免费 · 无需注册 · 浏览器本地处理
Embedding 向量相似度：余弦、点积与欧氏距离
比较已有向量的余弦相似度、点积和欧氏距离，在本地检查维度、零向量与候选排名；本工具不调用模型生成向量。
浏览器本地计算 · 不调用模型 · 不保存输入
实际输出
ai-embedding-similarity-report.json填写输入后即可预览与导出结果。
本页只比较输入数值，有意义的语义比较需使用同一种方法生成且兼容的 Embedding，本页不会生成 Embedding。
使用步骤
粘贴包含 a/b 与可选 candidates 的 JSON，或分别输入两组向量；选择排序指标与 0–100 项逐维贡献，在本地计算。
使用前请检查
不生成 Embedding，也不推断语义质量。向量维度必须一致，零向量的余弦未定义；浮点舍入与极小点积下溢仍可能发生。
试一个例子
a=[3,4]、b=[-3,-4] 的余弦为 −1，点积为 −25，距离为 10，长度均为 5。
计算或处理方式
使用缩放 L2 范数、补偿点积求和与归一化余弦；UTF-8 上限 500 KB，总计 100 个向量，每个最多 4,096 维，分量绝对值不超过 1e150。
常见问题
比较已有向量的余弦、夹角、点积、L1/L2 距离、逐维贡献与候选排序。
如何使用AI Embedding 向量相似度计算器？
粘贴包含 a/b 与可选 candidates 的 JSON，或分别输入两组向量；选择排序指标与 0–100 项逐维贡献，在本地计算。
数据会上传吗？
工具在当前浏览器内处理输入与文件。页面访问统计不包含这些输入内容。
有哪些限制？
不生成 Embedding，也不推断语义质量。向量维度必须一致，零向量的余弦未定义；浮点舍入与极小点积下溢仍可能发生。