Introducción a los embeddings
En esta página
Actualizado el 2 de noviembre de 2026 — Modelos. Mistral Large 3 (
mistral-large-2512) y Mistral Medium 3.5 quedaron obsoletos el 31 de octubre de 2026 y se retirarán el 30 de abril de 2027. Su sucesor designado, Mistral Large 4 (mistral-large-4), está en vista previa pública desde el 6 de octubre. Los ejemplos de este curso utilizan el aliasmistral-large-latest, que aún apunta a Mistral Large 3 según su especificación oficial (verificado el 3 de noviembre de 2026). De igual forma,mistral-medium-latestapunta a Mistral Medium 3.5. Estos alias seguirán siendo válidos hasta el 30 de abril de 2027. Para nuevos proyectos, pruebamistral-large-4, su sucesor designado.
¿Qué es un embedding?
Un embedding es una representación numérica de texto en forma de vector dentro de un espacio multidimensional. Cada palabra, frase o documento se transforma en una lista de números, un vector, que captura su significado semántico. La razón de esta transformación es sencilla: los ordenadores no entienden el texto en bruto; trabajan con números. Los embeddings traducen el lenguaje humano a un formato que los algoritmos pueden manipular, comparar y analizar.
Imagina un equipo de atención al cliente que archiva diez años de tickets. Mientras esos tickets permanezcan como texto plano, la única operación mecánica posible es la búsqueda exacta por palabras clave: buscar «entrega» nunca encontrará «envío». Una vez codificados los tickets como vectores, se convierten en puntos comparables en el espacio. «Mi paquete no ha llegado nunca» se agrupa con «pedido no recibido», aunque no compartan ninguna palabra.
Vectores y espacio semántico
Imagina un espacio con muchas dimensiones (1.024 dimensiones para mistral-embed, por ejemplo). Cada texto ocupa una posición precisa en este espacio, y los textos con significados similares terminan geométricamente cerca unos de otros.
# Un embedding es simplemente una lista de números
embedding_example = [0.0234, -0.1567, 0.0891, 0.0456] # 1024 valores en realidad
# Dos frases similares tendrán vectores cercanos
sentence_1 = "The cat sleeps on the couch" # -> vector A
sentence_2 = "The feline dozes on the sofa" # -> vector B (cercano a A)
sentence_3 = "The stock market crashed yesterday" # -> vector C (lejano a A y B)
Esta propiedad es lo que hace tan potentes a los embeddings: la proximidad geométrica refleja la proximidad semántica. El modelo nunca aprendió una regla que diga que «feline» es sinónimo de «cat». En su lugar, aprendió a colocar estas dos palabras en contextos similares, lo cual es suficiente para acercar los vectores A y B mientras mantiene el C aparte.
La distancia como medida de similitud
Para determinar si dos textos son similares, mides la distancia entre sus vectores. Tres métricas dominan el campo. La distancia euclídea corresponde a la línea recta entre dos puntos: cuanto más corta sea la línea, más similares son los textos. La similitud del coseno mide el ángulo entre dos vectores; un ángulo de 0° (coseno = 1) significa que los textos son semánticamente idénticos. Por último, el producto escalar es rápido de calcular, lo que explica por qué se usa habitualmente para la clasificación por relevancia (ranking).
La similitud del coseno se convirtió en el estándar porque ignora la longitud del vector. Compara un resumen de contrato de tres líneas con el contrato completo de cuarenta páginas. La distancia euclídea penaliza el resumen aunque cubra exactamente el mismo tema, mientras que el ángulo entre los dos vectores permanece pequeño.
import numpy as np
def cosine_similarity(vec_a, vec_b):
"""Calcula la similitud del coseno entre dos vectores."""
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)
# Resultado entre -1 y 1
# 1.0 = idéntico, 0.0 = sin relación, -1.0 = opuesto
Aplicaciones de los embeddings
Los embeddings sustentan muchas aplicaciones modernas, y vale la pena ver cómo se presenta cada una en la práctica. La búsqueda semántica encuentra documentos por significado en lugar de por palabras clave exactas: una base de datos de procedimientos internos responde a «qué hacer si un cliente rechaza la entrega» aunque el procedimiento se titule «gestión de devoluciones en el depósito». El RAG (Generación Aumentada por Recuperación) lleva esta lógica un paso más allá inyectando documentos recuperados en el prompt de un LLM, lo que le permite responder basándose en tus datos y no en su memoria de entrenamiento.
Otros tres casos de uso aprovechan la misma geometría. La clasificación de texto categoriza automáticamente documentos observando a qué grupo conocido está más cerca su vector: un correo entrante acaba en «facturación» o «técnico» sin necesidad de reglas escritas a mano. La detección de duplicados identifica contenido casi idéntico en una base de datos, evitando que publiques la misma ficha de producto dos veces porque dos equipos la redactaron. El agrupamiento (clustering) organiza documentos por tema sin etiquetas predefinidas, un método común para dar sentido a un corpus cuya estructura nadie conoce. Por último, los sistemas de recomendación sugieren contenido similar, exactamente como el mecanismo de «artículos relacionados» al final de una página.
¿Por qué Mistral para embeddings?
Mistral ofrece dos modelos de embedding especializados. mistral-embed gestiona lenguaje natural y produce 1.024 dimensiones; codestral-embed está entrenado con código fuente y alcanza hasta 3.072 dimensiones. Eliges entre ellos según la naturaleza de tu materia prima: documentación escrita por un lado, archivos .py o .ts por el otro.
Estos modelos son accesibles mediante una API sencilla con una excelente relación precio-rendimiento. En las siguientes lecciones aprenderás a utilizarlos en la práctica.
Puntos clave
- Un embedding transforma texto en un vector numérico multidimensional
- La proximidad geométrica entre vectores refleja la similitud semántica
- La similitud del coseno es la métrica más común para comparar embeddings
- Mistral ofrece dos modelos: mistral-embed (texto) y codestral-embed (código)
- Los embeddings son la base del RAG, la búsqueda semántica y el agrupamiento