Embedding 向量查看与相似度计算本地处理 · 0 次网络请求
Embedding 向量余弦相似度、欧氏距离、点积和模长计算：每行输入一个文本（自动生成 32 维模拟向量）或 JSON 数组；输出相似度矩阵和热力图。
INPUT · 每行一个文本或向量数组
VECTORS（JSON 数组）
COSINE SIMILARITY MATRIX
PAIRWISE（每对相似度 + 距离）
Embedding 相似度怎么用？
每行输入一个文本（或 JSON 数字数组）。工具会：
- 为文本生成 32 维模拟 embedding（基于字符 hash 的伪向量，仅用于演示相似度计算）
- 为 JSON 数组直接解析为向量
- 输出余弦相似度矩阵、欧氏距离、点积和模长
这是**演示工具**，不能替代真正的 embedding 模型。要体验真实 embedding，请用 OpenAI / Gemini / 本地模型。
页面更新： · 本地处理与使用边界