---
title: "Was sind Embeddings? Textvektoren für Suche und RAG | BroadRouter"
description: "Embeddings verwandeln Text in Zahlenvektoren, sodass ähnliche Bedeutungen nah beieinander liegen. Funktionsweise, Vergleich und ihre Rolle in RAG."
url: https://broadrouter.com/de/glossary/embeddings/
lang: de
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/glossary/embeddings/) (aktualisiert am 2026-11-14).

# Embeddings

Aktualisiert 2026-11-14

Embeddings sind Listen von Gleitkommazahlen (Vektoren), die ein Modell erzeugt, um einen Text, ein Bild oder einen anderen Input darzustellen. Inputs mit ähnlicher Bedeutung erhalten nah beieinanderliegende Vektoren; über den Abstand lassen sich Suchergebnisse ranken, Dokumente clustern oder verwandte Elemente finden.

Auch genannt: Embeddings, Text-Embeddings, Vektor-Embeddings, Einbettungen, Embedding-Modell, text embeddings, vector embeddings, embedding vectors, embedding model, sentence embeddings

Mit einem Embedding misst ein Computer Bedeutung: Zwei Texte, die Ähnliches sagen, erhalten zwei Vektoren, die in ähnliche Richtungen zeigen.

## So funktioniert es

Sie senden Text an ein Embedding-Modell und erhalten einen Vektor fester Länge zurück. Der Leitfaden von OpenAI sagt es schlicht: „An embedding is a vector (list) of floating point numbers.“ (Übersetzung: „Ein Embedding ist ein Vektor (eine Liste) von Gleitkommazahlen.“) Die Länge ist pro Modell festgelegt. text-embedding-3-small von OpenAI liefert standardmäßig 1.536 Zahlen, text-embedding-3-large 3.072.

Um zwei Texte zu vergleichen, vergleichen Sie ihre Vektoren. OpenAI empfiehlt die Kosinus-Ähnlichkeit. Seine Vektoren sind auf Länge 1 normiert, sodass ein einfaches Skalarprodukt dieselbe Rangfolge ergibt. Ein Anfragevektor, der mit Millionen gespeicherter Vektoren verglichen wird, ist der Kern semantischer Suche. Das schnell und in großem Maßstab zu erledigen, ist die Aufgabe einer [Vektordatenbank](https://broadrouter.com/de/glossary/vector-database/).

Embedding-Modelle sind eine andere Art Modell als Chat-Modelle. Sie lesen einen ganzen Input und geben Zahlen zurück; sie erzeugen keinen Text. Sie werden pro Input-[Token](https://broadrouter.com/de/glossary/token/) abgerechnet, und es gibt keinen Output-Text, den man bezahlen müsste.

## Warum es wichtig ist

-   **Retrieval.** Embeddings sind der übliche erste Schritt von [Retrieval-Augmented Generation](https://broadrouter.com/de/glossary/rag/): Ihre Dokumente einmal einbetten, jede Frage einbetten, die nächstliegenden Chunks holen und an das Chat-Modell übergeben.
-   **Die Modellwahl ändert die Ergebnisse.** Der MTEB-Benchmark hat 33 Modelle über 8 Aufgabentypen, 58 Datensätze und 112 Sprachen getestet und festgestellt: „no particular text embedding method dominates across all tasks“ (Übersetzung: „keine einzelne Text-Embedding-Methode dominiert über alle Aufgaben hinweg“). Testen Sie mit Ihren eigenen Anfragen, besonders bei arabischem oder gemischtsprachigem Text.
-   **Lock-in.** Vektoren eines Modells lassen sich nicht mit Vektoren eines anderen vergleichen. Wer das Embedding-Modell wechselt, muss den gesamten Korpus neu einbetten.

