Embeddings (representaciones vectoriales)

TL;DR — Un embedding convierte un texto en una lista de números — coordenadas dentro de un espacio enorme— donde las cosas que significan algo parecido acaban cerca unas de otras. Así es como la búsqueda con IA y los motores de búsqueda modernos emparejan su contenido con una consulta por significado, en lugar de limitarse a coincidir con palabras clave. No se pueden «añadir» embeddings a una página: son la forma en que la máquina lee lo que ya está ahí.

Qué es un embedding

Un embedding representa la entrada como un vector numérico cuyo objetivo es preservar relaciones útiles para tareas como la similitud semántica. Evidence for this claim Embeddings represent inputs as numerical vectors that can be compared for relatedness and used for search, clustering, and classification. Scope: OpenAI embedding models and documented uses; vector dimensions and behavior vary by model. Confidence: high · Verified: 2026-07-14 OpenAI: Embeddings guide La geometría y la dimensionalidad son específicas de cada modelo, en lugar de significados universales asociados a cada coordenada. Evidence for this claim Learned vector representations can encode useful distributional relationships between words. Scope: Word2vec-era language representations; observed vector relationships are model- and training-data-specific, not ground truth. Confidence: high · Verified: 2026-07-14 Mikolov et al.: Efficient Estimation of Word Representations

Los sistemas informáticos no entienden palabras: entienden números. Un embedding es el puente: un modelo lee un fragmento de texto y lo convierte en una lista de números (llamada vector) que captura su significado. Piense en ello como una ubicación en un mapa. Dos textos que significan cosas parecidas se sitúan cerca; el texto sin relación acaba lejos.

Así, «portátil para juegos» y «portátil de alto rendimiento para jugar» quedan cerca uno del otro, aunque apenas compartan palabras. «Receta de pan de plátano» acaba en un lugar completamente distinto. El modelo aprendió esto leyendo cantidades enormes de texto y observando qué palabras y frases aparecen en contextos similares.

Por qué esto importa para la búsqueda

La búsqueda de antes emparejaba palabras clave: usted escribía una palabra y el motor encontraba páginas que la contenían. Los embeddings permiten que la búsqueda empareje significado. Por eso Google puede responder una pregunta larga y conversacional incluso cuando la mejor página no usa sus palabras exactas, y así es como las herramientas de búsqueda con IA (las que leen fuentes y le escriben una respuesta) deciden qué pasajes son lo bastante relevantes para incorporarlos.

La versión corta del pipeline que hay detrás de las respuestas de IA:

1. El contenido se divide en fragmentos (pasajes).
2. Cada fragmento se convierte en un embedding (un vector).
3. Su pregunta también se convierte en un embedding.
4. El sistema encuentra los fragmentos cuyos vectores están más cerca del vector de su pregunta.
5. Esos fragmentos se convierten en el material de partida con el que la IA escribe su respuesta.

Qué significa esto para su contenido

Esta es la parte que se exagera, así que conviene ser claro: no existe ninguna «optimización de embeddings» que se envíe a Google. Danny Sullivan, de Google, dijo exactamente eso sobre BERT (uno de los sistemas de Google basados en embeddings): “There’s nothing to optimize for.” (traducción) «No hay nada para lo que optimizar.»

Lo que de verdad ayuda es el mismo consejo de siempre, solo que con un motivo más claro detrás. Escriba contenido que cubra un tema de forma genuina y exhaustiva. El contenido coherente y enfocado produce embeddings limpios y consistentes que se sitúan cerca de las preguntas que debería responder. El contenido disperso y sobrecargado de palabras clave produce una señal más turbia. No está alimentando una fórmula: está escribiendo algo que un modelo (y una persona) puede entender con claridad.

¿Quiere la mecánica real —dimensiones, similitud del coseno, la historia de word2vec a BERT y cómo usa Google realmente los embeddings en el ranking? Cambie a la pestaña Avanzado.

