gigachat-embeddings

/gigachat-embeddings — Эмбеддинги GigaChat

Алгоритм

1. Собери массив текстов. Если пользователь дал файл — прочитай его и разбей на строки или абзацы; один элемент массива = одна единица, которую будем сравнивать.
2. Вызови get_token_count с model и input (массив текстов) — узнай, сколько токенов уйдёт. Это дешевле, чем упереться в лимит на середине большой партии.
3. Вызови embed_text с model = Embeddings и input — массивом текстов. Ответ содержит вектор на каждый текст.
4. Посчитай косинусную близость между векторами сам — сервер такого инструмента не даёт. Формула: скалярное произведение, делённое на произведение норм.
5. Отдай результат под задачу пользователя:
   • поиск — топ-N ближайших к запросу;
   • дедупликация — пары с близостью выше 0.95;
   • кластеризация — группы, где все пары ближе порога.
6. Если непонятно, какие модели доступны в этом аккаунте, вызови list_models.

Формат ответа

## Эмбеддинги GigaChat

**Модель**: Embeddings
**Текстов**: 42
**Токенов**: 3 180
**Размерность вектора**: 1024

### Дубли (близость > 0.95)
| # | Текст A | Текст B | Близость |
|---|---------|---------|----------|
| 1 | «доставка за час» | «доставим за 1 час» | 0.981 |

### Кластеры
1. Доставка (12 текстов)
2. Оплата (8 текстов)

Важно

• Для эмбеддингов модель называется Embeddings, а не GigaChat. Модель для диалога сюда не подходит.
• Векторы от разных моделей несравнимы между собой. Не смешивай выдачи двух прогонов с разными model.
• Большой массив лучше резать на партии — один вызов с сотнями длинных текстов упрётся в лимит запроса.

Примеры

/gigachat-embeddings отзывы.txt найди дубли
/gigachat-embeddings "доставка", "самовывоз", "курьер" — кластеризуй