentos e consultas em russo são codificados em um espaço semântico comum e encontrados pelo significado, não pela correspondência exata de palavras. A qualidade em seu corpus deve ser verificada com uma amostra de teste: rotule pares de consulta-documento e meça as métricas de busca.