TL;DR — Un embedding es un vector denso de números en coma flotante (normalmente de cientos a unos pocos miles de dimensiones) que codifica significado, producido por un modelo encoder (codificador), no por un LLM generativo. Significado parecido → vectores cercanos, medido con similitud del coseno. El campo pasó de los embeddings de palabras estáticos (word2vec, GloVe) a los contextuales (BERT), y de ahí al nivel de frase y a los embeddings modernos de API. Google usa recuperación basada en embeddings (Neural Matching / RankEmbed, RankEmbedBERT) junto con su índice de palabras clave: híbrido, no un reemplazo. Los embeddings son además la columna vertebral de recuperación de RAG. No hay ninguna palanca de embeddings que ajustar; la coherencia temática es lo que hace que el contenido se agrupe cerca de las consultas adecuadas.

Qué es realmente un embedding

Los embeddings sirven para la similitud y la recuperación, pero no son una medida directa de verdad, calidad ni valor de ranking. Evidence for this claim Embeddings represent inputs as numerical vectors that can be compared for relatedness and used for search, clustering, and classification. Scope: OpenAI embedding models and documented uses; vector dimensions and behavior vary by model. Confidence: high · Verified: 2026-07-14 OpenAI: Embeddings guide Los resultados de la investigación dependen del modelo entrenado y del entorno de evaluación. Evidence for this claim Learned vector representations can encode useful distributional relationships between words. Scope: Word2vec-era language representations; observed vector relationships are model- and training-data-specific, not ground truth. Confidence: high · Verified: 2026-07-14 Mikolov et al.: Efficient Estimation of Word Representations

Un embedding es un vector numérico denso —una lista de números en coma flotante— que representa texto (o imágenes, audio, video) como un punto en un espacio de muchas dimensiones. La documentación de OpenAI lo dice sin rodeos: “An embedding is a vector (list) of floating point numbers.” (traducción) «Un embedding es un vector (una lista) de números en coma flotante.»

La propiedad que lo define es geométrica: el contenido semánticamente similar tiene vectores similares. El texto que significa aproximadamente lo mismo apunta aproximadamente en la misma dirección; el texto sin relación apunta a otra parte. Eso no es una casualidad afortunada: el modelo se entrena para que las palabras y frases usadas en contextos similares terminen con vectores similares. El significado se convierte en posición.

Vale la pena precisar algunas cosas:

• Encoder, no generador. Los embeddings provienen de modelos encoder (codificadores) cuyo trabajo es comprimir el significado en un vector de tamaño fijo. Es una arquitectura y un propósito distintos de los de un LLM generativo, que predice el siguiente token. (Más abajo, sobre la distinción entre lo interno y la API.)
• Densos, no dispersos. A diferencia de las representaciones one-hot o de bolsa de palabras (casi todo ceros, una casilla por palabra del vocabulario), los embeddings reparten el significado por todas las dimensiones. El glosario de ML de Google presenta los embeddings como representaciones densas y de menor dimensionalidad que resuelven lo que la codificación one-hot no puede expresar: permiten que un modelo reconozca que “hot dogs and shawarmas are more related than hot dogs and salads.” (traducción) «los hot dogs y los shawarmas están más relacionados que los hot dogs y las ensaladas».
• Más dimensiones ≠ siempre mejor. Más dimensiones pueden capturar más matices, pero cuestan más de almacenar y de calcular, y la ganancia depende de la tarea. Es un compromiso, no un dial de «cuanto más grande, mejor».

Medir la similitud: la similitud del coseno

Para comparar dos embeddings se mide la distancia —o, más exactamente, el ángulo— entre ellos. La métrica estándar es la similitud del coseno: mide el ángulo entre dos vectores independientemente de su longitud, con una puntuación que va de −1 (opuestos) pasando por 0 (sin relación / ortogonales) hasta 1 (misma dirección). Menor distancia = más relacionados.

Muchas API de embeddings normalizan los vectores a longitud unitaria, lo que hace que la similitud del coseno y el producto escalar produzcan el mismo ranking; OpenAI señala que el coseno es la opción convencional y ligeramente más económica. Voyage AI (el proveedor de embeddings que recomienda Anthropic) resume bien la intuición: “the cosine similarity between two embeddings captures the semantic relatedness of the corresponding original passages.” (traducción) «la similitud del coseno entre dos embeddings captura la relación semántica de los pasajes originales correspondientes». Hacer esa comparación de vecinos más cercanos a gran escala es un problema en sí mismo: de eso se encarga el vector search (búsqueda vectorial).

