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.

Это компактная модель эмбеддингов от sentence-transformers: она превращает текст в числовой вектор. Такие векторы нужны для семантического поиска, RAG над базой документов, кластеризации, дедупликации и классификации обращений. Контекст на запрос — до 512 токенов, что удобно для коротких фрагментов и чанков.

На выходе не текст и не картинка, а массив чисел с плавающей точкой — векторное представление фрагмента. Его записывают в векторную базу вроде Qdrant или pgvector и сравнивают по косинусной близости. Формат ответа стандартный для эмбеддингов через OpenAI-совместимый API BotHub.

Пошаговые рассуждения в наших данных не отмечены, и для эмбеддингов они не нужны: модель за один проход кодирует фрагмент в вектор. Если требуется цепочка размышлений, в BotHub переключитесь на рассуждающую текстовую модель, не меняя интеграцию.

Function calling в наших данных не отмечен — это не чат-модель, а энкодер. При этом ответ приходит структурированным: JSON с массивом чисел, который легко разобрать в вашем пайплайне. Инструменты и функции удобнее подключать на уровне текстовой модели.

В наших данных приём чего-либо помимо текста не отмечен, поэтому планируйте пайплайн на текстовых фрагментах. Если нужно индексировать мультимодальный контент, сначала переведите его в текст подходящей моделью BotHub, а затем считайте эмбеддинги этим энкодером.

Данных о языках обучения у нас нет, поэтому качество стоит проверить на вашем корпусе: соберите небольшой набор запросов и эталонных документов и измерьте точность выдачи. В BotHub можно сравнить несколько энкодеров через один API и выбрать лучший.