Embedding-likhet-kalkulator

Skriv inn begge tekstene ovenfor for å beregne likheten

TF-cosinuslikhet · stoppord fjernet · kjører i nettleseren din

Hva er Embedding-likhet-kalkulator

Dette verktøyet beregner cosinuslikheten mellom to embedding-vektorer — standardmålet for hvor semantisk like to tekster er i AI-systemer. Lim inn to vektorer og få scoren mellom −1 og 1 umiddelbart.

Slik bruker du det

  1. Lim inn den første embedding-vektoren.
  2. Lim inn den andre vektoren.
  3. Les av cosinuslikheten mellom dem.

Når du bør bruke det

Nyttig når du feilsøker RAG-pipelines og semantisk søk, sammenligner embeddings fra ulike modeller, eller vil forstå hvorfor to tekster regnes som like eller ulike av systemet ditt.

Ofte stilte spørsmål

Hvordan skiller dette seg fra en ekte embedding-modell som OpenAI text-embedding-3?

En ekte embedding-modell fanger betydning og kan se at "bil" og "kjøretøy" er like. Dette verktøyet sammenligner ordforekomster (termfrekvens), så det måler ordoverlapp snarere enn dyp betydning — men det kjører direkte uten API.

Hva betyr likhetsscoren?

Det er cosinuslikheten mellom termvektorene til de to tekstene, fra 0 % (ingen felles innholdsord) til 100 % (identisk ordforråd). Høyere betyr mer overlappende vokabular.

Inngår stoppord i beregningen?

Vanlige stoppord (som "og", "at", "den") gis lav vekt slik at scoren gjenspeiler meningsbærende innholdsord i stedet for fyllord.

Sendes teksten min til en server?

Nei. All beregning skjer lokalt i nettleseren din. Teksten din forlater aldri enheten din.

Kan jeg bruke dette til å oppdage plagiat?

Det kan flagge tekster med høy ordoverlapp, men det er ingen ekte plagiatdetektor. Omskrevet tekst med samme betydning, men andre ord, får lav score, så bruk det som en pekepinn, ikke et bevis.

Kan jeg dele verktøyet med verdiene mine fylt ut?

Ja. Nettadressen oppdateres automatisk mens du skriver. Kopier den fra adressefeltet eller bruk Del-knappen — den som åpner lenken, ser nøyaktig dine verdier klare til bruk.

Relaterte verktøy

Siste innlegg