В экосистеме QueryRouter появился важный функциональный апгрейд — сервис теперь поддерживает работу с embedding-моделями. Это означает, что поверх единого API можно собирать любые векторные пайплайны: от простого поиска по базе документов до продвинутых RAG-систем, классификации, кластеризации и семантической аналитики.

Поддержка началась сразу с трех моделей, которые закрывают разные сценарии и дают гибкость в выборе стека, однако количество поддерживаемых моделей непрерывно растет.

Модель от Alibaba, оптимизированная под высокое качество вектора и стабильную структуру эмбеддингов. Подходит для проектов, где требуется детальная семантическая близость: документация, каталоги, сложные доменные тексты.
На QueryRouter она доступна через стандартную эндпоинт-схему, включая все привычные параметры для размера вектора и нормализации.

Это одна из самых популярных embedding-моделей на рынке благодаря оптимальному балансу скорости, качества и стоимости.
Доступна в разделе моделей на QueryRouter, работает через единый API и отлично подходит для сегментации, search ranking, анализа пользовательских запросов и lightweight-RAG задач.

Линейка Gemini продолжает расти, и появление embedding-модели — важный элемент экосистемы.
Она особенно хороша там, где требуется стабильность, широкая обучающая база и совместимость с другими Gemini-решениями. Через QueryRouter она работает полностью в том же стиле, что и любые другие модели: просто отправляете текст — получаете вектор.