Embedding
Преобразование текста (или картинки) в вектор чисел, который представляет смысл. Похожие смыслы = похожие векторы. Основа semantic search и RAG.
Развёрнутое объяснение
Embedding — числовое представление смысла. «Кот» и «кошка» — разные слова, но близкие embeddings. «Кот» и «автомобиль» — далёкие.
Создаётся через embedding-модель: text → tokens → нейросеть → вектор размером 768/1536/3072. Стандарты: OpenAI text-embedding-3 (1536), Anthropic Voyage (1024), open-source (E5, BGE).
Используется в: semantic search, RAG, рекомендации, кластеризация, классификация, поиск дубликатов.
Где это в услугах WRAW
- Embeddings всех документов клиента в Vector DB для RAG
- Embedding пользовательского запроса для поиска
Частые вопросы
Какой embedding-модели лучше?
Для большинства — OpenAI text-embedding-3-small (быстро, дёшево). Для качества — text-embedding-3-large или Voyage. Для русского/казахского — Voyage.
Сколько стоит embedding?
$0.02 за 1M токенов (text-embedding-3-small). База на 10 000 документов = ~$0.10.
Связанные термины
База данных, которая хранит векторы (embeddings) и быстро находит похожие. Сердце RAG-систем. Pinecone, Weaviate, Supaba…
Читать →Retrieval-Augmented Generation — архитектура AI-бота, которая ищет ответ в твоей базе документов перед тем, как сгенерир…
Читать →Large Language Model — большая языковая модель. ChatGPT, Claude, Gemini — это всё LLM. Обучены на миллиардах текстов и у…
Читать →