Embeddings (vectores semánticos)

Un modelo de embeddings lee un texto y devuelve una lista de números de longitud fija, por ejemplo 1 024. Ningún número significa nada por sí solo; lo que importa es la posición del vector completo en un espacio de muchas dimensiones. Una frase sobre adoptar un cachorro y otra sobre llevarse un perro de un refugio quedan juntas, y una sobre la declaración de la renta cae muy lejos. La distancia suele medirse con la similitud del coseno, que compara la dirección de dos vectores y no su longitud. Piensa en un mapa donde cada texto es un alfiler y los vecinos hablan de lo mismo. También existen modelos para imágenes y audio, que sitúan una fotografía y su pie de foto en puntos vecinos. Una palabra como «banco» puede quedar cerca de los parques o del dinero, según la frase que la rodee.

Así las preguntas difusas se convierten en aritmética. Para buscar en muchos documentos, calculas una vez el embedding de cada pasaje y guardas los vectores; con la pregunta, calculas el suyo y buscas los pasajes más próximos. La misma idea sirve para recomendaciones, detección de duplicados, agrupación de tickets de soporte y la memoria de los asistentes. Es también la primera etapa de la generación aumentada por recuperación, en la que los pasajes hallados se entregan a un modelo para que responda con ellos. Tiendas, bibliotecas y centros de ayuda lo emplean en estanterías de recomendaciones, buscadores semánticos y detectores de correo basura o duplicados, con un índice especializado que halla vecinos rápido sin revisar cada vector.

Los embeddings tienen límites. Un vector conserva el sentido pero pierde la redacción exacta, así que la búsqueda de un código, un nombre o una cifra precisos puede fallar, y muchos sistemas combinan vectores con búsqueda por palabras clave. Los vectores de modelos distintos no son comparables: si cambias de modelo, hay que recalcularlo todo. Los textos largos se dividen antes en pasajes, porque un solo vector para un libro entero difumina su contenido, y el tamaño del pasaje cambia lo que se encuentra. La calidad varía entre modelos: unos manejan muchos idiomas y otros rinden mejor en uno solo, así que prueba con tu propio material antes de decidirte. Colecciones típicas: contratos, tickets de soporte, recetas, letras de canciones o código fuente.

La Caja fuerte de NeverNo usa embeddings para tus propios documentos. Cada pasaje, de unos 800 tokens, recibe un vector de 1 024 números que calcula una sola vez un modelo privado en DeepInfra. Los vectores se guardan en tu navegador junto a los documentos cifrados, y la búsqueda se hace allí mismo. GLM 5.3 Flash es un modelo privado y gratuito de Z.ai que lee imágenes y uno de los que pueden responder después con los pasajes encontrados.

Los desarrolladores pueden usar el mismo modelo de embeddings. El punto de acceso /embeddings de la API devuelve los vectores de qwen3-embedding-0.6b, con 1 024 valores y hasta 128 entradas por solicitud. La opción dimensions acorta los vectores, se admite la codificación base64, y los nombres de modelos de embeddings de OpenAI se aceptan y los atiende el mismo modelo. La página sobre la IA privada explica dónde se guarda el resto de tus datos.