> ## 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.

# Кастомні моделі

> Модель ембедингів, донавчена на ваших даних, з приймальним тестуванням на замороженому наборі реальних запитів і промоцією лише за виміряного виграшу.

Conare будує власний стек пошуку для вашої компанії: модель ембедингів, донавчену на ваших даних, оцінену проти ваших реальних запитів, з власним реренкером і базою, де живуть ваші дані.

Це не API, у який ви заходите самообслуговуванням — це співпраця, бо робота специфічна для ваших даних. Ось як саме вона проходить.

## Як влаштована співпраця

<Steps>
  <Step title="Підʼєднайте дані">
    Ваш корпус тече через [конектори](/integrations/overview) або API — ті самі шляхи прийому, що й у решти платформи. Ваші дані тренують **вашу** модель; їх не змішують у нічий чужий пул.
  </Step>

  <Step title="Заморозьте набір для оцінки">
    Ми будуємо золотий набір з ваших реальних запитів і оцінених результатів — заморожений до початку тренування, щоб ціль не могла дрейфувати на догоду моделі. Цей набір — прийомна брама для всього, що йде далі.
  </Step>

  <Step title="Натренуйте та оцініть">
    Модель донавчається на вашому розподілі та оцінюється проти замороженого набору за метриками, які визначають якість пошуку: recall на ваших запитах, позиція ранжування правильної відповіді та калібрований no-answer.
  </Step>

  <Step title="Промоушен лише за доведеним виграшем">
    Кандидат виходить у продакшн лише коли перевершує чинного на вашому наборі оцінки. Ніяких оновлень на емоціях: якщо не виграє на ваших запитах — не обслуговує.
  </Step>

  <Step title="Обслуговування з фіксацією">
    Модель-переможець обслуговує ваш трафік з явною фіксацією версії — та сама [гарантія «ніколи тихо не підставляється»](/embeddings/api#model-pinning), що й у hosted API, — разом із реренкером, налаштованим на той самий розподіл. Поточне обслуговування підтримує модель актуальною, поки ваші дані еволюціонують.
  </Step>
</Steps>

## Що ви отримуєте на виході

* Модель ембедингів, яка вимірно краща **на ваших запитах**, ніж загальний API, який ви використовуєте сьогодні — з підтвердженням у вигляді результатів оцінки.
* Узгоджений реренкер, тож recall першого етапу та фінальне впорядкування покращуються разом.
* Обслуговування на тій самій платформі, де ваші дані, — жодних крос-вендорних конвеєрів експлуатувати.

## Почніть розмову

Кастомні моделі обмежуються рамками співпраці — розмір корпусу, обсяг запитів і критерії оцінки формують роботу.

<Card title="Забронювати дзвінок" icon="calendar" href="https://cal.com/amurzin/30min">
  30 хвилин із засновником: принесіть опис вашого корпусу і кілька реальних запитів, де пошук вас сьогодні розчаровує.
</Card>