Cómo llegamos aquí: la evolución

La historia va de las palabras sueltas a los pasajes completos, y de los significados fijos a los que tienen en cuenta el contexto.

• word2vec (Google, 2013). Mikolov y sus colaboradores presentaron dos arquitecturas (CBOW y Skip-Gram) para aprender vectores densos de palabras a partir de corpus enormes. El resultado famoso: el vector «rey» − «hombre» + «mujer» queda más cerca de «reina», evidencia de que la aritmética vectorial captura relaciones semánticas. (Matiz: esa analogía es ilustrativa, no está garantizada siempre; según el modelo puede caer en «reyes» o «monarca».) Son embeddings estáticos: un vector fijo por palabra, así que «banco» recibe el mismo vector en «banco fluvial» (orilla del río) y en «cuenta bancaria» (cuenta bancaria).
• GloVe (Stanford, 2014). Una alternativa basada en recuentos, construida sobre estadísticas globales de coocurrencia en lugar de una red predictiva: objetivo distinto, embeddings igualmente útiles. También estáticos.
• Universal Sentence Encoder (Google, 2018). Embeddings para frases completas, no solo para palabras. La idea central: “Sentences are semantically similar if they have a similar distribution of responses” (traducción) «Las frases son semánticamente similares si tienen una distribución de respuestas similar»: «¿Qué edad tienes?» y «¿Cuál es tu edad?» invitan a las mismas respuestas, así que se sitúan cerca en el espacio de embeddings.
• BERT (Google, 2018; desplegado en Search en octubre de 2019). El gran cambio: embeddings contextuales. La misma palabra recibe un vector distinto según la frase que la rodea, porque BERT es bidireccional: lee las palabras anteriores y posteriores a un token para fijar su significado. Así, «banco» en «banco fluvial» y en «cuenta bancaria» por fin recibe vectores distintos.
• Sentence-BERT (2019). Resolvió el problema de escalabilidad de BERT para la búsqueda por similitud. El BERT original necesita que ambas frases se introduzcan juntas, lo que resulta brutal en cómputo a gran escala; SBERT produce embeddings de frase de tamaño fijo que se pueden comparar con similitud del coseno, y reduce de horas a segundos el costo de encontrar el par más similar en un corpus grande.
• API de embeddings modernas (2024–actualidad). La familia text-embedding-3 de OpenAI, los embeddings de Gemini de Google, Voyage y embed-v4.0 de Cohere: multilingües, cada vez más multimodales (texto, imagen, audio y video en un mismo espacio) y redimensionables mediante Matryoshka Representation Learning (truncar el vector a menos dimensiones sin reentrenar, sacrificando algo de precisión a cambio de almacenamiento y velocidad).

Cómo usa Google los embeddings en Search

El pipeline de ranking de Google no es puramente semántico ni puramente de palabras clave: es híbrido, y las piezas de embeddings complementan el clásico índice invertido en lugar de sustituirlo. Según la propia documentación de Google sobre sistemas de ranking y el testimonio antimonopolio de Pandu Nayak ante el DOJ, los sistemas nombrados incluyen:

• BERT: el sistema de Google para las palabras en contexto. En su lanzamiento ayudó a Search a “better understand one in 10 searches in the U.S. in English,” (traducción) «entender mejor una de cada 10 búsquedas en EE. UU. en inglés», sobre todo en consultas conversacionales más largas donde preposiciones como «para» y «a» cambian el significado.
• Neural Matching / RankEmbed: recuperación basada en embeddings que traduce consultas y documentos al mismo espacio vectorial para mostrar resultados que coinciden conceptualmente incluso sin palabras clave compartidas. Nayak lo describió como un complemento: “RankEmbed identifies a few more documents to add to those identified by the traditional retrieval.” (traducción) «RankEmbed identifica unos cuantos documentos más para añadir a los identificados por la recuperación tradicional». Ahí la recuperación se basa en un producto escalar o en una medida de distancia en el espacio de embeddings.
• RankEmbedBERT: una evolución posterior que combina la recuperación de RankEmbed con la comprensión del lenguaje de BERT, entrenada con puntuaciones de los evaluadores de calidad y registros de búsqueda, y notablemente mejor en consultas complejas y de cola larga.

