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.

Модель превращает текст в векторные представления, которые отражают смысл, а не совпадение слов. На этом строят семантический поиск, RAG-пайплайны с базой знаний, кластеризацию и дедупликацию документов, классификацию обращений, подбор похожих материалов и ранжирование результатов выдачи.

На выходе вы получаете не текст, а числовой вектор фиксированной размерности для каждого фрагмента. Такие векторы складывают в Qdrant, pgvector или другое хранилище и сравнивают по косинусной близости. Контекст до 32768 токенов позволяет кодировать длинные документы без дробления на мелкие куски.

Это эмбеддинг-модель: она не ведёт цепочку размышлений и не формулирует ответы, а только кодирует входной текст в вектор. Логику рассуждений реализует генеративная модель, которой вы передаёте найденные через векторный поиск фрагменты в RAG-схеме.

В наших данных такие пометки у модели не стоят, и для эмбеддингов это нетипично: ответ API и так приходит структурированным — массив чисел в JSON. Инструменты и function calling удобнее вешать на генеративную модель, подключив её через тот же API BotHub.

Приём других модальностей в наших данных не отмечен, поэтому рассчитывайте на текстовый вход: запросы, абзацы документов, описания товаров, тикеты. Для медиа используйте отдельные модели, а их текстовые расшифровки и описания затем векторизуйте этой моделью.

Серия Qwen3 Embedding разрабатывалась как многоязычная, поэтому русскоязычные документы и запросы кодируются в общем смысловом пространстве и находятся по смыслу, а не по точному совпадению слов. Качество на вашем корпусе стоит проверить тестовой выборкой: разметьте пары запрос-документ и замерьте метрики поиска.