Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

Embedding

Un embedding (plongement vectoriel) est une liste de nombres (un vecteur) qui représente un morceau de texte, une image ou d'autres données, produite de sorte que les éléments de sens proche obtiennent des vecteurs proches les uns des autres.

Aussi appelé : vector embedding, embeddings, embedding model

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

Les ordinateurs ne savent pas comparer directement le sens, mais ils comparent très vite des nombres. Un embedding transforme « Comment réinitialiser mon mot de passe ? » et « J'ai oublié mes identifiants » en deux vecteurs voisins, alors que les deux phrases n'ont presque aucun mot en commun. C'est ce qui fait fonctionner la recherche sémantique, le regroupement et les recommandations.

Modèles d'embedding

Un modèle d'embedding est le réseau de neurones qui produit ces vecteurs. Vous lui envoyez du texte (ou une image, pour les modèles multimodaux) et il renvoie un vecteur de longueur fixe. Parmi les exemples figurent text-embedding-3-large et Voyage 4 Large. Le leaderboard MTEB les compare, et le guide des modèles d'embedding aide à en choisir un.

Comment on les utilise

Dans la génération augmentée par récupération, chaque fragment de vos documents est vectorisé une fois et stocké dans une base de données vectorielle. Au moment de la requête, la question est vectorisée avec le même modèle, et les vecteurs stockés les plus proches sont renvoyés. La proximité se mesure généralement par la similarité cosinus ou un produit scalaire.

À savoir

Les vecteurs de modèles différents ne sont pas comparables : changer de modèle implique donc de tout revectoriser. La longueur du vecteur est la dimension d'embedding, qui détermine le coût de stockage. Un embedding capte bien le sens général mais peut rater des identifiants exacts comme des codes produits, ce qui explique en partie pourquoi les équipes ajoutent une recherche par mots-clés dans une configuration de recherche hybride.

Termes liés

Base de données vectorielle
Une base de données vectorielle (vector database) stocke des embeddings avec leurs enregistrements source et retrouve les vecteurs stockés les plus proches d'un vecteur de requête, généralement à l'aide d'un index approximatif pour que la recherche reste rapide sur des millions d'éléments.
Dimension d'embedding
La dimension d'embedding est le nombre de valeurs de chaque vecteur produit par un modèle d'embedding. Davantage de dimensions peuvent contenir plus de détails, mais chaque valeur supplémentaire ajoute du coût de stockage, de mémoire et de recherche par élément.
Similarité cosinus
La similarité cosinus (cosine similarity) mesure la ressemblance entre deux vecteurs par l'angle qu'ils forment. Elle va de -1 à 1, ignore la longueur des vecteurs et constitue la façon la plus courante de comparer des embeddings en recherche.
Recherche vectorielle
La recherche vectorielle (vector search) trouve des éléments en comparant leurs embeddings à celui d'une requête et en renvoyant les plus proches, si bien que les résultats correspondent par le sens plutôt que par des mots-clés communs.
MTEB
MTEB, le Massive Text Embedding Benchmark, est un benchmark public accompagné d'un classement qui note les modèles d'embedding de texte sur de nombreux types de tâches, comme la recherche, le clustering, la classification et le reranking, à travers de nombreux jeux de données et langues.

Sources