23 May 2026 · 6 min
Team grubblar över vektordatabasen och tar standard-embedding. Precis bakvänt.
När ett team ger sig på att bygga semantisk sökning börjar samtalet nästan alltid på fel plats. Veckor går åt att välja vektordatabas — Qdrant eller pgvector, det här indexet eller det, självhostat eller hanterat — och minuter åt embeddingmodellen, som oftast faller till det populära eller det tutorialen använde. Detta är precis bakvänt. Databasen avgör hur snabbt och billigt du söker. Embeddingen avgör om rätt resultat kommer alls.
Returnerar din sökning irrelevanta resultat är oddsen överväldigande att problemet är embeddingen, inte databasen. Och ingen databastuning fixar en dålig embedding, för felet gjordes innan databasen någonsin såg datan.
En embeddingmodell gör varje textstycke till en punkt i ett högdimensionellt rum, placerad så att lika betydelser ligger nära varandra. Sökning hittar sedan punkterna närmast din fråga. Embeddingen definierar alltså "nära". Placerar modellen en fråga långt från svaret kan ingen snabb databas hitta det.
Relevans bestäms alltså vid embedding-tid, inte frågetid. Databasen hittar snabbt nära punkter; den har ingen åsikt om punkterna placerades förnuftigt. Det är helt embeddingmodellens jobb.
Det finns ingen enda bästa embeddingmodell, för "bästa" beror på vad du embeddar. En modell som glänser på juridisk text kan vara medelmåttig på korta produkttitlar; en tunad för supportärenden kan felbedöma tät teknisk dokumentation. Domän, längd, vokabulär och struktur ändrar vilken modell som presterar. En topplistemodell kan slås på din data av en mindre som passar bättre.
Därför kan valet inte göras abstrakt. Frågan är aldrig "vad är bästa modell" utan "vad är bäst för detta innehåll och dessa frågor".
Bortom engelska blir valet ännu mer konsekvensrikt. En övervägande engelsktränad modell underpresterar tyst på finska, norska, svenska eller danska — inte med ett uppenbart fel, utan med subtilt sämre placeringar som visar sig som lite-fel resultat. För flerspråkigt innehåll är en genuint flerspråkig embedding ingen nice-to-have; det är skillnaden mellan sökning som fungerar och sökning som nästan fungerar.
Ett vanligt, kostsamt förbiseende. Ett team benchmarkar på engelska, allt ser bra ut, och degraderingen dyker upp först med äkta nordiskt innehåll — när arkitekturen är låst.
Publika embedding-topplistor är nyttiga som startlista och farliga som beslut. De rangordnar modeller på standardiserade benchmark-data som nästan säkert inte är din, i uppgifter som nästan säkert inte är din. En modell kan leda på generisk hämtning och ändå underprestera på din domän, dina längder och språk. Att ta topplistan som ställföreträdare är ett vad om att din data liknar benchmarken — oftast fel.
Topplistan säger vilka modeller som är värda att testa. Inte vilken du ska använda. Bara din data kan det.
Det pålitliga sättet är oglamoröst: ta en handfull kandidater, embedda ett representativt utsnitt av äkta innehåll, kör äkta frågor mot var och en och mät vilken som returnerar rätt resultat. Detta tar inte lång tid och ersätter gissning med bevis. Vi gör precis detta vid starten, för en timme benchmarking sparar veckor av databastuning för en embedding som aldrig skulle fungerat.
Mätningen är poängen. Du letar inte efter modellen med bäst rykte, utan den som placerar dina frågor närmast dina svar — och det finns bara genom att prova dem på din data.
Hur du delar dokument i chunks samspelar direkt med embeddingen. För långa chunks späder ut betydelsen till ett vagt snitt; för korta tappar kontexten som gör dem hittbara. Rätt strategi beror på modell och innehåll tillsammans, och fel gjort kan även en bra embedding ge dåliga resultat. Inte ett separat senare beslut, utan del av samma designproblem.
Embeddingmodell och chunking är grunden för semantisk sökning. Få dem rätt, benchmarkade på äkta data, och databasen blir vad den bör vara: en implementeringsdetalj om fart och kostnad. Få dem fel, och ingen databas räddar dig — du lägger tiden på att tuna infrastruktur för att kompensera för en grund som var fel från start. Lägg insatsen där den bestämmer utfallet, och resten av systemet blir mycket lättare.
Boka ett 30-minuters samtal. Vi säger ärligt om vi kan hjälpa.
Boka samtal