Embedding Modelleri: OpenAI · Voyage · Cohere · BGE
Embedding model seçimi: kalite, dil, boyut, fiyat trade-off'ları. MTEB benchmark'ta en iyi 5 model.
Şükrü Yusuf KAYA
8 min read
IntermediateEmbedding Modelleri (2026)
Cloud (API)#
OpenAI
- text-embedding-3-large (3072 dim)
- text-embedding-3-small (1536 dim, ucuz)
- Multilingual ✓
Voyage
- voyage-3 (1024 dim)
- En iyi MTEB skoru genellikle
- voyage-3-lite ucuz alternatif
Cohere
- embed-multilingual-v3 (1024 dim)
- 100+ dil, Türkçe iyi
Açık Kaynak#
BGE (BAAI)
- bge-m3 (1024 dim)
- Multilingual, ücretsiz
- self-host edilebilir
E5 (Microsoft)
- multilingual-e5-large
- Açık ağırlık
Mistral Embed
- mistral-embed (1024 dim)
- API, Avrupa odaklı
Türkçe Performansı#
text
MTEB Türkçe alt-küme (yaklaşık skor):- Voyage 3: 72.4- Cohere multilingual v3: 71.1- OpenAI text-embedding-3-l: 70.8- BGE-M3: 69.5- multilingual-e5-large: 68.2 Genel Önerim: Voyage 3 (cloud) veya BGE-M3 (self-host).Türkçe MTEB sonuçları
python
# Embedding karşılaştırmafrom openai import OpenAIimport os client = OpenAI(api_key=os.getenv("OPENAI_API_KEY")) texts = [ "İstanbul'da hava bugün yağmurlu", "Ankara'da yarın güneşli olacak", "Python programlama dili çok popüler",] r = client.embeddings.create( model="text-embedding-3-small", input=texts) import numpy as npembeddings = [np.array(d.embedding) for d in r.data] def cosine(a, b): return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b)) print(f"İstanbul-Ankara hava: {cosine(embeddings[0], embeddings[1]):.3f}")print(f"İstanbul-Python: {cosine(embeddings[0], embeddings[2]):.3f}") # Beklenen: hava cümleleri yüksek, hava-Python düşük Embedding semantic similarity testi.
Yorumlar & Soru-Cevap
(0)Yorum yazmak için giriş yap.
Yorumlar yükleniyor...
Related Content
1. Temeller — Yapay Zekâ ve LLM'lere Giriş
Bu Eğitim Hakkında ve Verimli Çalışma Yöntemi
Start Learning1. Temeller — Yapay Zekâ ve LLM'lere Giriş
Yapay Zekâ → Üretken AI → LLM: Bağlamsal Harita
Start Learning1. Temeller — Yapay Zekâ ve LLM'lere Giriş
LLM'ler Aslında Nasıl Düşünür? (Token, Embedding, Attention)
Start LearningConnected pillar topics