Embedding-modell
En modell som omvandlar text (ord, meningar, dokument) till en vektor av tal som fångar dess betydelse, så att semantiskt lika texter hamnar nära varandra i vektorrymden. Motorn bakom semantisk sökning, RAG och rekommendationer.
Mekanik: till skillnad från en generativ LLM (som producerar text) producerar en embeddingmodell en fast vektor (ofta 384–3072 dimensioner) per text. Vektorerna är konstruerade så att avstånd/cosinuslikhet motsvarar betydelselikhet → "hund" och "valp" ligger nära, "hund" och "kvantfysik" långt isär. Använd för: vektorsökning (hitta liknande dokument till en fråga), klustring, klassificering, deduplicering, rekommendationer. Exempel: OpenAI text-embedding-3, Cohere Embed, open source som BGE, E5, Sentence-Transformers (SBERT). En "bi-encoder" embeddar fråga och dokument separat (snabbt, sökbart), till skillnad från en reranker/cross-encoder (jämför ett par i taget, träffsäkrare men långsammare). Grundkomponenten i all vektorbaserad AI. Hör ihop med matryoshka-embedding och embedding drift.