---
title: "O que são embeddings? Vetores de texto para busca e RAG"
description: "Embeddings transformam texto em vetores de números para que significados parecidos fiquem próximos. Como funcionam, como compará-los e onde entram no RAG."
url: https://broadrouter.com/pt/glossary/embeddings/
lang: pt-BR
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/glossary/embeddings/) (atualizado em 2026-11-14).

# Embeddings

Atualizado em 2026-11-14

Embeddings são listas de números de ponto flutuante (vetores) que um modelo produz para representar um texto, uma imagem ou outra entrada. Entradas com significado parecido recebem vetores próximos, então a distância entre vetores serve para ordenar resultados de busca, agrupar documentos ou encontrar itens relacionados.

Também chamado de: embedding, embeddings de texto, vetores de embedding, representações vetoriais, modelo de embedding, text embeddings, vector embeddings, embedding vectors, embedding model, sentence embeddings

Um embedding é a forma de um computador medir significado: dois textos que dizem coisas parecidas recebem dois vetores que apontam em direções parecidas.

## Como funciona

Você envia um texto a um modelo de embedding e recebe de volta um vetor de tamanho fixo. O guia da OpenAI diz isso de forma direta: “An embedding is a vector (list) of floating point numbers.” (tradução: um embedding é um vetor, ou lista, de números de ponto flutuante). O tamanho é fixo para cada modelo. O text-embedding-3-small da OpenAI devolve 1.536 números por padrão e o text-embedding-3-large, 3.072.

Para comparar dois textos, você compara os vetores deles. A OpenAI recomenda a similaridade de cosseno. Os vetores dela são normalizados para comprimento 1, então um simples produto escalar dá a mesma ordenação. Um vetor de consulta comparado com milhões de vetores armazenados é o núcleo da busca semântica. Fazer isso rápido e em escala é o trabalho de um [banco de dados vetorial](https://broadrouter.com/pt/glossary/vector-database/).

Modelos de embedding são um tipo de modelo diferente dos modelos de chat. Eles leem uma entrada inteira e devolvem números; não geram texto. São cobrados por [token](https://broadrouter.com/pt/glossary/token/) de entrada, e não há texto de saída para pagar.

## Por que isso importa

-   **Recuperação.** Embeddings costumam ser o primeiro passo da [geração aumentada por recuperação](https://broadrouter.com/pt/glossary/rag/): gere os embeddings dos documentos uma vez, gere o de cada pergunta, busque os chunks mais próximos e passe-os ao modelo de chat.
-   **A escolha do modelo muda os resultados.** O benchmark MTEB testou 33 modelos em 8 tipos de tarefa, 58 datasets e 112 idiomas e concluiu que “no particular text embedding method dominates across all tasks” (tradução: nenhum método de text embedding domina em todas as tarefas). Teste com as suas próprias consultas, principalmente para árabe ou texto em vários idiomas.
-   **Lock-in.** Vetores de um modelo não podem ser comparados com vetores de outro. Trocar de modelo de embedding significa gerar de novo os embeddings do corpus inteiro.

## Na BroadNet Inference

A documentação da BroadNet lista `/v1/chat/completions`, `/v1/audio/transcriptions` e `GET /v1/models` (uma lista de modelos). Não existe endpoint de embeddings. Para um sistema de busca ou RAG, combine um modelo de embedding separado (uma API hospedada ou um modelo aberto que você mesmo roda) com um modelo de chat da BroadNet para a resposta. O [guia de RAG em árabe](https://broadrouter.com/pt/blog/arabic-rag-search/) mostra essa divisão com um modelo de embedding multilíngue.

Se os seus documentos couberem, uma janela de contexto longa às vezes dispensa a recuperação por completo. Os prós e contras estão em [contexto longo vs RAG](https://broadrouter.com/pt/blog/long-context-vs-rag/).

## Erros comuns

-   Misturar vetores de dois modelos de embedding no mesmo índice.
-   Gerar embeddings de documentos inteiros em vez de chunks. Um único vetor para 50 páginas embaralha todos os assuntos que elas contêm.
-   Normalizar os documentos, mas não as consultas, ou o contrário. Aplique a mesma limpeza de texto aos dois.

## Perguntas frequentes

### Embeddings e tokens são a mesma coisa?

Não. Um token é um pedaço de texto que o modelo lê. Um embedding é o vetor que o modelo de embedding devolve para uma entrada inteira, como uma frase ou um parágrafo.

### Quantas dimensões tem um embedding?

Depende do modelo. O text-embedding-3-small da OpenAI devolve 1.536 números por padrão e o text-embedding-3-large devolve 3.072, e os dois podem ser encurtados com um parâmetro dimensions.

### A BroadNet Inference tem endpoint de embeddings?

Não. A documentação da BroadNet lista só /v1/chat/completions e /v1/audio/transcriptions. Use um modelo de embedding separado para a recuperação e a BroadNet para a etapa de geração.

## Veja também

-   [RAG (geração aumentada por recuperação)](https://broadrouter.com/pt/glossary/rag/) (termo)
-   [Banco de dados vetorial (vector database)](https://broadrouter.com/pt/glossary/vector-database/) (termo)
-   [Token](https://broadrouter.com/pt/glossary/token/) (termo)
-   [Janela de contexto (context window)](https://broadrouter.com/pt/glossary/context-window/) (termo)
-   [API compatível com a OpenAI](https://broadrouter.com/pt/glossary/openai-compatible-api/) (termo)
-   [Busca híbrida (hybrid search)](https://broadrouter.com/pt/glossary/hybrid-search/) (termo)
-   [Reranking (reordenação de resultados)](https://broadrouter.com/pt/glossary/reranking/) (termo)
-   [Como usar o SDK Python da OpenAI com a BroadNet Inference](https://broadrouter.com/pt/guides/openai-python-sdk/) (guia)
-   [RAG em árabe: normalização, chunking e retrieval que funcionam](https://broadrouter.com/pt/blog/arabic-rag-search/) (artigo)
-   [Contexto longo vs RAG: quando 1M de tokens substitui um banco vetorial](https://broadrouter.com/pt/blog/long-context-vs-rag/) (artigo)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

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

**Fontes**

-   [OpenAI, guia de vector embeddings (dimensões, similaridade de cosseno, preço por token de entrada)](https://developers.openai.com/api/docs/guides/embeddings)
-   [Muennighoff et al., MTEB: Massive Text Embedding Benchmark (arXiv)](https://arxiv.org/abs/2210.07316)
-   [Referência da API da BroadNet Inference, IDs de modelo e endpoints (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-embeddings&utm_content=sources#models)
