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

Recuperação esparsa

A recuperação esparsa (sparse retrieval) representa consultas e documentos como vetores sobre um vocabulário em que a maioria das entradas é zero e cada entrada diferente de zero é o peso de uma palavra, para que a busca use índices invertidos rápidos como na busca por palavra-chave.

Também chamado: sparse embeddings, SPLADE, learned sparse retrieval

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

Em um embedding denso, todos os valores são diferentes de zero e nenhum tem significado fixo. Em um vetor esparso, cada posição representa um termo do vocabulário, e só os termos que importam para o texto recebem peso. O BM25 é o método esparso clássico, com pesos vindos de uma fórmula fixa.

Modelos esparsos aprendidos

Modelos como o SPLADE usam uma rede neural para definir os pesos. Eles também podem adicionar termos relacionados que o texto nunca usou, uma etapa chamada expansão, então um documento sobre "automóveis" também recebe peso em "carro". O resultado mantém os pontos fortes da busca por palavra-chave, correspondência exata de termos e índices invertidos, e fecha parte da distância em relação aos modelos densos no significado.

Por que usar

Vetores esparsos são fáceis de inspecionar: você vê quais palavras geraram uma correspondência. Eles vão bem com nomes, códigos e jargões que os modelos densos borram. Também rodam em motores de busca existentes. Uma configuração comum é a busca híbrida com um retriever esparso e um denso, combinados antes do reranking.

Limites

Modelos esparsos aprendidos precisam de uma chamada ao modelo na indexação e na consulta, ao contrário do BM25. O vocabulário deles é fixado pelo tokenizer, então podem ter dificuldade entre idiomas. O suporte varia entre bancos de dados vetoriais; verifique o seu antes de se comprometer.

Termos relacionados

BM25
O BM25 é uma fórmula de ranqueamento para busca por palavras-chave. Ele pontua cada documento pela frequência com que as palavras da consulta aparecem nele, dando mais peso a palavras raras e menos crédito a documentos longos e termos repetidos.
Busca híbrida
A busca híbrida (hybrid search) faz uma busca por palavras-chave e uma busca vetorial na mesma consulta e mescla as duas listas ordenadas, para que os resultados possam corresponder tanto às palavras exatas quanto ao significado.
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.
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