Qu'est-ce qu'un modèle d'embeddings ?
C'est quoi ?
Un modèle d'embeddings transforme un texte en une liste de nombres (un vecteur). Deux textes de sens proche donnent des vecteurs proches : c'est la base de la recherche sémantique et du RAG.
Quand l'utiliser
- Choisir le modèle d'un RAG selon la langue, la taille des documents et le score.
- Retrouver les bons réglages : préfixes, distance, taille des morceaux.
Les champs de la fiche
| Modèle | Identifiant Hugging Face ou nom de l'API. |
|---|---|
| Dimensions | Taille du vecteur produit. |
| Tokens max | Longueur maximale d'un texte. |
| Distance | Cosinus, produit scalaire ou euclidienne. |
| Préfixes | Texte à ajouter devant les questions et les passages, si le modèle en demande. |
| Benchmarks | Scores publiés, par exemple MTEB. |
Comment s'en servir
L'exemple Python charge le modèle avec sentence-transformers et applique les bons préfixes.