---
title: "Embedding nedir? Arama ve RAG için metin vektörleri | BroadRouter"
description: "Embedding'ler metni sayı vektörlerine çevirir; benzer anlamlar birbirine yakın düşer. Nasıl çalıştıkları, nasıl karşılaştırıldıkları ve RAG'daki yerleri."
url: https://broadrouter.com/tr/glossary/embeddings/
lang: tr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/glossary/embeddings/) (güncelleme: 2026-11-14).

# Embedding (gömme vektörü)

Güncellendi 2026-11-14

Embedding'ler (gömme vektörleri), bir modelin bir metin parçasını, görseli veya başka bir girdiyi temsil etmek için ürettiği kayan noktalı sayı listeleridir (vektörler). Anlamca benzer girdiler birbirine yakın vektörler alır; bu yüzden vektörler arasındaki mesafe arama sonuçlarını sıralamak, belgeleri kümelemek veya ilgili öğeleri bulmak için kullanılabilir.

Diğer adları: embedding, embedding nedir, gömme, gömme vektörü, vektör gösterimi, metin embedding'i, embedding modeli, embeddings, text embeddings, vector embeddings, embedding vectors, embedding model, sentence embeddings

Embedding, bir bilgisayarın anlamı ölçme yoludur: benzer şeyler söyleyen iki metin, benzer yönleri gösteren iki vektör alır.

## Nasıl çalışır

Bir embedding modeline metin gönderir, karşılığında sabit uzunlukta tek bir vektör alırsınız. OpenAI’nin rehberi bunu açıkça söyler: “An embedding is a vector (list) of floating point numbers.” (çeviri: Embedding, kayan noktalı sayılardan oluşan bir vektördür, yani listedir.) Uzunluk her model için sabittir. OpenAI’nin text-embedding-3-small modeli varsayılan olarak 1.536, text-embedding-3-large modeli 3.072 sayı döndürür.

İki metni karşılaştırmak için vektörlerini karşılaştırırsınız. OpenAI kosinüs benzerliğini önerir. Vektörleri 1 uzunluğuna normalleştirildiği için düz bir nokta çarpımı da aynı sıralamayı verir. Bir sorgu vektörünü milyonlarca kayıtlı vektörle karşılaştırmak anlamsal aramanın özüdür. Bunu büyük ölçekte hızlı yapmak bir [vektör veritabanının](https://broadrouter.com/tr/glossary/vector-database/) işidir.

Embedding modelleri sohbet modellerinden farklı bir model türüdür. Bütün bir girdiyi okur ve sayı döndürürler; metin üretmezler. Girdi [token’ı](https://broadrouter.com/tr/glossary/token/) başına ücretlendirilirler ve ödenecek çıktı metni yoktur.

## Neden önemli

-   **Erişim.** Embedding’ler genellikle [erişimle artırılmış üretimin (RAG)](https://broadrouter.com/tr/glossary/rag/) ilk adımıdır: belgelerinizi bir kez embedding’e çevirin, her soruyu da çevirin, en yakın parçaları getirip sohbet modeline verin.
-   **Model seçimi sonuçları değiştirir.** MTEB kıyaslaması 33 modeli 8 görev türü, 58 veri seti ve 112 dilde test etmiş ve “no particular text embedding method dominates across all tasks” (çeviri: hiçbir metin embedding yöntemi tüm görevlerde üstün gelmiyor) sonucuna varmıştır. Özellikle Arapça veya karışık dilli metinlerde kendi sorgularınızla test edin.
-   **Bağımlılık.** Bir modelin vektörleri başka bir modelinkilerle karşılaştırılamaz. Embedding modelini değiştirmek, tüm külliyatı yeniden embedding’e çevirmek demektir.

## BroadNet Inference’ta

BroadNet’in belgeleri `/v1/chat/completions`, `/v1/audio/transcriptions` ve `GET /v1/models` (bir model listesi) uç noktalarını listeler. Embedding uç noktası yoktur. Bir arama veya RAG sistemi için ayrı bir embedding modelini (barındırılan bir API ya da kendi çalıştırdığınız açık bir model) yanıt için bir BroadNet sohbet modeliyle eşleştirin. [Arapça RAG rehberi](https://broadrouter.com/tr/blog/arabic-rag-search/) bu ayrımı çok dilli bir embedding modeliyle gösterir.

Belgeleriniz sığıyorsa uzun bir bağlam penceresi bazen erişimi tamamen gereksiz kılabilir. Ödünleşimler [uzun bağlam ve RAG](https://broadrouter.com/tr/blog/long-context-vs-rag/) yazısında.

## Sık yapılan hatalar

-   İki farklı embedding modelinin vektörlerini tek dizinde karıştırmak.
-   Parçalar yerine bütün belgeleri embedding’e çevirmek. 50 sayfa için tek vektör, içindeki her konuyu bulanıklaştırır.
-   Belgeleri normalleştirip sorguları normalleştirmemek ya da tersini yapmak. İkisine de aynı metin temizliğini uygulayın.

## Sık sorulan sorular

### Embedding'ler token'larla aynı şey mi?

Hayır. Token, modelin okuduğu bir metin parçasıdır. Embedding ise embedding modelinin bir cümle veya paragraf gibi bütün bir girdi için ürettiği vektördür.

### Bir embedding kaç boyutludur?

Modele bağlıdır. OpenAI'nin text-embedding-3-small modeli varsayılan olarak 1.536, text-embedding-3-large modeli 3.072 sayı döndürür ve ikisi de dimensions parametresiyle kısaltılabilir.

### BroadNet Inference'ın embedding uç noktası var mı?

Hayır. BroadNet'in belgeleri yalnızca /v1/chat/completions ve /v1/audio/transcriptions uç noktalarını listeler. Erişim için ayrı bir embedding modeli, üretim adımı için BroadNet kullanın.

## Ayrıca bakın

-   [RAG (erişimle artırılmış üretim)](https://broadrouter.com/tr/glossary/rag/) (terim)
-   [Vektör veritabanı (vector database)](https://broadrouter.com/tr/glossary/vector-database/) (terim)
-   [Token](https://broadrouter.com/tr/glossary/token/) (terim)
-   [Bağlam penceresi (context window)](https://broadrouter.com/tr/glossary/context-window/) (terim)
-   [OpenAI uyumlu API](https://broadrouter.com/tr/glossary/openai-compatible-api/) (terim)
-   [Hibrit arama (hybrid search)](https://broadrouter.com/tr/glossary/hybrid-search/) (terim)
-   [Yeniden sıralama (reranking)](https://broadrouter.com/tr/glossary/reranking/) (terim)
-   [OpenAI Python SDK'yı BroadNet Inference ile kullanın](https://broadrouter.com/tr/guides/openai-python-sdk/) (rehber)
-   [Arapça RAG: işe yarayan normalleştirme, parçalama ve erişim](https://broadrouter.com/tr/blog/arabic-rag-search/) (yazı)
-   [Uzun bağlam mı RAG mı: 1M token vektör veritabanının yerini alır mı?](https://broadrouter.com/tr/blog/long-context-vs-rag/) (yazı)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

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

**Kaynaklar**

-   [OpenAI, vektör embedding rehberi (boyutlar, kosinüs benzerliği, girdi token'ı başına fiyat)](https://developers.openai.com/api/docs/guides/embeddings)
-   [Muennighoff vd., MTEB: Massive Text Embedding Benchmark (arXiv)](https://arxiv.org/abs/2210.07316)
-   [BroadNet Inference API referansı, model kimlikleri ve uç noktalar (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-glossary-embeddings&utm_content=sources#models)
