---
title: "Cosa sono gli embedding? Vettori di testo per ricerca e RAG"
description: "Gli embedding trasformano il testo in vettori di numeri, così i significati simili finiscono vicini. Come funzionano, come confrontarli e che ruolo hanno nella RAG."
url: https://broadrouter.com/it/glossary/embeddings/
lang: it
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/embeddings/) (aggiornato il 2026-11-14).

# Embedding (embeddings)

Aggiornato 2026-11-14

Gli embedding sono liste di numeri in virgola mobile (vettori) che un modello produce per rappresentare un testo, un’immagine o un altro input. Input con significato simile ottengono vettori vicini tra loro, quindi la distanza tra vettori serve a ordinare i risultati di ricerca, raggruppare documenti o trovare elementi correlati.

Detto anche: embedding, embedding di testo, vettori di embedding, rappresentazioni vettoriali, modello di embedding, embeddings, text embeddings, vector embeddings, embedding vectors, embedding model, sentence embeddings

Un embedding è il modo in cui un computer misura il significato: due testi che dicono cose simili ottengono due vettori che puntano in direzioni simili.

## Come funziona

Invii un testo a un modello di embedding e ricevi un vettore di lunghezza fissa. La guida di OpenAI lo dice chiaramente: “An embedding is a vector (list) of floating point numbers.” (traduzione: un embedding è un vettore, cioè una lista, di numeri in virgola mobile). La lunghezza è fissa per ogni modello. text-embedding-3-small di OpenAI restituisce 1.536 numeri per impostazione predefinita e text-embedding-3-large 3.072.

Per confrontare due testi confronti i loro vettori. OpenAI consiglia la similarità del coseno. I suoi vettori sono normalizzati a lunghezza 1, quindi un semplice prodotto scalare dà lo stesso ordinamento. Un vettore di query confrontato con milioni di vettori salvati è il cuore della ricerca semantica. Farlo velocemente su larga scala è il compito di un [database vettoriale](https://broadrouter.com/it/glossary/vector-database/).

I modelli di embedding sono un tipo di modello diverso dai modelli di chat. Leggono un intero input e restituiscono numeri; non generano testo. Si pagano per [token](https://broadrouter.com/it/glossary/token/) di input, e non c’è testo di output da pagare.

## Perché è importante

-   **Retrieval.** Gli embedding sono di solito il primo passo della [retrieval-augmented generation](https://broadrouter.com/it/glossary/rag/): calcoli una volta gli embedding dei documenti, poi quelli di ogni domanda, recuperi i chunk più vicini e li passi al modello di chat.
-   **La scelta del modello cambia i risultati.** Il benchmark MTEB ha testato 33 modelli su 8 tipi di task, 58 dataset e 112 lingue, e ha concluso che “no particular text embedding method dominates across all tasks” (traduzione: nessun metodo di text embedding domina su tutti i task). Fai prove sulle tue query, soprattutto per l’arabo o per testi in più lingue.
-   **Lock-in.** I vettori di un modello non si possono confrontare con quelli di un altro. Cambiare modello di embedding significa ricalcolare gli embedding dell’intero corpus.

## Su BroadNet Inference

La documentazione di BroadNet elenca `/v1/chat/completions`, `/v1/audio/transcriptions` e `GET /v1/models` (l’elenco dei modelli). Non c’è un endpoint per gli embedding. Per un sistema di ricerca o RAG, abbina un modello di embedding separato (un’API ospitata o un modello open che esegui tu) a un modello di chat BroadNet per la risposta. La [guida alla RAG in arabo](https://broadrouter.com/it/blog/arabic-rag-search/) mostra questa divisione con un modello di embedding multilingue.

Se i tuoi documenti ci stanno, una finestra di contesto lunga a volte permette di saltare del tutto il retrieval. I compromessi sono in [contesto lungo o RAG](https://broadrouter.com/it/blog/long-context-vs-rag/).

## Errori comuni

-   Mescolare in un unico indice vettori di due modelli di embedding diversi.
-   Calcolare l’embedding di documenti interi invece che dei chunk. Un solo vettore per 50 pagine sfuma tutti gli argomenti che contengono.
-   Normalizzare i documenti ma non le query, o il contrario. Applica la stessa pulizia del testo a entrambi.

## Domande frequenti

### Embedding e token sono la stessa cosa?

No. Un token è un pezzo di testo che il modello legge. Un embedding è il vettore che il modello di embedding restituisce per un intero input, come una frase o un paragrafo.

### Quante dimensioni ha un embedding?

Dipende dal modello. text-embedding-3-small di OpenAI restituisce 1.536 numeri per impostazione predefinita e text-embedding-3-large 3.072, ed entrambi si possono accorciare con un parametro dimensions.

### BroadNet Inference ha un endpoint per gli embedding?

No. La documentazione di BroadNet elenca solo /v1/chat/completions e /v1/audio/transcriptions. Usa un modello di embedding separato per il retrieval e BroadNet per la fase di generazione.

## Vedi anche

-   [RAG (retrieval-augmented generation)](https://broadrouter.com/it/glossary/rag/) (termine)
-   [Database vettoriale (vector database)](https://broadrouter.com/it/glossary/vector-database/) (termine)
-   [Token](https://broadrouter.com/it/glossary/token/) (termine)
-   [Finestra di contesto (context window)](https://broadrouter.com/it/glossary/context-window/) (termine)
-   [API compatibile con OpenAI](https://broadrouter.com/it/glossary/openai-compatible-api/) (termine)
-   [Ricerca ibrida (hybrid search)](https://broadrouter.com/it/glossary/hybrid-search/) (termine)
-   [Reranking (riordinamento dei risultati)](https://broadrouter.com/it/glossary/reranking/) (termine)
-   [Usare l’SDK Python di OpenAI con BroadNet Inference](https://broadrouter.com/it/guides/openai-python-sdk/) (guida)
-   [RAG in arabo: normalizzazione, chunking e retrieval che funzionano](https://broadrouter.com/it/blog/arabic-rag-search/) (articolo)
-   [Contesto lungo o RAG: quando 1M di token sostituisce un DB vettoriale](https://broadrouter.com/it/blog/long-context-vs-rag/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

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

**Fonti**

-   [OpenAI, guida ai vector embeddings (dimensioni, similarità del coseno, prezzo per token di input)](https://developers.openai.com/api/docs/guides/embeddings)
-   [Muennighoff et al., MTEB: Massive Text Embedding Benchmark (arXiv)](https://arxiv.org/abs/2210.07316)
-   [Riferimento API di BroadNet Inference, ID dei modelli ed endpoint (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-embeddings&utm_content=sources#models)
