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.
Aussi appelé : dimensions, vector dimension, Matryoshka
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Quand vous choisissez un modèle d'embedding, vous choisissez aussi une longueur de vecteur. text-embedding-3-small d'OpenAI renvoie 1536 nombres par défaut et text-embedding-3-large en renvoie 3072. Chaque fragment de document stocké porte autant de nombres : la dimension se répercute donc directement sur la taille de votre base de données vectorielle et sur le travail effectué à chaque recherche.
Est-ce important ?
Oui, surtout pour le coût et la vitesse. Un vecteur plus grand ne garantit pas une meilleure récupération : l'entraînement du modèle compte davantage que la longueur brute. Un vecteur plus petit issu d'un bon modèle peut battre un vecteur plus grand issu d'un modèle plus faible. Vérifiez la qualité de récupération sur vos propres données plutôt que de supposer que plus grand vaut mieux.
Raccourcir les vecteurs
Certains modèles récents sont entraînés de façon à ce que vous puissiez raccourcir un vecteur en conservant l'essentiel de son utilité. OpenAI vous permet de passer un paramètre `dimensions` qui supprime des nombres à la fin du vecteur. Cela fonctionne grâce aux Matryoshka embeddings, une méthode d'entraînement qui concentre les informations les plus importantes dans les premières valeurs.
Remarques pratiques
La dimension est fixée à la création d'un index : la changer implique donc de revectoriser et de réindexer. Les vecteurs de requête et de document doivent avoir la même longueur. Le stockage par vecteur dépend aussi du format numérique : la quantification des vecteurs sur moins de bits est un autre moyen de gagner de la place. Le guide des modèles d'embedding indique les dimensions des modèles que nous testons.
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.
- 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.
- Embeddings Matryoshka
- Les embeddings Matryoshka sont des vecteurs entraînés pour que leurs premières valeurs portent le plus d'information. Vous pouvez les tronquer à une longueur plus courte et obtenir encore des résultats de recherche utiles, ce qui économise du stockage et accélère la recherche.
- Quantification
- La quantification (quantization) est une technique qui stocke les poids d'un modèle, et parfois ses activations, avec moins de bits, par exemple 8 ou 4 au lieu de 16, pour que le modèle demande moins de mémoire et tourne souvent plus vite, au prix d'une certaine perte de précision.
- Recherche approximative des plus proches voisins
- La recherche approximative des plus proches voisins (ANN, approximate nearest neighbor) trouve des vecteurs proches d'une requête sans vérifier chaque vecteur stocké. Elle renonce à la garantie d'obtenir exactement la meilleure correspondance en échange d'une recherche bien plus rapide sur de grandes collections.