Embedding Model
Modelo de embeddings
En una frase
Embedding Model: un modelo especializado en convertir textos (u otros datos) en embeddings útiles para buscar y comparar.
¿Demasiado técnico? Ver explicación sencilla¿Quieres profundizar? Ver explicación técnica
Explícamelo fácil
No todos los modelos sirven para lo mismo. Un LLM genera texto; un modelo de embeddings convierte texto en un vector que resume su significado. Es la pieza que hace posible la búsqueda semántica y RAG.
Nivel técnico
Profundizando
Suelen ser encoders Transformer entrenados con aprendizaje contrastivo: se acercan en el espacio los pares relacionados (pregunta y respuesta, textos parafraseados) y se alejan los no relacionados. Producen un vector por texto mediante pooling de los tokens. Características a comparar: dimensión, longitud máxima, soporte multilingüe, rendimiento en benchmarks como MTEB y costo. Cambiar de modelo obliga a recalcular todos los vectores del índice.
¿Por qué importa?
Elegir un buen modelo de embeddings, adecuado al idioma y dominio, suele ser la mejora más directa de un sistema RAG.
¿Dónde se utiliza?
- Indexación para RAG
- Búsqueda semántica
- Clustering de documentos
- Recomendaciones
Antes de aprender esto
Si alguno te resulta nuevo, empieza por ahí.