Modèle d'embeddings

Un modèle d'embeddings transforme du texte, des images ou d'autres données en une liste de nombres qui capture leur sens, si bien que les éléments semblables se retrouvent proches les uns des autres.

  • Modèles et architecture
  • Mis à jour le

Les embeddings font tourner la recherche sémantique, les recommandations et la génération augmentée par récupération. Vous encodez vos documents une fois, encodez chaque question, et renvoyez les documents dont les nombres sont les plus proches. Un modèle d'embeddings n'écrit pas de texte : sa sortie est un vecteur.

Les modèles d'embeddings sont petits comparés aux modèles de chat. Qwen3-Embedding va de 0,6 à 8 milliards de paramètres, et EmbeddingGemma 2 en compte moins d'un milliard : tous deux tournent donc sur un ordinateur portable ordinaire.

Termes associés

  • Génération augmentée par récupération (RAG) La génération augmentée par récupération permet à un modèle de répondre à partir de vos propres documents en récupérant les passages pertinents et en les ajoutant au prompt.
  • Modèle multimodal Un modèle multimodal peut traiter plus d'un type de données, comme du texte, des images, de l'audio ou de la vidéo, en entrée, en sortie ou les deux.

Tous les termes