Embedding é a representação de um texto — palavra, frase ou documento inteiro — como uma lista de números que captura seu significado. Textos com sentido parecido produzem listas parecidas, e é isso que torna possível a busca semântica: encontrar “como cancelo minha assinatura” a partir de “quero encerrar meu plano”, sem que nenhuma palavra coincida. É a peça que sustenta busca em catálogo, deduplicação de base e a etapa de recuperação do RAG. O benchmark de referência da área, o MTEB, avaliou 33 modelos em 8 tarefas, 58 conjuntos de dados e 112 idiomas — e chegou a uma conclusão que segue valendo: “nenhum método de embedding domina em todas as tarefas”. Não existe o melhor modelo de embedding; existe o melhor para o que você faz — e a escolha errada custa caro, porque trocar depois obriga a reprocessar a base inteira.
⚠️ Mais dimensões não é melhor
Dimensões são o tamanho dessa lista de números — 384, 768, 1.536, 3.072. A intuição diz que mais dimensões capturam mais nuance, e por isso a escolha costuma recair no modelo de maior dimensionalidade disponível. A evidência não sustenta isso.
A técnica conhecida como Matryoshka — o nome vem das bonecas russas encaixadas — treina o embedding de modo que os primeiros números da lista já concentrem a maior parte da informação. O resultado medido: embeddings até 14 vezes menores com o mesmo nível de acurácia na tarefa avaliada, e até 14 vezes de ganho real de velocidade em recuperação de larga escala.
Ou seja: boa parte da dimensionalidade excedente era custo de armazenamento sem retorno de qualidade. É por isso que os principais fornecedores hoje permitem truncar o embedding — cortar a lista pela metade ou mais — sem refazer nada.
Um cuidado com números que circulam: a alegação de que “256 dimensões custam apenas 2% a 3% de precisão” aparece só em material de fornecedor e não consta do estudo original. O número defensável é o do paper — 14 vezes menor com acurácia equivalente, na tarefa que eles mediram.
Sobre o ranking do MTEB em 2026
Uma nota de honestidade sobre o que não conseguimos verificar. O MTEB mantém um ranking vivo, mas a página é renderizada por JavaScript e a tabela não pôde ser lida de forma automatizada na data desta publicação. Vimos atribuições de liderança circulando em blogs secundários e optamos por não publicar posição de ranking sem conferir na fonte.
A recomendação que segue de pé: rankings de embedding giram rápido. Se for citar posição, abra o ranking oficial na data em que estiver decidindo — e desconfie de qualquer material que informe liderança sem dizer quando mediu.
O que isso muda na prática
Quatro decisões concretas para quem vai montar busca semântica ou RAG:
- Não escolha pelo maior número de dimensões. Isso infla o custo do banco vetorial sem ganho garantido. Teste truncado antes de pagar pelo completo.
- Verifique o suporte a português. O benchmark cobre 112 idiomas, mas desempenho médio não é desempenho no seu. Teste com o seu próprio conteúdo.
- A qualidade da recuperação decide mais que o modelo gerador. Num sistema de RAG, se o trecho certo não for encontrado, nenhum LLM salva a resposta. O embedding é onde o gargalo costuma estar.
- Trocar de modelo de embedding exige reprocessar tudo. Vetores de modelos diferentes não são comparáveis entre si. Essa é uma decisão com custo de saída — avalie antes, não depois.
O teste que resolve: pegue de 30 a 50 buscas reais da sua operação, com o resultado correto conhecido, e meça quantas vezes o trecho certo aparece entre os primeiros. É a única medição que fala do seu caso.
Para a avaliação de modelos que combinam texto e imagem, veja o guia de benchmark multimodal.
Fontes
- MTEB: Massive Text Embedding Benchmark — 8 tarefas, 58 datasets, 112 idiomas
- Matryoshka Representation Learning — embeddings 14× menores com acurácia equivalente
- Ranking oficial do MTEB — consultar na data da decisão
Leitura das fontes em 17/08/2026.