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.

e5-large-v2 от intfloat — модель эмбеддингов: она превращает текст в числовой вектор. Подходит для семантического поиска, RAG по базе знаний, кластеризации и дедупликации документов, ранжирования и классификации. Контекст — 512 токенов, то есть вектор строится по короткому фрагменту или чанку.

Не текстом и не картинкой: на выходе массив чисел с плавающей точкой, вектор фиксированной размерности. Размерность одинакова для всех запросов, поэтому векторы сравнимы между собой по косинусной близости и ложатся в любую векторную базу вроде Qdrant или pgvector.

Режим рассуждений в наших данных не отмечен, и для эмбеддингов он не нужен: модель не пишет ответ и не раскладывает задачу на шаги, а один раз кодирует текст в вектор. Логику поиска и ранжирования вы строите уже на стороне своего приложения.

Вызов функций и структурированный вывод в наших данных не отмечены — это инструменты генеративных моделей, а эмбеддинги решают другую задачу. При этом сам запрос идёт через единый OpenAI-совместимый API, и ответ вы получаете обычным JSON с массивом значений вектора.

Приём файлов помимо текста в наших данных не отмечен, поэтому планируйте работу с текстовыми фрагментами в пределах 512 токенов контекста. Если в проекте нужны картинки, аудио или видео, переключитесь на подходящую модель в том же окне BotHub — интеграцию переписывать не придётся.

Данных о поддержке языков в карточке модели нет, поэтому заранее ничего обещать не станем. Проверьте на своём корпусе: проиндексируйте несколько сотен документов и оцените качество выдачи. Доступ из России идёт без VPN и зарубежной карты, оплата по факту за токены.