En bref. Les plongements textuels encodent les textes sous forme de vecteurs numériques pour que les systèmes de recherche comparent les requêtes aux documents selon leur similarité.

Définition : Les plongements textuels (text embeddings) sont des représentations numériques de textes produites par un modèle de plongement. Chaque représentation est un vecteur, un ensemble ordonné de nombres, qu’un système de recherche compare au vecteur d’une requête pour trouver des contenus de sens similaire.

Points clés

Au 17 octobre 2026, la documentation de Google sur les plongements Gemini propose gemini-embedding-001 pour les usages exclusivement textuels, avec des paramètres de recherche distincts pour les requêtes et les documents.
La présentation de la recherche vectorielle publiée par Microsoft en août 2026 décrit l’indexation des vecteurs de documents et la recherche de documents à partir de requêtes encodées sous forme de vecteurs.
Le guide d’intégration des plongements de Microsoft de juillet 2026 préconise l’utilisation du même modèle de plongement pour l’indexation et les requêtes.
Le guide de découpage de Microsoft de juillet 2026 explique qu’une page abordant des sujets variés peut bénéficier d’un découpage en passages plus courts, même si elle respecte la limite d’entrée du modèle.

Comment un vecteur sert-il à la recherche ?

La recherche vectorielle retrouve des contenus en comparant leurs représentations numériques. La présentation de la recherche vectorielle de Microsoft illustre la similarité conceptuelle avec les mots anglais « dog » et « canine » : des mots différents peuvent exprimer des sens proches. Lors de l’indexation, les vecteurs similaires sont placés à proximité les uns des autres ; lors d’une requête, le système renvoie les documents associés aux plus proches voisins demandés, c’est-à-dire aux vecteurs les plus proches de la requête.

Le guide de Google sur les plongements décrit la similarité cosinus comme une comparaison de la direction des vecteurs, avec des valeurs allant de -1 pour des directions opposées à 1 pour la similarité maximale.

À quoi ressemble un appel au modèle de plongement ?

La documentation Gemini de Google indique RETRIEVAL_QUERY pour les requêtes de recherche et RETRIEVAL_DOCUMENT pour les documents avec gemini-embedding-001. Cet exemple Python adapte l’appel de calcul de plongements à une requête de recherche :

from google import genai
from google.genai import types

client = genai.Client()
result = client.models.embed_content(
    model="gemini-embedding-001",
    contents="What is the meaning of life?",
    config=types.EmbedContentConfig(task_type="RETRIEVAL_QUERY")
)
print(result.embeddings)

Le calcul des plongements des documents à rechercher utilise la tâche correspondante. La même documentation indique une taille de sortie par défaut de 3072 dimensions pour ce modèle. Une dimension est une composante numérique du vecteur ; le paramètre output_dimensionality détermine la taille de sortie.

Pourquoi le texte à vectoriser compte-t-il ?

Le découpage documentaire (document chunking) consiste à diviser un document en passages plus courts avant de produire leurs plongements. Le guide de découpage de Microsoft donne deux raisons : respecter la limite d’entrée d’un modèle et représenter un contenu qui se prête mal à une représentation par un seul vecteur. Il prend pour exemple une page de wiki abordant des sous-thèmes variés.

Le guide décrit le découpage aux limites des phrases ou l’utilisation des titres HTML et Markdown pour séparer les sections. Il décrit aussi l’ajout du titre du document aux passages extraits du milieu de celui-ci afin de préserver le contexte. Dans le moteur de recherche d’un site web, ces choix déterminent le texte représenté par chaque vecteur interrogeable.

Termes associés

Questions fréquentes

Pouvez-vous combiner les plongements avec une recherche par mots-clés ?

Oui. La présentation de la recherche vectorielle de Microsoft décrit la recherche hybride comme l’exécution d’une recherche vectorielle et d’une recherche par mots-clés dans une même requête, puis la fusion de leurs résultats en une seule réponse classée.

Que devez-vous vérifier dans votre propre système de recherche ?

Le guide d’intégration des plongements de Microsoft recommande d’utiliser le même modèle de plongement pour les documents stockés et les requêtes entrantes. Il recommande également de tester et d’affiner l’intégration pour évaluer les performances de recherche et la satisfaction des utilisateurs.

Sources

Vérifiez comment une page se lit pour les moteurs de réponse. Ouvrir l’analyseur de score GEO

Plongements textuels