Dimensión del embedding
La dimensión del embedding (embedding dimension) es el número de valores de cada vector que produce un modelo de embeddings. Más dimensiones pueden contener más detalle, pero cada valor extra añade coste de almacenamiento, memoria y búsqueda por elemento.
También llamado: dimensions, vector dimension, Matryoshka
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Cuando eliges un modelo de embeddings también eliges una longitud de vector. text-embedding-3-small de OpenAI devuelve 1536 números por defecto y text-embedding-3-large devuelve 3072. Cada fragmento de documento que guardas lleva esa cantidad de números, así que la dimensión se multiplica directamente por el tamaño de tu base de datos vectorial y por el trabajo de cada búsqueda.
¿Importa?
Sí, sobre todo para el coste y la velocidad. Un vector más grande no garantiza una mejor recuperación: el entrenamiento del modelo importa más que la longitud bruta. Un vector más pequeño de un modelo potente puede superar a uno más grande de un modelo más flojo. Comprueba la calidad de recuperación con tus propios datos en lugar de suponer que más grande es mejor.
Acortar vectores
Algunos modelos recientes están entrenados para que puedas recortar un vector y conservar la mayor parte de su utilidad. OpenAI te permite pasar un parámetro `dimensions` que elimina números del final del vector. Esto funciona gracias a los Matryoshka embeddings, un método de entrenamiento que concentra la información más importante en los primeros valores.
Notas prácticas
La dimensión queda fija al crear un índice, así que cambiarla supone volver a generar los embeddings y volver a indexar. Los vectores de consulta y de documento deben tener la misma longitud. El almacenamiento por vector también depende del formato numérico: la cuantización de vectores a menos bits es otra forma de ahorrar espacio. La guía de modelos de embeddings recoge las dimensiones de los modelos que analizamos.
Términos relacionados
- Base de datos vectorial
- Una base de datos vectorial (vector database) guarda embeddings junto a sus registros de origen y encuentra los vectores guardados más cercanos a un vector de consulta, normalmente con un índice aproximado para que la búsqueda siga siendo rápida con millones de elementos.
- Embedding
- Un embedding (vector de representación) es una lista de números (un vector) que representa un fragmento de texto, una imagen u otros datos, generada de forma que los elementos con significado parecido acaban con vectores cercanos entre sí.
- Embeddings Matryoshka
- Los embeddings Matryoshka son vectores entrenados para que sus primeros valores contengan la mayor parte de la información. Puedes recortarlos a una longitud menor y seguir obteniendo resultados de búsqueda útiles, lo que ahorra almacenamiento y acelera la búsqueda.
- Cuantización
- La cuantización (quantization) es una técnica que guarda los pesos de un modelo, y a veces las activaciones, con menos bits, como 8 o 4 en lugar de 16, para que el modelo necesite menos memoria y a menudo funcione más rápido, a costa de cierta precisión.
- Búsqueda de vecinos más cercanos aproximada
- La búsqueda de vecinos más cercanos aproximada (ANN, approximate nearest neighbor) encuentra vectores cercanos a una consulta sin revisar todos los vectores guardados. Renuncia a garantizar la mejor coincidencia exacta a cambio de una búsqueda mucho más rápida en colecciones grandes.