La lectura práctica: la presencia de palabras clave sigue importando porque la recuperación léxica (el índice invertido, al estilo BM25) sigue haciendo el primer filtrado. Los sistemas de embeddings añaden candidatos relacionados conceptualmente y reordenan los resultados. Ambas señales están en juego, que es exactamente por lo que “BERT killed keywords” (traducción) «BERT mató a las palabras clave» es una afirmación equivocada.

Los embeddings en la búsqueda con IA (el pipeline de RAG)

Aquí es donde los embeddings tocan de forma más directa las AI Overviews y los asistentes de búsqueda con IA. La generación aumentada por recuperación (RAG) usa los embeddings como su capa de recuperación:

1. Indexar: el contenido se segmenta en fragmentos (chunking) que son pasajes, cada pasaje se convierte en embedding y los vectores van a una base de datos vectorial.
2. Recuperar: la consulta del usuario se convierte en embedding, una búsqueda de vecinos más cercanos encuentra los fragmentos más próximos (mediante vector search) y los top-K fragmentos se entregan al LLM como contexto.
3. Generar: el LLM escribe una respuesta grounded (fundamentada) en esos fragmentos recuperados.

Aquí la estructura importa porque cada fragmento se recupera de forma aislada. La investigación de Dan Petrovic (citada en el artículo de Ahrefs Lo que realmente sabemos sobre la optimización para la búsqueda con LLM) encontró que Chrome procesa solo los ~30 primeros pasajes de una página para generar embeddings y los segmenta en pasajes de unas 200 palabras con solapamiento, para preservar el contexto entre fragmentos. Si una sección no se sostiene por sí sola una vez extraída de la página, representa mal su contenido.

Embeddings de tokens frente a API de embeddings de texto

Una distinción que hace tropezar a mucha gente: los embeddings que están dentro de un LLM y los que se obtienen de una API no son lo mismo.

• Los embeddings de tokens son las representaciones internas del modelo: cada token recibe un vector que se transforma capa por capa durante la generación. Son maquinaria para producir el siguiente token.
• Las API de embeddings de texto (OpenAI, Google, Voyage, Cohere) producen un único vector de tamaño fijo para toda una cadena de entrada, diseñado específicamente para recuperación y similitud. A menudo es un modelo aparte, con un objetivo de entrenamiento distinto.

Cuando los SEO hablan de «generar el embedding de una página» o de calcular similitud del coseno para el enlazado interno o para agrupar palabras clave, se refieren al tipo de API.

Qué significa esto para el SEO

• La coherencia semántica gana a la densidad de palabras clave. Como los modelos entienden el contexto, «portátil para juegos» y «portátil de alto rendimiento» ya están cerca. Sobrecargar de palabras clave no ayuda: produce contenido temáticamente disperso, con un embedding más turbio.
• Estructure para la recuperación por fragmentos. Los pasajes se convierten en embeddings y se recuperan por sí solos. Ponga el contenido importante al principio, mantenga las secciones autónomas y use HTML semántico claro.
• Exhaustividad temática. El contenido que cubre de verdad un asunto acaba cerca de más consultas relacionadas en el espacio vectorial. Ese es el mecanismo que hay detrás de «construir autoridad temática».
• No hay ninguna palanca de embeddings. Danny Sullivan, sobre BERT: “There’s nothing to optimize for… The fundamentals of us seeking to reward great content remain unchanged.” (traducción) «No hay nada para lo que optimizar… Los fundamentos de nuestro objetivo de premiar el gran contenido siguen sin cambios». Las puntuaciones de similitud del coseno que da una herramienta son ayudas de análisis, no datos que usted envíe a Google.

Los embeddings son el tejido conectivo que hay debajo de casi todo este clúster: son aquello sobre lo que funciona la búsqueda semántica, lo que compara el vector search, aquello para lo que la segmentación en fragmentos (chunking) prepara el texto, y la columna vertebral de recuperación de RAG. También son la razón por la que el rastreo sigue importando primero: el contenido tiene que descargarse antes de que cualquier sistema pueda generar su embedding.

