Modelo de embeddings
Un modelo que convierte texto (palabras, frases, documentos) en un vector de números que captura su significado, de modo que los textos semánticamente parecidos quedan cerca en el espacio vectorial. El motor detrás de la búsqueda semántica, RAG y las recomendaciones.
Mecánica: a diferencia de un LLM generativo (que produce texto), un modelo de embeddings produce un vector fijo (a menudo de 384 a 3072 dimensiones) por texto. Los vectores se construyen para que la distancia o la similitud del coseno correspondan a la similitud de significado → «perro» y «cachorro» quedan cerca, «perro» y «física cuántica» lejos. Se usa para: búsqueda vectorial (encontrar documentos parecidos a una consulta), agrupamiento, clasificación, deduplicación y recomendaciones. Ejemplos: OpenAI text-embedding-3, Cohere Embed, y de código abierto como BGE, E5 o Sentence-Transformers (SBERT). Un «bi-encoder» codifica la consulta y el documento por separado (rápido, indexable), a diferencia de un reordenador/cross-encoder (compara un par cada vez, más preciso pero más lento). El componente base de toda IA basada en vectores. Emparentado con el embedding matrioska y la deriva de embeddings.