Embedding Modelleri
Settings → Agentic ekranından indirilebilen yerel Ollama embedding modellerinin kataloğu ve bilgi tabanınız için doğru modeli seçme rehberi.
"Embedding Modeli" Ne Anlama Gelir
Embedding modelleri metin üretmez — metni, anlamını yakalayan bir vektöre (sayı listesine) dönüştürür, böylece anlamca birbirine yakın içerikler birbirine yakın vektörlere sahip olur. Anlamsal Arama, bilgi tabanınızı tam kelime eşleşmesi yerine alaka düzeyine göre sıralamak için bunu kullanır.
Yerel Dil Modelleri gibi, embedding modelleri de Ollama üzerinden çalışır — bilgisayarınızdaki aynı yerel sunucu süreci, HTTP üzerinden erişilebilir. Metin üretim modellerinden ayrı olarak yapılandırılır ve indirilirler, çünkü bir bilgi tabanı bir embedding modeliyle indekslenir ve tutarlılığın bozulmaması için gelecekteki tüm aramalarda aynı modeli kullanmaya devam etmesi gerekir.
Nereden yapılandırılır
Settings → AI Models → Embedding Engine ekranına gidin. Buradan Ollama bağlantı durumunuzu kontrol edebilir, zaten kurulu bir embedding modeli seçebilir veya aşağıda açıklanan yerleşik model listesinden doğrudan yeni bir model indirebilirsiniz. TotalApp'in Ollama ile nasıl entegre çalıştığı için Ollama Entegrasyonu sayfasına, ayarların tam referansı için Agentic Ayarları sayfasına, seçilen modelin Anlamsal Arama tarafından nasıl kullanıldığı için ise Embedding Modeli sayfasına bakın.
Altyapı Teknolojisi
Metin üretim kataloğunda olduğu gibi, embedding modelleri de llama.cpp üzerine kurulu bağımsız bir yerel sunucu uygulaması olan Ollama tarafından sunulur:
- Modeller GGUF formatında indirilir ve llama.cpp'nin metin üretim yolu yerine embedding üretim yolu üzerinden çalıştırılır.
- Çalışma zamanı: llama.cpp, HTTP üzerinden erişilebilen yerel bir sunucu süreci olarak çalışır (varsayılan olarak
127.0.0.1:11434) — metin üretimi için kullanılan Ollama sunucusuyla aynıdır, sadece farklı bir model ve API uç noktası kullanılır.
Aynı Ollama sunucusu tarafından sunulan metin üretim kataloğu için Yerel Dil Modelleri sayfasına bakın.
Başlamak İçin İki Harika Model
Settings → Agentic indirme listesi, Ollama topluluğunda en çok kullanılan embedding modelleriyle önceden doldurulmuştur. Nereden başlayacağınızdan emin değilseniz, bu iki model en yaygın iki ihtiyacı karşılar:
nomic-embed-text
Uzun bağlam (context) uzmanı. 8192 token'lık geniş bağlam penceresi, İngilizce dokümanlar ve uzun metin odaklı RAG (Retrieval-Augmented Generation) sistemleri için en güçlü varsayılan seçim yapar — kısa bir bağlam penceresi büyük kaynakları kırpardı.
bge-m3
Çok dilli (multilingual) uzman — isimdeki "M3", Multi-Lingual, Multi-Functionality, Multi-Granularity'nin kısaltmasıdır. 100'den fazla dili destekler ve Türkçe ile diğer İngilizce olmayan metin benzerliği görevlerinde özellikle iyi performans gösterir.
nomic-embed-text ve bge-m3 birlikte, en yaygın iki senaryoyu — uzun İngilizce dokümanlar ve çok dilli/Türkçe içerik — zaten kapsar; bu yüzden indirme listesindeki ilk iki sıradadırlar.
Tam Model Kataloğu
Yukarıdaki iki başlangıç modelinin ötesinde, indirme listesi ayrıca retrieval-ağırlıklı iş yükleri, ek çok dilli kapsam ve düşük güçlü makinelerde ultra hafif kullanım için ayarlanmış modeller de sunar. Yaklaşık indirme boyutları, Settings arayüzünde her modelin yanında gösterilir.