Resumen con IA

Una síntesis de la versión Advanced:

• Un embedding = un vector denso de números en coma flotante que codifica significado; significado parecido → vectores cercanos. OpenAI: “An embedding is a vector (list) of floating point numbers.” (traducción) «Un embedding es un vector (una lista) de números en coma flotante».
• Producidos por modelos encoder (codificadores), no por LLM generativos: arquitectura y propósito distintos. Densos, no dispersos.
• La similitud se mide con la similitud del coseno (el ángulo entre vectores, de −1 a 1). Con vectores normalizados, el coseno y el producto escalar son equivalentes para el ranking.
• Evolución: word2vec (2013) y GloVe (2014) dieron vectores de palabras estáticos → USE (2018) generó embeddings de frases completas → BERT (2018) hizo los embeddings contextuales (la misma palabra, distinto vector según el contexto) → Sentence-BERT (2019) volvió rápida la búsqueda por similitud → modelos de API modernos, multimodales y redimensionables (2024–actualidad).
• Google usa embeddings en un pipeline híbrido: BERT (palabras en contexto), Neural Matching / RankEmbed (recuperación por embeddings que complementa el índice de palabras clave) y RankEmbedBERT. Las palabras clave siguen haciendo la recuperación de primer paso; los embeddings añaden y reordenan.
• Pipeline de RAG: segmentar → generar embeddings → almacenar en una base de datos vectorial → generar el embedding de la consulta → recuperar los fragmentos más cercanos → el LLM genera una respuesta fundamentada (grounded). Cada fragmento se recupera de forma aislada, así que la estructura importa.
• Conclusión para el SEO: no existe ninguna «optimización de embeddings» —Danny Sullivan: “There’s nothing to optimize for” (traducción) «No hay nada para lo que optimizar», sobre BERT—. El contenido temáticamente coherente, autónomo y exhaustivo se agrupa cerca de las consultas que debería responder.

Documentación oficial

Documentación de fuente primaria sobre embeddings, de Google y de los principales proveedores de embeddings.

Google

• Glosario de aprendizaje automático — Embeddings — la definición de denso frente a disperso y por qué la codificación one-hot no puede expresar la relación entre conceptos.
• Guía de los sistemas de clasificación de Google Search — BERT, Neural Matching, RankBrain, Passage Ranking y MUM descritos con las propias palabras de Google.
• Entender las búsquedas mejor que nunca (BERT) — el anuncio de octubre de 2019 de BERT en Search.
• Avances en la similitud textual semántica — el Universal Sentence Encoder (2018) y la idea de la «distribución de respuestas similar».
• API de Gemini — Embeddings — el modelo de embeddings multimodal actual de Google, sus dimensiones y sus casos de uso (RAG, búsqueda semántica, reranking, clustering).

OpenAI

• Guía de embeddings vectoriales — “An embedding is a vector (list) of floating point numbers” (traducción) «Un embedding es un vector (una lista) de números en coma flotante»; orientación sobre la similitud del coseno.
• Nuevos modelos de embeddings y actualizaciones de la API — la familia text-embedding-3 y el acortamiento de dimensiones Matryoshka (enero de 2024).

Otros proveedores

• Cohere — Embeddings — embed-v4.0 multilingüe, tipos de entrada separados para consulta y documento, opciones de compresión.
• Voyage AI — Guía rápida — el proveedor recomendado por Anthropic; “the cosine similarity between two embeddings captures the semantic relatedness of the corresponding original passages.” (traducción) «la similitud del coseno entre dos embeddings captura la relación semántica de los pasajes originales correspondientes».

Artículos fundacionales

• word2vec — Mikolov y cols., 2013 — los vectores densos de palabras originales y la analogía rey−hombre+mujer.
• GloVe — Pennington, Socher, Manning, 2014 — vectores de palabras por coocurrencia global.
• BERT — Devlin et al., 2018 — embeddings bidireccionales y contextuales.
• Sentence-BERT — Reimers & Gurevych, 2019 — embeddings de frase rápidos para búsqueda por similitud.

