免费在线向量嵌入可视化工具，将文本嵌入降维到2D/3D空间可视化。支持t-SNE和PCA降维、余弦相似度计算、聚类分析，直观理解语义关系。无需注册。
零依赖·可离线使用⚙️ 嵌入配置
向量嵌入可视化工具能做什么？
免费在线向量嵌入可视化工具，将文本嵌入降维到2D/3D空间可视化。支持t-SNE和PCA降维、余弦相似度计算、聚类分析，直观理解语义关系。无需注册。
核心功能
- 降维可视化：将高维嵌入降维到2D/3D空间可视化展示
- PCA降维：使用主成分分析进行快速降维
- 余弦相似度：计算文本间的余弦相似度矩阵
- 聚类展示：相似文本在图中距离更近
- 模拟嵌入：无需API Key，使用确定性模拟嵌入
- 交互式画布：Canvas绘制，支持多文本对比
使用教程
- 配置参数：根据需要设置工具参数
- 生成结果：点击生成按钮获取结果
- 复制使用：复制结果到项目中使用
应用场景
- 语义分析：可视化文本间的语义关系
- 嵌入模型评估：对比不同嵌入模型的效果
- 聚类分析：发现文本中的语义分组
- 教学演示：直观理解向量嵌入和语义空间
扩展知识
向量嵌入（Embedding）是NLP的核心技术，将文本映射到高维向量空间，使语义相似的文本在空间中距离更近。主流嵌入模型包括OpenAI的text-embedding-3、BAAI的BGE系列、Voyage AI的voyage-3等。降维可视化常用PCA（快速但可能丢失非线性结构）和t-SNE（保留局部结构但计算慢）。余弦相似度是最常用的语义相似度度量。
常见问题
什么是向量嵌入？
向量嵌入是将文本转换为固定长度的数值向量，使语义相似的文本在向量空间中距离更近。是RAG、语义搜索等AI应用的基础。
PCA和t-SNE有什么区别？
PCA是线性降维，速度快但可能丢失非线性结构；t-SNE是非线性降维，能更好保留局部结构但计算慢。本工具使用PCA以实现纯前端计算。
为什么使用模拟嵌入？
真实嵌入需要调用API（如OpenAI），本工具使用确定性模拟嵌入，无需API Key即可体验可视化效果。实际使用时可替换为真实嵌入。
如何解读相似度矩阵？
值越接近1表示越相似，接近0表示无关，负值表示相反。绿色高亮表示高相似度，黄色中等，灰色低相似度。
数据会上传服务器吗？
不会。所有计算和可视化完全在浏览器本地完成。