> ## Documentation Index > Fetch the complete documentation index at: https://docs.conare.ai/llms.txt > Use this file to discover all available pages before exploring further. # Embeddings > Embeddings de récupération issus du même modèle avec lequel Conare indexe — servis en API hébergée, ou fine-tunés sur votre corpus et validés par évaluation. La plupart des équipes utilisent une API d'embedding générique et espèrent qu'elle comprendra leur domaine. La position de Conare est différente : **le modèle d'embedding fait partie de la pile de récupération, ce n'est pas une entrée banalisée** — et sa version la plus forte est celle entraînée sur vos propres données. Conare Embeddings se décline en deux couches : `POST /api/v1/embeddings` — vecteurs d'espace documentaire issus du modèle auto-hébergé exact qui indexe et récupère les mémoires Conare. Disponible dès aujourd'hui sur chaque plan. Un modèle d'embedding fine-tuné sur vos données, validé par vos vraies requêtes, servi avec son propre reranker. Piloté par les ventes. ## Pourquoi les vecteurs issus du même modèle importent La qualité de récupération se dégrade silencieusement lorsque les vecteurs de votre index et les vecteurs à l'exécution proviennent de représentations différentes. L'API hébergée renvoie des vecteurs issus du **modèle même avec lequel Conare effectue la récupération**, ce qui en fait le bon choix quand : * vous construisez vos propres fonctionnalités vectorielles (clustering, dédup, heuristiques de similarité) à côté de la mémoire Conare ou de [ConareDB](/db/overview), et les représentations doivent être en accord ; * vous voulez la sémantique d'[épinglage de modèle](/embeddings/api#model-pinning) — une garantie explicite que des vecteurs d'un modèle différent ne sont jamais silencieusement substitués dans votre index. ## Pourquoi les modèles sur mesure existent Un modèle générique répartit sa capacité sur chaque domaine d'Internet. Vos requêtes vivent dans un seul domaine — le vocabulaire de votre produit, la façon dont vos clients s'expriment, la structure de vos documents. Le fine-tuning sur cette distribution déplace de manière fiable les métriques qui comptent (rappel sur vos vraies requêtes, qualité de classement, savoir quand il n'y a pas de réponse) — et Conare ne livre un modèle sur mesure que lorsqu'il **bat manifestement l'incumbent sur votre propre jeu d'évaluation**, jamais sur la foi. Lisez [comment se déroule l'engagement](/embeddings/custom-models).