Citas de la fuente

Declaraciones oficiales de Google y de los proveedores de embeddings. Cada enlace es un enlace profundo que salta al pasaje citado en la página de origen.

Qué es un embedding

• “An embedding is a vector (list) of floating point numbers.” (traducción) «Un embedding es un vector (una lista) de números en coma flotante.» — OpenAI, Vector embeddings guide. Ir a la cita

Google — BERT y la comprensión del lenguaje

• “At its core, Search is about understanding language.” (traducción) «En esencia, Search consiste en entender el lenguaje.» — Pandu Nayak, VP de Search, Google (anuncio de BERT, octubre de 2019). Ir a la cita
• “BERT will help Search better understand one in 10 searches in the U.S. in English.” (traducción) «BERT ayudará a Search a entender mejor una de cada 10 búsquedas en EE. UU. en inglés.» — Google Search Blog, octubre de 2019. Ir a la cita

Google — sobre optimizar para BERT

• “There’s nothing to optimize for with BERT… The fundamentals of us seeking to reward great content remain unchanged.” (traducción) «No hay nada para lo que optimizar con BERT… Los fundamentos de nuestro objetivo de premiar el gran contenido siguen sin cambios.» — Danny Sullivan, Google Search Liaison. Ir a la cita

Google — similitud semántica (Universal Sentence Encoder)

• “Sentences are semantically similar if they have a similar distribution of responses.” (traducción) «Las frases son semánticamente similares si tienen una distribución de respuestas similar.» — Google Research, “Advances in Semantic Textual Similarity” (mayo de 2018). Ver la fuente

Voyage AI (el proveedor recomendado por Anthropic) — similitud del coseno

• “The cosine similarity between two embeddings captures the semantic relatedness of the corresponding original passages.” (traducción) «La similitud del coseno entre dos embeddings captura la relación semántica de los pasajes originales correspondientes.» — Voyage AI Quickstart. Ver la fuente

Pandu Nayak (testimonio antimonopolio ante el DOJ) — RankEmbed

• “RankEmbed identifies a few more documents to add to those identified by the traditional retrieval.” (traducción) «RankEmbed identifica unos cuantos documentos más para añadir a los identificados por la recuperación tradicional.» — cobertura del testimonio de Pandu Nayak, DOJ contra Google. Ver la cobertura

Los modelos mentales

1. El significado se convierte en posición. Un embedding convierte el texto en coordenadas. Cerca = significado similar; lejos = sin relación. Todo lo demás —la búsqueda semántica, el clustering, la recuperación en RAG— es simplemente medir distancias en ese espacio.

2. Estáticos frente a contextuales. word2vec y GloVe dan a cada palabra un vector fijo (“bank” es siempre el mismo). BERT y sus descendientes dan a cada aparición un vector que depende del contexto (“river bank” ≠ “bank account”). Las herramientas antiguas de similitud de palabras clave construidas sobre word2vec no pueden distinguirlas; las basadas en BERT sí.

3. Los embeddings de tokens ≠ las API de embeddings de texto. Dentro de un LLM, los embeddings de tokens son maquinaria de trabajo para generar el siguiente token. Las API de embeddings de texto devuelven un vector condensado por cadena, pensado para recuperación y similitud. Modelos distintos, trabajos distintos. Cuando los SEO «generan el embedding de una página», se refieren al tipo de API.

4. Recuperación híbrida, no reemplazo. Google ejecuta recuperación léxica (el índice invertido de palabras clave) y recuperación basada en embeddings (Neural Matching / RankEmbed). Las palabras clave filtran primero; los embeddings añaden candidatos relacionados conceptualmente y reordenan. Ninguna de las dos por sí sola es el sistema completo.

5. El bucle de RAG. Segmentar → generar embeddings → almacenar → generar el embedding de la consulta → recuperar los fragmentos más cercanos → generar una respuesta fundamentada (grounded). Como cada fragmento se recupera de forma aislada, escriba pasajes autónomos y ponga lo importante al principio.

