Introdução aos Embeddings
Nesta página
Atualizado em 2 de novembro de 2026 — Modelos. O Mistral Large 3 (
mistral-large-2512) e o Mistral Medium 3.5 foram descontinuados em 31 de outubro de 2026 e serão retirados em 30 de abril de 2027. O seu sucessor designado, o Mistral Large 4 (mistral-large-4), está em pré-visualização pública desde 6 de outubro. Os exemplos neste curso utilizam o aliasmistral-large-latest, que ainda aponta para o Mistral Large 3 de acordo com a sua especificação oficial (verificado em 3 de novembro de 2026). Da mesma forma,mistral-medium-latestaponta para o Mistral Medium 3.5. Estes aliases permanecerão válidos até 30 de abril de 2027. Para novos projetos, teste omistral-large-4, o seu sucessor designado.
O que é um embedding?
Um embedding é uma representação numérica de texto sob a forma de um vetor num espaço multidimensional. Cada palavra, frase ou documento transforma-se numa lista de números — um vetor — que capta o seu significado semântico. A razão para esta transformação é simples: os computadores não compreendem texto bruto; trabalham com números. Os embeddings traduzem a linguagem humana num formato que os algoritmos podem manipular, comparar e analisar.
Considere uma equipa de apoio ao cliente que arquiva dez anos de tickets. Enquanto esses tickets permanecerem como texto simples, a única operação mecânica possível é a pesquisa exata por palavras-chave: procurar por “entrega” nunca encontrará “expedição”. Assim que os tickets são codificados como vetores, tornam-se pontos comparáveis no espaço. “A minha encomenda nunca chegou” agrupa-se com “encomenda não recebida”, mesmo que não partilhem palavras comuns.
Vetores e espaço semântico
Imagine um espaço com muitas dimensões (1.024 dimensões para o mistral-embed, por exemplo). Cada texto ocupa uma posição precisa neste espaço, e textos com significados semelhantes acabam geometricamente próximos uns dos outros.
# Um embedding é simplesmente uma lista de números
embedding_example = [0.0234, -0.1567, 0.0891, 0.0456] # 1024 valores na realidade
# Duas frases semelhantes terão vetores próximos
sentence_1 = "The cat sleeps on the couch" # -> vetor A
sentence_2 = "The feline dozes on the sofa" # -> vetor B (próximo de A)
sentence_3 = "The stock market crashed yesterday" # -> vetor C (longe de A e B)
Esta propriedade é o que torna os embeddings tão poderosos: a proximidade geométrica reflete a proximidade semântica. O modelo nunca aprendeu uma regra que afirmasse que “feline” é sinónimo de “cat”. Em vez disso, aprendeu a colocar estas duas palavras em contextos semelhantes, o que é suficiente para aproximar os vetores A e B, mantendo o C afastado.
A distância como medida de similaridade
Para determinar se dois textos são semelhantes, mede-se a distância entre os seus vetores. Três métricas dominam o campo. A distância euclidiana corresponde à linha reta entre dois pontos: quanto mais curta a linha, mais semelhantes são os textos. A similaridade do cosseno mede o ângulo entre dois vetores; um ângulo de 0° (cosseno = 1) significa que os textos são semanticamente idênticos. Por fim, o produto escalar é rápido de calcular, o que explica o seu uso comum para classificação (ranking).
A similaridade do cosseno tornou-se o padrão porque ignora o comprimento do vetor. Compare um resumo de contrato de três linhas com o contrato completo de quarenta páginas. A distância euclidiana penaliza o resumo, embora aborde exatamente o mesmo tópico, enquanto o ângulo entre os dois vetores permanece pequeno.
import numpy as np
def cosine_similarity(vec_a, vec_b):
"""Calcula a similaridade do cosseno entre dois vetores."""
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 e 1
# 1.0 = idêntico, 0.0 = sem relação, -1.0 = oposto
Aplicações dos embeddings
Os embeddings sustentam muitas aplicações modernas, e vale a pena ver como cada uma se apresenta na prática. A pesquisa semântica encontra documentos pelo significado e não por palavras-chave exatas: uma base de dados de procedimentos internos responde a “o que fazer se um cliente recusar a entrega” mesmo que o procedimento se intitule “gestão de devoluções no depósito”. O RAG (Retrieval-Augmented Generation) leva esta lógica mais longe, injetando documentos recuperados no prompt de um LLM, permitindo-lhe responder com base nos seus dados e não na sua memória de treino.
Três outros casos de uso aproveitam a mesma geometria. A classificação de texto categoriza automaticamente documentos ao observar em qual grupo conhecido o seu vetor está mais próximo — um e-mail recebido cai em “faturação” ou “técnico” sem quaisquer regras escritas à mão. A detecção de duplicados identifica conteúdo quase idêntico numa base de dados, impedindo-o de publicar a mesma ficha de produto duas vezes porque duas equipas a escreveram. O agrupamento (clustering) organiza documentos por tema sem rótulos predefinidos, um método comum para dar sentido a um corpus cuja estrutura ninguém conhece. Por fim, os sistemas de recomendação sugerem conteúdo semelhante, exatamente como o mecanismo de “artigos relacionados” no fundo de uma página.
Porquê o Mistral para embeddings?
A Mistral oferece dois modelos de embedding especializados. O mistral-embed lida com linguagem natural e produz 1.024 dimensões; o codestral-embed é treinado em código-fonte e vai até 3.072 dimensões. Escolhe entre eles com base na natureza da sua matéria-prima: documentação escrita de um lado, ficheiros .py ou .ts do outro.
Estes modelos são acessíveis através de uma API simples com uma excelente relação preço-desempenho. Nas próximas lições, aprenderá como utilizá-los na prática.
Pontos-chave
- Um embedding transforma texto num vetor numérico multidimensional
- A proximidade geométrica entre vetores reflete a similaridade semântica
- A similaridade do cosseno é a métrica mais comum para comparar embeddings
- A Mistral oferece dois modelos: mistral-embed (texto) e codestral-embed (código)
- Os embeddings são a base do RAG, da pesquisa semântica e do agrupamento