Embedding-Modell
Ein Embedding-Modell verwandelt Text, Bilder oder andere Daten in eine Liste von Zahlen, die ihre Bedeutung erfasst, sodass ähnliche Elemente nahe beieinander landen.
Embeddings tragen semantische Suche, Empfehlungen und Retrieval-Augmented Generation. Sie betten Ihre Dokumente einmal ein, betten jede Frage ein und geben die Dokumente zurück, deren Zahlen am nächsten liegen. Ein Embedding-Modell schreibt keinen Text; seine Ausgabe ist ein Vektor.
Embedding-Modelle sind im Vergleich zu Chat-Modellen klein. Qwen3-Embedding umfasst 0,6 bis 8 Milliarden Parameter, und EmbeddingGemma 2 hat weniger als eine Milliarde, sodass beide auf gewöhnlichen Laptops laufen.
Verwandte Begriffe
- Retrieval-Augmented Generation (RAG) Retrieval-Augmented Generation ermöglicht einem Modell, aus Ihren eigenen Dokumenten zu antworten, indem es die passenden Passagen abruft und in den Prompt einfügt.
- Multimodales Modell Ein multimodales Modell kann mehr als eine Art von Daten verarbeiten – etwa Text, Bilder, Audio oder Video – als Eingabe, als Ausgabe oder beides.