Introduktion til Embeddings
På denne side
Opdateret 2. november 2026 — Modeller. Mistral Large 3 (
mistral-large-2512) og Mistral Medium 3.5 blev udfaset den 31. oktober 2026 og vil blive trukket tilbage den 30. april 2027. Deres udpegede efterfølger, Mistral Large 4 (mistral-large-4), har været i offentlig forhåndsvisning siden den 6. oktober. Eksemplerne i dette kursus bruger aliasetmistral-large-latest, som ifølge den officielle specifikation stadig peger på Mistral Large 3 (verificeret 3. november 2026). Tilsvarende pegermistral-medium-latestpå Mistral Medium 3.5. Disse aliaser forbliver gyldige indtil den 30. april 2027. Til nye projekter bør du testemistral-large-4, som er den udpegede efterfølger.
Hvad er en embedding?
En embedding er en numerisk repræsentation af tekst som en vektor i et flerdimensionalt rum. Hvert ord, hver sætning eller hvert dokument omdannes til en liste af tal – en vektor – der fanger den semantiske betydning. Årsagen til denne transformation er enkel: Computere forstår ikke rå tekst; de arbejder med tal. Embeddings oversætter menneskeligt sprog til et format, som algoritmer kan manipulere, sammenligne og analysere.
Forestil dig et kundesupportteam, der arkiverer ti års supportbilletter. Så længe disse billetter forbliver som almindelig tekst, er den eneste mulige mekaniske operation en nøjagtig søgning på nøgleord: En søgning på “levering” vil aldrig finde “forsendelse”. Når billetterne først er kodet som vektorer, bliver de til sammenlignelige punkter i rummet. “Min pakke er aldrig ankommet” grupperes med “ordre ikke modtaget”, selvom de ikke deler nogle fælles ord.
Vektorer og semantisk rum
Forestil dig et rum med mange dimensioner (f.eks. 1.024 dimensioner for mistral-embed). Hver tekst indtager en præcis position i dette rum, og tekster med lignende betydninger ender geometrisk tæt på hinanden.
# En embedding er blot en liste af tal
embedding_example = [0.0234, -0.1567, 0.0891, 0.0456] # I virkeligheden 1024 værdier
# To lignende sætninger vil have tætte vektorer
sentence_1 = "The cat sleeps on the couch" # -> vektor A
sentence_2 = "The feline dozes on the sofa" # -> vektor B (tæt på A)
sentence_3 = "The stock market crashed yesterday" # -> vektor C (langt fra A og B)
Det er denne egenskab, der gør embeddings så kraftfulde: Geometrisk nærhed afspejler semantisk nærhed. Modellen har aldrig lært en regel, der siger, at “feline” er et synonym for “cat”. I stedet har den lært at placere disse to ord i lignende kontekster, hvilket er nok til at bringe vektorerne A og B tættere på hinanden, mens C holdes adskilt.
Afstand som et mål for lighed
For at afgøre, om to tekster er ens, måler du afstanden mellem deres vektorer. Tre metrikker dominerer feltet. Euklidisk afstand svarer til den lige linje mellem to punkter: Jo kortere linjen er, desto mere ens er teksterne. Cosinus-lished måler vinklen mellem to vektorer; en vinkel på 0° (cosinus = 1) betyder, at teksterne er semantisk identiske. Endelig er prikproduktet hurtigt at beregne, hvilket forklarer, hvorfor det ofte bruges til rangering.
Cosinus-lished er blevet standarden, fordi den ignorerer vektorens længde. Sammenlign en kontraktopsummering på tre linjer med den fulde kontrakt på fyrre sider. Den euklidiske afstand straffer opsummeringen, selvom den dækker præcis samme emne, hvorimod vinklen mellem de to vektorer forbliver lille.
import numpy as np
def cosine_similarity(vec_a, vec_b):
"""Beregn cosinus-lished mellem to vektorer."""
dot_product = np.dot(vec_a, vec_b)
norm_a = np.linalg.norm(vec_a)
norm_b = np.linalg.norm(vec_b)
return dot_product / (norm_a * norm_b)
# Resultat mellem -1 og 1
# 1,0 = identisk, 0,0 = urelateret, -1,0 = modsatrettet
Anvendelser af embeddings
Embeddings understøtter mange moderne applikationer, og det er værd at se, hvordan hver enkelt ser ud i praksis. Semantisk søgning finder dokumenter baseret på betydning frem for nøjagtige nøgleord: En intern proceduredatabase svarer på “hvad skal jeg gøre, hvis en kunde nægter levering”, selvom proceduren har titlen “håndtering af returneringer på depotet”. RAG (Retrieval-Augmented Generation) tager denne logik et skridt videre ved at injicere hentede dokumenter i en LLM’s prompt, hvilket giver den mulighed for at svare baseret på dine data frem for sin træningshukommelse.
Tre andre brugstilfælde udnytter den samme geometri. Tekstklassificering kategoriserer automatisk dokumenter ved at observere, hvilken kendt gruppe deres vektor er tættest på – en indkommende e-mail havner i “fakturering” eller “teknisk” uden manuelt skrevne regler. Duplikatdetektering spotter næsten identisk indhold i en database og forhindrer dig i at offentliggøre det samme produktark to gange, fordi to teams har skrevet det. Klyngedannelse (clustering) grupperer dokumenter efter tema uden foruddefinerede labels, hvilket er en almindelig metode til at give mening til et korpus, hvis struktur ingen kender. Endelig foreslår anbefalingssystemer lignende indhold, præcis som mekanismen for “relaterede artikler” i bunden af en side.
Hvorfor Mistral til embeddings?
Mistral tilbyder to specialiserede embedding-modeller. mistral-embed håndterer naturligt sprog og producerer 1.024 dimensioner; codestral-embed er trænet på kildekode og går op til 3.072 dimensioner. Du vælger mellem dem baseret på arten af dit råmateriale: Skriftlig dokumentation på den ene side, .py- eller .ts-filer på den anden.
Disse modeller er tilgængelige via en simpel API med et fremragende pris-ydelses-forhold. I de følgende lektioner vil du lære, hvordan du bruger dem i praksis.
Vigtige pointer
- En embedding transformerer tekst til en flerdimensional numerisk vektor
- Geometrisk nærhed mellem vektorer afspejler semantisk lighed
- Cosinus-lished er den mest almindelige metrik til sammenligning af embeddings
- Mistral tilbyder to modeller: mistral-embed (tekst) og codestral-embed (kode)
- Embeddings er fundamentet for RAG, semantisk søgning og klyngedannelse