Embedding

Un modello di embedding legge un testo e restituisce un elenco di numeri di lunghezza fissa, per esempio 1.024. Nessun numero ha un significato da solo; conta la posizione dell’intero vettore in uno spazio a molte dimensioni. Una frase sull’adottare un cucciolo e una sul prendere un cane da un rifugio finiscono vicine, mentre una frase sulle dichiarazioni dei redditi finisce lontanissimo. La distanza si misura di solito con la similarità del coseno, che confronta la direzione di due vettori e non la loro lunghezza. Pensa a una mappa dove ogni testo è uno spillo e i vicini parlano della stessa cosa. Esistono modelli anche per immagini e audio, che collocano una foto e la sua didascalia in punti vicini. Una parola come «pesca» può finire vicino alla frutta o vicino al mare, a seconda della frase attorno.

Questo trasforma domande sfumate in aritmetica. Per cercare in un mucchio di documenti, trasformi ogni brano una volta sola e conservi i vettori; al momento della domanda trasformi la domanda, poi cerchi i brani con i vettori più vicini. La stessa idea alimenta i consigli, il rilevamento dei duplicati, il raggruppamento delle richieste di assistenza e la memoria degli assistenti. È anche la prima fase della generazione aumentata dal recupero, in cui i brani trovati vengono consegnati a un modello linguistico perché risponda da essi. Negozi, biblioteche e servizi di assistenza la usano per scaffali di consigli, barre di ricerca semantiche e rilevamento di spam o duplicati, con un indice specializzato che trova i vicini in fretta invece di controllare ogni vettore conservato.

Gli embedding hanno dei limiti. Un vettore conserva il significato ma perde la formulazione esatta, quindi la ricerca di un codice, un nome o un numero preciso può fallire, e molti sistemi combinano i vettori con la ricerca per parole chiave. I vettori di modelli diversi non si possono confrontare tra loro: se cambi il modello di embedding devi trasformare di nuovo tutto. I testi lunghi si dividono di solito prima in brani, perché un solo vettore per un intero libro ne sfoca il contenuto, e la scelta della misura dei brani cambia ciò che si trova. La qualità varia tra i modelli: alcuni gestiscono molte lingue mentre altri danno il meglio in una sola, quindi prova con il tuo materiale prima di impegnarti. Raccolte tipiche: contratti, richieste di assistenza, ricette, testi di canzoni o codice sorgente.

La Cassaforte di NeverNo usa gli embedding per i tuoi documenti. Ogni brano, di circa 800 token, riceve un vettore di 1.024 numeri calcolato una volta da un modello privato presso DeepInfra. I vettori restano nel tuo browser accanto ai documenti cifrati, e la ricerca avviene lì. GLM 5.3 Flash è un modello privato gratuito di Z.ai che legge le immagini, ed è uno dei modelli che possono poi rispondere dai brani trovati.

Gli sviluppatori possono raggiungere lo stesso modello di embedding. L’endpoint /embeddings dell’API restituisce vettori da qwen3-embedding-0.6b, con 1.024 valori e fino a 128 ingressi per richiesta. L’opzione dimensions accorcia i vettori, la codifica base64 è compresa, e i nomi dei modelli di embedding di OpenAI sono accettati e serviti da esso. La pagina sull’IA privata spiega dove viene conservato il resto dei tuoi dati.