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.
Também chamado: Matryoshka representation learning, MRL
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
O nome vem das bonecas russas que se encaixam umas nas outras: um embedding menor e utilizável fica dentro do maior. O método, Matryoshka Representation Learning, foi publicado em 2022 e hoje é usado em vários modelos de embedding comerciais e abertos.
Como funciona
Durante o treinamento, a loss do modelo é calculada não só sobre o vetor completo, mas também sobre várias fatias iniciais mais curtas dele. Isso força o modelo a concentrar o significado geral nos primeiros valores e os detalhes mais finos nos seguintes. Na inferência nada muda; você simplesmente mantém quantos valores quiser.
Por que importa
A dimensão do embedding define o custo de armazenamento e de busca em um banco de dados vetorial. Com um modelo Matryoshka, você pode guardar vetores curtos para economizar, ou fazer uma primeira busca rápida com vetores curtos e reavaliar os melhores resultados com os de tamanho completo. A OpenAI expõe isso por meio de um parâmetro `dimensions` nos modelos text-embedding-3, que descarta valores do final.
Limites
Vetores mais curtos perdem um pouco de qualidade, e quanto depende do modelo e dos seus dados. O truncamento só funciona em modelos treinados dessa forma; cortar um embedding comum o degrada bastante. Depois de truncar, normalize os vetores de novo se você usa similaridade de cosseno via produto escalar. Confira os resultados com métricas de recuperação em cada tamanho antes de escolher.
Termos relacionados
- 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.
- 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.
- 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.
- 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.
- Métricas de recuperação (recall@k, nDCG, MRR)
- Métricas de recuperação (retrieval metrics) avaliam quão bem um sistema de busca retorna documentos relevantes. O recall@k verifica quantos itens relevantes aparecem entre os k primeiros, o nDCG recompensa colocá-los no alto e o MRR mede quão cedo aparece o primeiro correto.