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

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.

Também chamado: vector embedding, embeddings, embedding model

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

Computadores não conseguem comparar significados diretamente, mas conseguem comparar números rapidamente. Um embedding transforma "Como redefino minha senha?" e "Esqueci meu login" em dois vetores que ficam perto um do outro, mesmo que as frases quase não tenham palavras em comum. É isso que faz funcionar a busca semântica, o agrupamento e as recomendações.

Modelos de embedding

Um modelo de embedding é a rede neural que produz esses vetores. Você envia texto (ou uma imagem, no caso de modelos multimodais) e ele devolve um vetor de tamanho fixo. Exemplos incluem o text-embedding-3-large e o Voyage 4 Large. O leaderboard MTEB os compara, e o guia de modelos de embedding ajuda a escolher um.

Como são usados

Na geração aumentada por recuperação, cada chunk dos seus documentos recebe um embedding uma vez e é guardado em um banco de dados vetorial. Na hora da consulta, a pergunta recebe um embedding com o mesmo modelo, e os vetores armazenados mais próximos são devolvidos. A proximidade geralmente é medida com similaridade de cosseno ou produto escalar.

O que saber

Vetores de modelos diferentes não são comparáveis, então trocar de modelo significa refazer todos os embeddings. O tamanho do vetor é a dimensão do embedding, que determina o custo de armazenamento. Um embedding captura bem o significado amplo, mas pode deixar passar identificadores exatos, como códigos de produto, e esse é um dos motivos de as equipes acrescentarem busca por palavras-chave em uma configuração de busca híbrida.

Termos relacionados

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.
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.
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.
MTEB
O MTEB, Massive Text Embedding Benchmark, é um benchmark público com leaderboard que avalia modelos de embedding de texto em muitos tipos de tarefa, como recuperação, clustering, classificação e reranking, sobre muitos datasets e idiomas.

Fontes