Modelo HINOW
hinow/hiembed
HiEmbed
Transforma texto em vetor para buscar por significado, não por palavra exata.
Ideal para: Busca semântica, RAG, recomendação e deduplicação
Preços por 1 milhão de tokens
Entrada
US$ 0,05
por 1 milhão de tokens
Vetor
1024
dimensões
Embedding não responde perguntas e não escreve texto — ele mede proximidade de sentido. Todo uso nasce daí.
- Busca semântica — achar a resposta certa mesmo quando o usuário escreve com outras palavras.
- RAG — escolher os trechos que entram no contexto antes de o modelo de linguagem responder.
- Recomendação — "parecido com este" sobre produtos, artigos, vagas ou chamados.
- Agrupamento e triagem — juntar mensagens do mesmo assunto sem uma lista de categorias escrita à mão.
- Duplicidade — encontrar o chamado já aberto, o cadastro repetido, a pergunta que já tem resposta.
- 1
Gere o vetor do conteúdo
Divida os documentos em trechos e chame
/v1/embeddingsuma vez para cada trecho. Guarde o vetor junto do texto. - 2
Gere o vetor da pergunta
Na hora da busca, transforme a pergunta do usuário em vetor pela mesma chamada.
- 3
Compare e ordene
Os vetores já vêm normalizados, então o produto escalar é a própria similaridade de cosseno — quanto maior, mais próximo o sentido.
curl https://api.hinow.ai/v1/embeddings \
-H "Authorization: Bearer $HINOW_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"hinow/hiembed","input":"Como redefinir minha senha?"}'A resposta traz o vetor em data[0].embedding e o consumo em usage.prompt_tokens. Você pode mandar uma lista em input e receber vários vetores em uma chamada só — é bem mais rápido do que uma chamada por texto.
Quando comparar outra opção
Se o que você precisa é gerar ou resumir texto, e não medir proximidade, o caminho é Chat Completions com um dos modelos de linguagem.
Veja o guia completo
Parâmetros, tamanho do lote, limite de tokens, custo e a montagem de uma busca semântica de ponta a ponta.