Embedding là gì?

Embedding là cách chuyển một thứ gì đó (văn bản, ảnh, audio) thành một mảng số (vector) sao cho các thứ “giống nhau về ý nghĩa” có vector gần nhau.

Ví dụ trực quan

Embed các từ thành vector 3 chiều (thực tế là 1536 chiều):

"chó"  → [0.8, 0.2, 0.1]
"mèo"  → [0.7, 0.3, 0.2]   ← gần "chó" (đều là thú cưng)
"xe hơi" → [0.1, 0.9, 0.5] ← xa "chó" (chủ đề khác)

Khoảng cách giữa 2 vector ≈ độ khác biệt về ý nghĩa.

Embedding dùng để làm gì?

1. RAG (Retrieval-Augmented Generation)

Bạn có 1000 trang tài liệu. Khi user hỏi, bạn không thể đưa hết vào prompt.

• Embed từng đoạn → lưu vào vector database
• Embed câu hỏi → tìm các đoạn có vector gần nhất
• Đưa các đoạn đó vào prompt → LLM trả lời chính xác

Đây là kỹ thuật cốt lõi của RAG.

2. Semantic Search

Search truyền thống match từ khóa. Search bằng embedding match ý nghĩa:

• Tìm “cách giảm cân” → cũng ra bài “phương pháp tan mỡ”

3. Phân loại / Gom cụm

Embed mọi feedback khách hàng → gom các vector gần nhau → tìm ra các chủ đề than phiền chung.

4. Recommendation

Sản phẩm có vector gần các sản phẩm user đã mua → gợi ý.

Các model embedding phổ biến (2026)

Provider	Model	Số chiều	Giá / 1M tokens
OpenAI	text-embedding-3-large	3072	$0.13
OpenAI	text-embedding-3-small	1536	$0.02
Voyage AI	voyage-3	1024	$0.06
Cohere	embed-v3	1024	$0.10
Open source	bge-m3	1024	Free (tự host)

Multi-modal embedding

Model như CLIP có thể embed cả ảnh và text vào CÙNG một không gian vector → cho phép search ảnh bằng text:

• Query “chó vàng đang chạy trên bãi biển” → tìm trong 1 triệu ảnh

Liên quan

• Vector Database
• RAG