GigaEmbeddings 3B 2025-09

нейросеть

Бип-буп пишем текста для вас...
pc1pc2pc3pc4

Характеристики

Входные данные
текст
Результат
векторы (эмбеддинги)
Размер контекста
512 токенов
144,74 ₽

Стоимость промпта

(за 1M токенов)

*Указаны цены при использовании API через ECO-провайдеров.
Пример кода и API для GigaEmbeddings 3B 2025-09Мы предлагаем полный доступ к API OpenAI через наш сервис. Все наши конечные точки полностью соответствуют конечным точкам OpenAI, их можно использовать как с плагинами, так и при разработке собственного программного обеспечения через SDK.Создать API ключ
import OpenAI from 'openai';
const openai = new OpenAI({
  apiKey: '<your bothub access token>',
  baseURL: 'https://openai.bothub.chat/v1'
});

async function main() {
  const response = await openai.embeddings.create({
    model: 'GigaEmbeddings-3B-2025-09',
    input: 'The food was delicious and the waiter...',
    encoding_format: 'float'
  });

  const embedding = response.data[0].embedding;

  console.log(embedding);
}
main();

Как работает GigaEmbeddings 3B 2025-09?

Ботхабчики собирают информацию...empty

Частые вопросы о GigaEmbeddings 3B 2025-09

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.

GigaEmbeddings 3B 2025-09 — модель эмбеддингов, создаёт векторные представления текста для задач семантического поиска, RAG, кластеризации, рекомендаций и сравнения похожести. Подходит для ваших задач индексации текстов и интеграции с векторными БД; ввод ограничен контекстом до 512 токенов.

Модель выдаёт векторные представления — числовые векторы (массивы вещественных чисел), предназначенные для хранения и поиска в векторных базах (Qdrant, pgvector, Faiss). Формат вывода обычно передаётся вам как массив чисел через API; размерность вектора уточняйте в документации.

В наших данных не отмечено. Как модель эмбеддингов она возвращает векторные представления, а не текст с рассуждениями. Если вам нужны объяснения или интерпретации, их обычно реализуют отдельно в приложении поверх эмбеддингов, анализируя соседей и метаданные.

В наших данных это не отмечено. Модель ориентирована на выдачу эмбеддингов как массивов чисел; организовать вызов функций или вложенный JSON обычно реализуют на уровне API/обёртки вашего приложения. Проверьте спецификации провайдера для деталей интеграции.

В наших данных приём не текстовых входов не отмечен. Модель помечена как EMBEDDING с контекстом 512 токенов, что указывает на текстовые входы. Для изображений или аудио вы обычно используете мультимодальные эмбеддинги или предварительно извлекаете текстовые/фичевые представления.

В наших данных нет явной информации о качестве работы с русским языком. Эффективность эмбеддингов на русском будет зависеть от тренировочных данных модели; рекомендуем вам провести эмпирические тесты на ваших текстах и оценить семантический поиск и кластеризацию на реальных примерах.

Служба поддержкиРаботаем с 10:00 до 18:00 по МСК