## Bei BroadNet Inference

Die BroadNet-Dokumentation nennt `/v1/chat/completions`, `/v1/audio/transcriptions` und `GET /v1/models` (eine Modellliste). Einen Embeddings-Endpoint gibt es nicht. Für ein Such- oder RAG-System kombinieren Sie ein separates Embedding-Modell (eine gehostete API oder ein offenes Modell, das Sie selbst betreiben) mit einem Chat-Modell von BroadNet für die Antwort. Die [Anleitung zu arabischem RAG](https://broadrouter.com/de/blog/arabic-rag-search/) zeigt diese Aufteilung mit einem mehrsprachigen Embedding-Modell.

Passen Ihre Dokumente hinein, kann ein langes Kontextfenster das Retrieval manchmal ganz ersparen. Die Abwägungen stehen in [Langer Kontext vs. RAG](https://broadrouter.com/de/blog/long-context-vs-rag/).

## Häufige Fehler

-   Vektoren aus zwei Embedding-Modellen in einem Index mischen.
-   Ganze Dokumente statt Chunks einbetten. Ein Vektor für 50 Seiten verwischt jedes Thema darin.
-   Dokumente normalisieren, Anfragen aber nicht, oder umgekehrt. Wenden Sie auf beide dieselbe Textbereinigung an.

## Häufige Fragen

### Sind Embeddings dasselbe wie Tokens?

Nein. Ein Token ist ein Textstück, das das Modell liest. Ein Embedding ist der Vektor, den das Embedding-Modell für einen ganzen Input ausgibt, etwa einen Satz oder einen Absatz.

### Wie viele Dimensionen hat ein Embedding?

Das hängt vom Modell ab. text-embedding-3-small von OpenAI liefert standardmäßig 1.536 Zahlen, text-embedding-3-large 3.072, und beide lassen sich mit einem Parameter dimensions kürzen.

### Hat BroadNet Inference einen Embeddings-Endpoint?

Nein. Die BroadNet-Dokumentation nennt nur /v1/chat/completions und /v1/audio/transcriptions. Nutzen Sie für das Retrieval ein separates Embedding-Modell und BroadNet für den Generierungsschritt.

## Siehe auch

-   [RAG (Retrieval-Augmented Generation)](https://broadrouter.com/de/glossary/rag/) (Begriff)
-   [Vektordatenbank (vector database)](https://broadrouter.com/de/glossary/vector-database/) (Begriff)
-   [Token](https://broadrouter.com/de/glossary/token/) (Begriff)
-   [Kontextfenster (Context Window)](https://broadrouter.com/de/glossary/context-window/) (Begriff)
-   [OpenAI-kompatible API](https://broadrouter.com/de/glossary/openai-compatible-api/) (Begriff)
-   [Hybride Suche (Hybrid Search)](https://broadrouter.com/de/glossary/hybrid-search/) (Begriff)
-   [Reranking](https://broadrouter.com/de/glossary/reranking/) (Begriff)
-   [OpenAI Python SDK mit BroadNet Inference nutzen](https://broadrouter.com/de/guides/openai-python-sdk/) (Anleitung)
-   [RAG auf Arabisch: Normalisierung, Chunking und Retrieval, die wirken](https://broadrouter.com/de/blog/arabic-rag-search/) (Artikel)
-   [Long Context vs. RAG: Wann 1M Tokens die Vektordatenbank ersetzen](https://broadrouter.com/de/blog/long-context-vs-rag/) (Artikel)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-embeddings&utm_content=page-cta) ·

**Quellen**

-   [OpenAI, Leitfaden zu Vektor-Embeddings (Dimensionen, Kosinus-Ähnlichkeit, Preis pro Input-Token)](https://developers.openai.com/api/docs/guides/embeddings)
-   [Muennighoff et al., MTEB: Massive Text Embedding Benchmark (arXiv)](https://arxiv.org/abs/2210.07316)
-   [API-Referenz von BroadNet Inference, Modell-IDs und Endpoints (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-embeddings&utm_content=sources#models)