| Model | Boyut | Kategori | En uygun kullanım |
|---|---|---|---|
nomic-embed-text:latest | ~0.3 GB | İngilizce & Retrieval | Uzun bağlamlı İngilizce dokümanlar ve RAG sistemleri (8192 token'lık bağlam penceresi). |
bge-m3:latest | ~1.20 GB | Çok Dilli | Türkçe ve diğer İngilizce olmayan içerikler; 100'den fazla dil desteği. |
mxbai-embed-large:latest | ~0.7 GB | İngilizce & Retrieval | Arama ve bilgi getirme senaryoları; barındırılan OpenAI embedding modelleriyle yarışır. |
snowflake-arctic-embed:latest | ~0.7 GB | İngilizce & Retrieval | Kurumsal düzeyde, veri yoğun uygulamalar ve retrieval hassasiyetinin önemli olduğu senaryolar. |
paraphrase-multilingual:latest | ~0.6 GB | Çok Dilli | Sentence-Transformers tabanlı, diller arası metin benzerliği ve kümeleme (clustering). |
all-minilm:latest | ~0.05 GB | Hafif / Edge | Düşük kaynaklı makineler, hızlı prototipleme ve temel metin benzerliği kontrolleri. |
Boyutlarla ilgili not
Gösterilen boyutlar, her modelin varsayılan Ollama derlemesi için (genellikle Q4 veya FP16 sıkıştırma) yaklaşık, yuvarlanmış indirme boyutlarıdır — gerçek disk kullanımı Ollama sürümleri arasında hafifçe değişebilir.
Kategoriye Göre Model Seçimi
İngilizce & Retrieval
nomic-embed-text, mxbai-embed-large, snowflake-arctic-embed — İngilizce içerikte güçlü genel amaçlı ve arama odaklı performans.
Çok Dilli
bge-m3, paraphrase-multilingual — bilgi tabanınız Türkçe, İngilizce veya diğer dilleri karıştırıyorsa en iyi seçim.
Hafif / Edge
all-minilm — CPU'da çalışan makineler, hızlı prototipleme veya üst düzey doğruluğun gerekmediği temel benzerlik kontrolleri için 46 MB'lık bir model.
Bir Model İndirme
Alternatif olarak, herhangi bir modeli bilgisayarınızda doğrudan Ollama CLI üzerinden çekebilirsiniz (örn. ollama pull nomic-embed-text) — bu durumda model, yerleşik indirme listesinin yanında Settings açılır menüsünde otomatik olarak görünür.
Bulut (Cloud LLM) Embedding
Yerel Ollama'ya ek olarak Ayarlar → Etmen altındaki Embedding alt sekmesinde sağlayıcıyı Cloud LLM (Hosted API) olarak seçebilirsiniz. Bu durumda metniniz Ollama yerine Modelion gateway'i ya da OpenRouter üzerindeki bir bulut modeliyle vektöre çevrilir; listede Modelion modelleri üstte, OpenRouter embedding modelleri altta yer alır.
- Modeller nereden gelir: listeler her sağlayıcıdan canlı okunur, yani yeni embedding modelleri uygulama güncellemesi beklemeden görünür. Ücretsiz OpenRouter modellerinde yeşil bir ücretsiz etiketi bulunur ve yalnızca ücretsiz modeller kutusu listeyi daraltır.
- İndirme yok, yerel sunucu yok: makinenizde hiçbir şeyin kurulu ya da çalışır durumda olması gerekmez.
- Metniniz makinenizden çıkar: Ollama'nın aksine, embedding'e çevrilen metin TotalApp sunucusu üzerinden seçtiğiniz sağlayıcıya gönderilir. Hassas içeriklerinizi, bu sizin için önemliyse, Ollama'da tutun.
Modeli değiştirmek kayıtlı vektörleri eskitir
Farklı modellerin ürettiği vektörler birbiriyle karşılaştırılamaz. Her bilgi kaynağı vektörünü hangi modelin ürettiğini saklar; embedding modelini değiştirdiğinizde (Ollama'dan buluta, buluttan Ollama'ya ya da bir modelden diğerine) eski vektörler, o kaynaklar bir sonraki sıralanışında otomatik olarak yeniden hesaplanır. Bu bilgi tutulmadan önce kaydedilmiş kaynaklar da bir kez yeniden hesaplanır. Bulut modelinde bu, her kaynağın metninin sağlayıcıya tekrar gönderilmesi demektir.
SSS
bge-m3'tür.bge-m3 gibi daha büyük modeller daha doğru ancak her kaynağı embed etmek daha yavaştır; all-minilm gibi daha küçük modeller çok daha hızlı çalışır ancak sıralaması daha az hassas olabilir. Bilgi tabanınızın boyutuna ve donanımınıza göre seçim yapın.