Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

Similaridade de cosseno

A similaridade de cosseno (cosine similarity) mede o quanto dois vetores se parecem pelo ângulo entre eles. Ela vai de -1 a 1, ignora o comprimento dos vetores e é a forma mais comum de comparar embeddings em buscas.

Também chamado: cosine distance

Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos

Quando dois embeddings apontam na mesma direção, sua similaridade de cosseno é 1. Quando formam um ângulo reto, é 0, e quando apontam em direções opostas, é -1. Como só a direção conta, um documento longo e um curto sobre o mesmo assunto ainda podem ter pontuação próxima.

(Não confundir com o Cosine, uma ferramenta de programação com IA que tem o mesmo nome.)

Como é calculada

Calcule o produto escalar dos dois vetores e divida pelo produto dos seus comprimentos. Se os dois vetores já estiverem normalizados para comprimento 1, a similaridade de cosseno é igual ao simples produto escalar, que é mais barato de calcular. Muitos modelos de embedding devolvem vetores normalizados por esse motivo.

Distância de cosseno

Alguns bancos de dados vetoriais pedem uma distância em vez de uma similaridade. A distância de cosseno geralmente é 1 menos a similaridade de cosseno, então menor significa mais próximo.

Escolhendo uma métrica

Use a métrica para a qual o modelo de embedding foi treinado, que a documentação dele informa. Com vetores normalizados, cosseno, produto escalar e distância euclidiana dão a mesma ordenação, então a escolha importa menos do que as pessoas imaginam. Com vetores não normalizados, eles podem divergir.

Limites

Uma pontuação alta não significa uma porcentagem fixa de relevância. As faixas de pontuação variam entre modelos, então um limiar que funciona para um modelo pode falhar em outro. Defina os limiares com testes nos seus próprios dados, ou deixe um reranker decidir.

Termos relacionados

Embedding
Um embedding (representação vetorial) é uma lista de números (um vetor) que representa um trecho de texto, uma imagem ou outros dados, produzida de forma que itens com significado parecido acabem com vetores próximos entre si.
Busca vetorial
A busca vetorial (vector search) encontra itens comparando seus embeddings com o embedding de uma consulta e devolvendo os mais próximos, para que os resultados correspondam pelo significado e não por palavras-chave em comum.
Banco de dados vetorial
Um banco de dados vetorial (vector database) armazena embeddings junto com seus registros de origem e encontra os vetores guardados mais próximos de um vetor de consulta, geralmente com um índice aproximado para que a busca continue rápida em milhões de itens.
Dimensão do embedding
A dimensão do embedding (embedding dimension) é o número de valores em cada vetor que um modelo de embedding produz. Mais dimensões podem guardar mais detalhes, mas cada valor extra acrescenta custo de armazenamento, memória e busca por item.
Reranking
Reranking (reordenação) é uma segunda etapa de busca que pega uma lista curta de documentos candidatos e os reordena por relevância para a consulta, usando um modelo mais preciso, porém mais lento, que o da primeira busca.

Fontes