6. La regla de decisión para el contenido. No hay ningún embedding que optimizar. Pregúntese, en cambio: ¿este pasaje cubre con claridad y a fondo aquello que dice cubrir? El contenido coherente se agrupa cerca de las consultas adecuadas; el contenido disperso y sobrecargado de palabras clave, no.

Embeddings — hoja de referencia rápida

Qué es, en una línea Un vector denso (una lista de números en coma flotante) que codifica significado; significado parecido → vectores cercanos; se compara con la similitud del coseno.

Escala de la similitud del coseno

Vectores normalizados (de longitud unitaria) → la similitud del coseno y el producto escalar dan el mismo ranking.

La evolución, de un vistazo

Los sistemas de embeddings de Google, por nombre

El bucle de recuperación de RAG

1. Segmentar el contenido en pasajes
2. Generar el embedding de cada fragmento → vector
3. Almacenar los vectores en una base de datos vectorial
4. Generar el embedding de la consulta entrante
5. Búsqueda de vecinos más cercanos (vector search) → los top-K fragmentos
6. El LLM genera una respuesta fundamentada (grounded) en esos fragmentos

Datos rápidos

• Dimensiones: normalmente de cientos a unos pocos miles; más matices, más almacenamiento y cómputo; no siempre mejor.
• Producidos por modelos encoder (codificadores), no por LLM generativos.
• Matryoshka permite truncar a menos dimensiones sin reentrenar.
• Cambiar de modelo de embeddings implica volver a generar todos los embeddings: los espacios de modelos distintos no son compatibles.
• No existe ninguna «optimización de embeddings» que enviar a Google — Danny Sullivan: “There’s nothing to optimize for” (traducción) «No hay nada para lo que optimizar» (BERT).

Ponga a prueba lo que sabe: embeddings

Recursos que valen su tiempo

Mis textos y charlas relacionados

• Lo que realmente sabemos sobre la optimización para la búsqueda con LLM — el artículo de Ahrefs que cita mi investigación y los hallazgos de Dan Petrovic sobre cómo Chrome segmenta y genera embeddings de los pasajes de una página (el límite de ~30 pasajes, fragmentos de 200 palabras).
• GEO? AEO? LLMO? — mi webinar sobre búsqueda con IA — dónde encajan los pipelines de recuperación y los embeddings en la búsqueda con IA.

Artículos fundacionales (la historia)

• word2vec — Mikolov et al., 2013 — vectores densos de palabras y aritmética vectorial.
• GloVe — Pennington, Socher, Manning, 2014 — vectores de palabras por coocurrencia global.
• BERT — Devlin et al., 2018 — embeddings contextuales y bidireccionales.
• Sentence-BERT — Reimers & Gurevych, 2019 — similitud rápida a nivel de frase.

De otras personas

• El paso al SEO semántico: qué significan los vectores para tu estrategia — Ann Robison, Search Engine Land: “Vectors are to AI what structured data is to search engines.” (traducción) «Los vectores son para la IA lo que los datos estructurados son para los motores de búsqueda».
• Cómo aprovechar la similitud del coseno para el SEO de ecommerce — guía práctica de Search Engine Land para aplicar la similitud del coseno en flujos de trabajo reales de SEO.
• Introducción a las bases de datos vectoriales y al uso de IA para SEO — panorama de Search Engine Journal sobre cómo se conectan las bases de datos vectoriales con el SEO.
• Casos de uso SEO para vectorizar la Web con Screaming Frog — recorrido práctico de iPullRank sobre embeddings para SEO.
• La búsqueda semántica explicada: impacto de los modelos vectoriales en el SEO actual — Lumar sobre denso frente a disperso, similitud del coseno y búsqueda híbrida.
• Embeddings explicados: el futuro del SEO — explicación de Edd Dawson orientada al SEO, con casos de uso prácticos para agrupar palabras clave y para el enlazado interno.
• Cómo funciona Google Search (índice invertido, RankBrain, RankEmbed y DeepRank) — la visión de los sistemas de embeddings de Google a partir del testimonio ante el DOJ.
• sbert.net — la biblioteca Sentence Transformers, si quiere generar embeddings usted mismo.

Registro de cambios