---
title: "Embedding là gì? Vector văn bản cho tìm kiếm và RAG | BroadRouter"
description: "Embedding biến văn bản thành vector số để các ý nghĩa tương tự nằm gần nhau. Cách hoạt động, cách so sánh chúng và vai trò của embedding trong RAG."
url: https://broadrouter.com/vi/glossary/embeddings/
lang: vi
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/glossary/embeddings/) (cập nhật ngày 2026-11-14).

# Embedding (vector nhúng)

Cập nhật 2026-11-14

Embedding là danh sách số thực (vector) mà một model tạo ra để biểu diễn đoạn văn bản, hình ảnh hay đầu vào khác. Đầu vào có nghĩa tương tự nhận vector gần nhau, nên khoảng cách giữa vector dùng được để xếp hạng kết quả tìm kiếm, gom cụm tài liệu hoặc tìm mục liên quan.

Còn gọi là: vector nhúng, embedding là gì, text embedding, embedding văn bản, model embedding, embeddings, text embeddings, vector embeddings, embedding vectors, embedding model, sentence embeddings

Embedding là cách máy tính đo ý nghĩa: hai văn bản nói những điều tương tự sẽ nhận hai vector chỉ về những hướng tương tự.

## Cách hoạt động

Bạn gửi văn bản tới một model embedding và nhận về một vector có độ dài cố định. Hướng dẫn của OpenAI nói thẳng: “An embedding is a vector (list) of floating point numbers.” (Bản dịch: embedding là một vector, tức danh sách, các số thực dấu phẩy động). Độ dài cố định theo từng model. text-embedding-3-small của OpenAI mặc định trả về 1.536 số và text-embedding-3-large trả về 3.072.

Để so sánh hai văn bản, bạn so sánh hai vector của chúng. OpenAI khuyên dùng độ tương đồng cosine. Vector của OpenAI được chuẩn hóa về độ dài 1, nên tích vô hướng thông thường cho ra cùng thứ hạng. So một vector truy vấn với hàng triệu vector đã lưu là cốt lõi của tìm kiếm ngữ nghĩa. Làm việc đó nhanh ở quy mô lớn là nhiệm vụ của [vector database](https://broadrouter.com/vi/glossary/vector-database/).

Model embedding là loại model khác với model chat. Chúng đọc toàn bộ đầu vào và trả về các con số; chúng không sinh văn bản. Chúng tính phí theo [token](https://broadrouter.com/vi/glossary/token/) đầu vào, và không có văn bản đầu ra nào phải trả tiền.

## Vì sao quan trọng

-   **Truy xuất.** Embedding thường là bước đầu tiên của [retrieval-augmented generation](https://broadrouter.com/vi/glossary/rag/): embed tài liệu một lần, embed từng câu hỏi, lấy các chunk gần nhất và chuyển chúng cho model chat.
-   **Chọn model làm thay đổi kết quả.** Benchmark MTEB đã thử 33 model trên 8 loại tác vụ, 58 bộ dữ liệu và 112 ngôn ngữ, và kết luận “no particular text embedding method dominates across all tasks.” (Bản dịch: không có phương pháp text embedding nào vượt trội trên mọi tác vụ). Hãy thử với truy vấn của chính bạn, nhất là với tiếng Ả Rập hoặc văn bản trộn nhiều ngôn ngữ.
-   **Bị khóa vào model.** Vector của model này không so sánh được với vector của model khác. Đổi model embedding nghĩa là phải embed lại toàn bộ kho tài liệu.

## Trên BroadNet Inference

Tài liệu BroadNet liệt kê `/v1/chat/completions`, `/v1/audio/transcriptions` và `GET /v1/models` (danh sách model). Không có endpoint embedding. Với hệ thống tìm kiếm hay RAG, hãy ghép một model embedding riêng (API được host sẵn hoặc model mở bạn tự chạy) với một model chat của BroadNet để trả lời. [Hướng dẫn RAG cho tiếng Ả Rập](https://broadrouter.com/vi/blog/arabic-rag-search/) trình bày cách chia như vậy với một model embedding đa ngôn ngữ.

Nếu tài liệu của bạn vừa context, đôi khi một context window dài có thể bỏ qua hẳn bước truy xuất. Các đánh đổi có trong bài [context dài và RAG](https://broadrouter.com/vi/blog/long-context-vs-rag/).

## Lỗi thường gặp

-   Trộn vector từ hai model embedding trong cùng một chỉ mục.
-   Embed nguyên tài liệu thay vì từng chunk. Một vector cho 50 trang sẽ làm nhòe mọi chủ đề trong đó.
-   Chuẩn hóa tài liệu mà không chuẩn hóa truy vấn, hoặc ngược lại. Hãy áp dụng cùng cách làm sạch văn bản cho cả hai.

## Câu hỏi thường gặp

### Embedding có giống token không?

Không. Token là một mẩu văn bản model đọc. Embedding là vector mà model embedding trả về cho cả một đầu vào, như một câu hay một đoạn văn.

### Một embedding có bao nhiêu chiều?

Tùy model. text-embedding-3-small của OpenAI mặc định trả về 1.536 số và text-embedding-3-large trả về 3.072, cả hai đều rút ngắn được bằng tham số dimensions.

### BroadNet Inference có endpoint embedding không?

Không. Tài liệu BroadNet chỉ liệt kê /v1/chat/completions và /v1/audio/transcriptions. Hãy dùng một model embedding riêng cho bước truy xuất và BroadNet cho bước sinh câu trả lời.

## Xem thêm

-   [RAG (tạo sinh tăng cường truy xuất)](https://broadrouter.com/vi/glossary/rag/) (thuật ngữ)
-   [Vector database (cơ sở dữ liệu vector)](https://broadrouter.com/vi/glossary/vector-database/) (thuật ngữ)
-   [Token](https://broadrouter.com/vi/glossary/token/) (thuật ngữ)
-   [Context window (cửa sổ ngữ cảnh)](https://broadrouter.com/vi/glossary/context-window/) (thuật ngữ)
-   [API tương thích OpenAI (OpenAI-compatible API)](https://broadrouter.com/vi/glossary/openai-compatible-api/) (thuật ngữ)
-   [Hybrid search (tìm kiếm lai)](https://broadrouter.com/vi/glossary/hybrid-search/) (thuật ngữ)
-   [Reranking (xếp hạng lại)](https://broadrouter.com/vi/glossary/reranking/) (thuật ngữ)
-   [Dùng OpenAI Python SDK với BroadNet Inference](https://broadrouter.com/vi/guides/openai-python-sdk/) (hướng dẫn)
-   [RAG tiếng Ả Rập: chuẩn hóa, chia chunk và truy xuất hiệu quả](https://broadrouter.com/vi/blog/arabic-rag-search/) (bài viết)
-   [Long context và RAG: khi 1M token thay được vector DB](https://broadrouter.com/vi/blog/long-context-vs-rag/) (bài viết)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

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

**Nguồn**

-   [OpenAI, hướng dẫn vector embedding (số chiều, độ tương đồng cosine, giá theo token đầu vào)](https://developers.openai.com/api/docs/guides/embeddings)
-   [Muennighoff và cộng sự, MTEB: Massive Text Embedding Benchmark (arXiv)](https://arxiv.org/abs/2210.07316)
-   [Tài liệu tham chiếu API BroadNet Inference, model ID và endpoint (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-glossary-embeddings&utm_content=sources#models)
