Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Kosinus-Ähnlichkeit

Die Kosinus-Ähnlichkeit (Cosine Similarity) misst anhand des Winkels zwischen zwei Vektoren, wie ähnlich sie sind. Sie reicht von -1 bis 1, ignoriert die Vektorlänge und ist der gängigste Weg, Embeddings in der Suche zu vergleichen.

Auch: cosine distance

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

Zeigen zwei Embeddings in dieselbe Richtung, ist ihre Kosinus-Ähnlichkeit 1. Stehen sie im rechten Winkel zueinander, ist sie 0, und zeigen sie in entgegengesetzte Richtungen, ist sie -1. Da nur die Richtung zählt, können ein langes und ein kurzes Dokument zum selben Thema trotzdem als nah gelten.

(Nicht zu verwechseln mit Cosine, einem KI-Coding-Tool mit demselben Namen.)

Wie sie berechnet wird

Bilde das Skalarprodukt der beiden Vektoren und teile es durch das Produkt ihrer Längen. Sind beide Vektoren bereits auf Länge 1 normiert, entspricht die Kosinus-Ähnlichkeit dem einfachen Skalarprodukt, das günstiger zu berechnen ist. Viele Embedding-Modelle liefern aus diesem Grund normierte Vektoren.

Kosinus-Distanz

Manche Vektordatenbanken verlangen eine Distanz statt einer Ähnlichkeit. Die Kosinus-Distanz ist meist 1 minus Kosinus-Ähnlichkeit, kleiner heißt also näher.

Eine Metrik wählen

Nutze die Metrik, für die das Embedding-Modell trainiert wurde; seine Dokumentation nennt sie. Bei normierten Vektoren ergeben Kosinus, Skalarprodukt und euklidische Distanz dieselbe Rangfolge, die Wahl ist also weniger wichtig, als viele erwarten. Bei nicht normierten Vektoren können sie sich unterscheiden.

Grenzen

Ein hoher Wert bedeutet keinen festen Prozentsatz an Relevanz. Wertebereiche unterscheiden sich zwischen Modellen, ein Schwellenwert, der für ein Modell funktioniert, kann bei einem anderen scheitern. Lege Schwellenwerte anhand von Tests mit deinen eigenen Daten fest oder lass einen Reranker entscheiden.

Verwandte Begriffe

Embedding
Ein Embedding (Einbettung) ist eine Liste von Zahlen (ein Vektor), die ein Stück Text, ein Bild oder andere Daten repräsentiert und so erzeugt wird, dass Elemente mit ähnlicher Bedeutung nahe beieinanderliegende Vektoren erhalten.
Vektorsuche
Vektorsuche (Vector Search) findet Einträge, indem sie ihre Embeddings mit dem Embedding einer Abfrage vergleicht und die nächstgelegenen zurückgibt. Ergebnisse passen so nach Bedeutung statt nach gemeinsamen Stichwörtern.
Vektordatenbank
Eine Vektordatenbank speichert Embeddings zusammen mit ihren Quelldatensätzen und findet die gespeicherten Vektoren, die einem Abfragevektor am nächsten liegen, meist mit einem approximativen Index, damit die Suche über Millionen von Einträgen schnell bleibt.
Embedding-Dimension
Die Embedding-Dimension ist die Anzahl der Werte in jedem Vektor, den ein Embedding-Modell ausgibt. Mehr Dimensionen können mehr Details fassen, aber jeder zusätzliche Wert erhöht Speicher-, Arbeitsspeicher- und Suchkosten pro Element.
Reranking
Reranking (Neusortierung) ist ein zweiter Suchschritt, der eine kurze Liste von Kandidatendokumenten nimmt und sie nach Relevanz für die Abfrage neu ordnet, mit einem genaueren, aber langsameren Modell als bei der ersten Suche.

Quellen