Introducere în Embeddings
Pe această pagină
Actualizat la 2 noiembrie 2026 — Modele. Mistral Large 3 (
mistral-large-2512) și Mistral Medium 3.5 au fost depreciați la 31 octombrie 2026 și vor fi retrași definitiv la 30 aprilie 2027. Succesorul lor desemnat, Mistral Large 4 (mistral-large-4), se află în previzualizare publică începând cu 6 octombrie. Exemplele din acest curs utilizează aliasulmistral-large-latest, care indică încă Mistral Large 3 conform specificației oficiale (verificat la 3 noiembrie 2026). În mod similar,mistral-medium-latestindică Mistral Medium 3.5. Aceste aliasuri vor rămâne valabile până la 30 aprilie 2027. Pentru proiectele noi, testațimistral-large-4, succesorul lor desemnat.
Ce este un embedding?
Un embedding este o reprezentare numerică a textului sub formă de vector într-un spațiu multidimensional. Fiecare cuvânt, propoziție sau document se transformă într-o listă de numere — un vector — care îi captează sensul semantic. Motivul acestei transformări este simplu: calculatoarele nu înțeleg textul brut; ele lucrează cu numere. Embedding-urile traduc limbajul uman într-un format pe care algoritmii îl pot manipula, compara și analiza.
Gândiți-vă la o echipă de suport clienți care arhivează zece ani de tichete. Atâta timp cât aceste tichete rămân text simplu, singura operațiune mecanică posibilă este căutarea exactă după cuvinte-cheie: căutarea termenului „livrare“ nu va găsi niciodată „expediere“. Odată ce tichetele sunt codificate sub formă de vectori, ele devin puncte comparabile în spațiu. „Pachetul meu nu a ajuns niciodată“ se grupează cu „comanda nu a fost primită“, chiar dacă nu au niciun cuvânt comun.
Vectori și spațiu semantic
Imaginați-vă un spațiu cu multe dimensiuni (1.024 de dimensiuni pentru mistral-embed, de exemplu). Fiecare text ocupă o poziție precisă în acest spațiu, iar textele cu semnificații similare ajung geometric aproape unul de celălalt.
# Un embedding este pur și simplu o listă de numere
embedding_example = [0.0234, -0.1567, 0.0891, 0.0456] # 1024 values in reality
# Două propoziții similare vor avea vectori apropiați
sentence_1 = "The cat sleeps on the couch" # -> vector A
sentence_2 = "The feline dozes on the sofa" # -> vector B (close to A)
sentence_3 = "The stock market crashed yesterday" # -> vector C (far from A and B)
Această proprietate este ceea ce face embedding-urile atât de puternice: proximitatea geometrică reflectă proximitatea semantică. Modelul nu a învățat nicio regulă care să stipuleze că „feline“ este un sinonim pentru „cat“. În schimb, a învățat să plaseze aceste două cuvinte în contexte similare, ceea ce este suficient pentru a apropia vectorii A și B, menținându-l pe C la distanță.
Distanța ca măsură a similarității
Pentru a determina dacă două texte sunt similare, măsurați distanța dintre vectorii lor. Trei metrici domină acest domeniu. Distanța euclidiană corespunde liniei drepte dintre două puncte: cu cât linia este mai scurtă, cu atât textele sunt mai similare. Similaritatea cosinus măsoară unghiul dintre doi vectori; un unghi de 0° (cosinus = 1) înseamnă că textele sunt semantic identice. În final, produsul scalar este rapid de calculat, ceea ce explică utilizarea sa frecventă pentru clasament.
Similaritatea cosinus a devenit standard deoarece ignoră lungimea vectorului. Comparați un rezumat de contract de trei rânduri cu contractul complet de patruzeci de pagini. Distanța euclidiană penalizează rezumatul, deși acoperă exact același subiect, în timp ce unghiul dintre cei doi vectori rămâne mic.
import numpy as np
def cosine_similarity(vec_a, vec_b):
"""Calculate cosine similarity between two vectors."""
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)
# Result between -1 and 1
# 1.0 = identical, 0.0 = unrelated, -1.0 = opposite
Aplicații ale embedding-urilor
Embedding-urile stau la baza multor aplicații moderne și merită să vedeți cum arată fiecare în practică. Căutarea semantică găsește documente pe baza sensului, nu a cuvintelor-cheie exacte: o bază de date internă cu proceduri răspunde la „ce trebuie făcut dacă un client refuză livrarea“, chiar dacă procedura se intitulează „gestionarea retururilor la depozit“. RAG (Retrieval-Augmented Generation) duce această logică mai departe, injectând documentele recuperate în prompt-ul unui LLM, permițându-i să răspundă pe baza datelor dumneavoastră, nu a memoriei sale de antrenament.
Trei alte cazuri de utilizare valorifică aceeași geometrie. Clasificarea textelor categorizează automat documentele observând către care grup cunoscut este cel mai apropiat vectorul lor — un e-mail primit ajunge la „facturare“ sau „tehnic“ fără nicio regulă scrisă manual. Detectarea duplicatelor identifică conținuturi aproape identice într-o bază de date, împiedicându-vă să publicați de două ori aceeași fișă de produs doar pentru că două echipe au redactat-o. Clusteringul grupează documentele pe teme fără etichete predefinite, o metodă comună pentru a da sens unui corpus a cărui structură nu este cunoscută de nimeni. În final, sistemele de recomandare sugerează conținut similar, exact ca mecanismul „articole conexe“ din partea de jos a unei pagini.
De ce Mistral pentru embeddings?
Mistral oferă două modele de embedding specializate. mistral-embed gestionează limbajul natural și produce 1.024 de dimensiuni; codestral-embed este antrenat pe cod sursă și ajunge până la 3.072 de dimensiuni. Alegeți între ele în funcție de natura materialului dumneavoastră brut: documentație scrisă pe de o parte, fișiere .py sau .ts pe de altă parte.
Aceste modele sunt accesibile printr-un API simplu, cu un raport preț-performanță excelent. În lecțiile următoare, veți învăța cum să le utilizați în practică.
Puncte cheie
- Un embedding transformă textul într-un vector numeric multidimensional
- Proximitatea geometrică dintre vectori reflectă similaritatea semantică
- Similaritatea cosinus este cea mai comună metrică pentru compararea embedding-urilor
- Mistral oferă două modele: mistral-embed (text) și codestral-embed (cod)
- Embedding-urile stau la baza RAG, a căutării semantice și a clusteringului