Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

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.

También llamado: Matryoshka representation learning, MRL

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

El nombre viene de las muñecas rusas: un embedding más pequeño y utilizable está dentro del más grande. El método, Matryoshka Representation Learning, se publicó en 2022 y hoy se usa en varios modelos de embedding comerciales y abiertos.

Cómo funciona

Durante el entrenamiento, la pérdida del modelo se calcula no solo sobre el vector completo, sino también sobre varios tramos iniciales más cortos. Esto obliga al modelo a concentrar el significado general en los primeros valores y el detalle fino en los siguientes. En la inferencia no cambia nada; simplemente conservas tantos valores como quieras.

Por qué importa

La dimensión del embedding determina el coste de almacenamiento y de búsqueda en una base de datos vectorial. Con un modelo Matryoshka puedes guardar vectores cortos para ahorrar, o hacer una primera búsqueda rápida con vectores cortos y volver a puntuar los mejores resultados con los de longitud completa. OpenAI lo ofrece mediante un parámetro `dimensions` en sus modelos text-embedding-3, que elimina valores del final.

Límites

Los vectores más cortos pierden algo de calidad, y cuánto depende del modelo y de tus datos. El truncado solo funciona en modelos entrenados de esta forma; recortar un embedding normal lo degrada mucho. Después de truncar, vuelve a normalizar los vectores si usas similitud coseno mediante producto escalar. Comprueba los resultados con métricas de recuperación en cada longitud antes de decidir.

Términos relacionados

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.
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.
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.
Similitud del coseno
La similitud del coseno (cosine similarity) mide cuánto se parecen dos vectores según el ángulo que forman. Va de -1 a 1, ignora la longitud de los vectores y es la forma más habitual de comparar embeddings en búsqueda.
Métricas de recuperación (recall@k, nDCG, MRR)
Las métricas de recuperación puntúan lo bien que un sistema de búsqueda devuelve documentos relevantes. Recall@k comprueba cuántos elementos relevantes aparecen entre los k primeros, nDCG premia que estén bien arriba y MRR mide lo pronto que aparece el primero correcto.

Fuentes