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

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.

Também chamado: dimensions, vector dimension, Matryoshka

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

Quando você escolhe um modelo de embedding, também escolhe um tamanho de vetor. O text-embedding-3-small da OpenAI devolve 1536 números por padrão, e o text-embedding-3-large devolve 3072. Cada chunk de documento que você guarda carrega essa quantidade de números, então a dimensão se multiplica diretamente no tamanho do seu banco de dados vetorial e no trabalho feito em cada busca.

Isso importa?

Sim, principalmente para custo e velocidade. Um vetor maior não garante uma recuperação melhor: o treinamento do modelo importa mais do que o tamanho bruto. Um vetor menor de um modelo forte pode superar um maior de um modelo mais fraco. Verifique a qualidade da recuperação nos seus próprios dados, em vez de presumir que maior é melhor.

Encurtando vetores

Alguns modelos mais novos são treinados para que você possa cortar um vetor e manter a maior parte da sua utilidade. A OpenAI permite passar um parâmetro `dimensions` que descarta números do fim do vetor. Isso funciona por causa dos embeddings Matryoshka, um método de treinamento que concentra a informação mais importante nos primeiros valores.

Notas práticas

A dimensão é fixada quando você cria um índice, então mudá-la significa refazer os embeddings e reindexar. Os vetores de consulta e de documento precisam ter o mesmo tamanho. O armazenamento por vetor também depende do formato numérico: a quantização dos vetores para menos bits é uma forma separada de economizar espaço. O guia de modelos de embedding lista as dimensões dos modelos que analisamos.

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.
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.
Embeddings Matryoshka
Embeddings Matryoshka são vetores treinados para que seus primeiros valores carreguem a maior parte da informação. Você pode cortá-los para um tamanho menor e ainda obter resultados de busca úteis, o que economiza armazenamento e acelera a busca.
Quantização
A quantização (quantization) é uma técnica que armazena os pesos de um modelo, e às vezes as ativações, com menos bits, como 8 ou 4 em vez de 16, para que o modelo precise de menos memória e muitas vezes rode mais rápido, com algum custo em acurácia.
Busca aproximada de vizinhos mais próximos
A busca aproximada de vizinhos mais próximos (approximate nearest neighbor, ANN) encontra vetores próximos a uma consulta sem verificar cada vetor armazenado. Ela abre mão da garantia da melhor correspondência exata em troca de uma busca muito mais rápida em grandes coleções.

Fontes