埋め込み（エンベディング）

埋め込みモデルは、文章を読んで、たとえば1,024個のような、決まった長さの数値のリストを返します。個々の数値には単独の意味はありません。大切なのは、多くの次元を持つ空間の中での、ベクトル全体の位置です。子犬を迎える話と、保護施設から犬をもらう話は、近くに並び、確定申告の話ははるか遠くに位置します。距離は通常、コサイン類似度で測られ、二つのベクトルの長さではなく、向きを比べます。すべての文章が地図上のピンで、近所のピンは同じことを話している、と考えてください。画像や音声向けのモデルもあり、写真とその説明文を近い点に写します。英語の「bank」（土手／銀行）という言葉が、川の近くに置かれるか、お金の近くに置かれるかは、周りの文によって決まります。

これによって、あいまいな問いが算術に変わります。文書の山を検索するには、各部分を一度だけ埋め込んでベクトルを保存します。質問のときには質問を埋め込み、いちばん近いベクトルを持つ部分を探します。同じ考え方が、おすすめ、重複の検出、サポートの問い合わせのクラスタリング、アシスタントの記憶を支えています。検索拡張生成の第一段階でもあり、見つかった部分が言語モデルに渡され、モデルはそこから答えます。店、図書館、ヘルプデスクは、おすすめの棚、意味による検索バー、スパムや重複の検出に使い、保存されたすべてのベクトルを調べるのではなく、近いものを素早く見つける専用の索引を用います。

埋め込みには限界があります。ベクトルは意味を保ちますが、正確な言葉づかいを失うため、正確なコード、名前、番号の検索は外れることがあり、多くのシステムはベクトルとキーワードの照合を組み合わせます。異なるモデルのベクトルは、互いに比べられません。埋め込みモデルを変えたら、すべてをもう一度埋め込む必要があります。長い文章は通常、先に部分に切り分けます。一冊の本全体で一つのベクトルだと内容がぼやけるからで、部分の大きさの選び方で見つかるものが変わります。品質はモデルによって異なります。多くの言語を扱えるものもあれば、一つの言語で最良のものもあるので、決める前に自分の資料で試してください。典型的な集まりは、契約書、サポートの問い合わせ、レシピ、歌詞、ソースコードです。

NeverNo の金庫（Vault）は、あなた自身の文書に埋め込みを使います。約800トークンの各部分に、DeepInfra のプライベートモデルで一度だけ計算された、1,024個の数値からなるベクトルが付きます。ベクトルは、暗号化された文書の隣に、ブラウザの中で保管され、検索そのものもそこで行われます。Z.ai の GLM 5.3 Flash は、画像を読み取る無料のプライベートモデルで、見つかった部分から答えられるモデルの一つです。

開発者も同じ埋め込みモデルを使えます。API の/embeddings エンドポイントは、qwen3-embedding-0.6b のベクトルを返し、1,024個の値を持ち、一回のリクエストで最大128件の入力を扱えます。dimensions オプションでベクトルを短くでき、base64 のエンコードにも対応し、OpenAI の埋め込みモデル名を指定しても受け付けられ、このモデルで処理されます。プライベートな AI のページでは、残りのデータがどこに保管されるかを説明しています。