Вы можете использовать результаты генерации в коммерческих целях. Все права на созданный контент принадлежат вам. Единственное ограничение: убедитесь, что в запросе не использовались защищённые авторским правом материалы третьих сторон. Ответственность за соблюдение прав на входные данные лежит на пользователе.

EmbeddingsGigaR — эмбеддинг-модель от gigachat, которая превращает текст в числовой вектор. Подходит для семантического поиска, RAG по базе знаний, кластеризации и дедупликации документов, ранжирования и классификации обращений. Векторы вы складываете в Qdrant, pgvector или другое хранилище и сравниваете по косинусной близости.

На выходе не текст, а вектор фиксированной размерности — массив чисел; точное значение размерности смотрите в ответе API. Контекст модели составляет 4096 токенов, столько же указано как максимум вывода, поэтому длинные документы заранее нарезайте на фрагменты подходящего размера.

В наших данных рассуждения перед ответом не отмечены, и для эмбеддингов это не требуется: модель не пишет ответ, а кодирует смысл текста в вектор. Логику рассуждений оставьте генеративной модели, которой вы передаёте найденные через EmbeddingsGigaR фрагменты.

Вызов функций и структурированный вывод в наших данных не отмечены — это инструменты генеративных моделей. При этом сам ответ API приходит структурированным: массив чисел, который вы сразу пишете в векторную базу. Через единый OpenAI-совместимый API BotHub запрос выглядит привычно.

Приём данных помимо текста в наших данных не отмечен, поэтому рассчитывайте на текстовый вход. Если нужно векторизовать содержимое аудио или изображений, сначала получите текстовое описание другой моделью в том же окне BotHub, а затем передайте его в EmbeddingsGigaR.

Модель создана российским вендором gigachat и ориентирована на работу с русскоязычными корпусами, поэтому векторизация таких текстов — её основной сценарий. Конкретных оценок точности в наших данных нет, так что качество на своей предметной области проверьте на небольшой тестовой выборке запросов.