BiVelio Embedding Layer Algorithm
La mejor evidencia, con menos embeddings y menos tokens.
BV-EMLA convierte documentos y una consulta en un paquete mínimo de evidencia relevante. Reduce el coste de crear embeddings, almacenar índices y enviar contexto al modelo, manteniendo la identidad, las versiones, los metadatos y la trazabilidad de cada documento. No genera obligatoriamente una respuesta: prepara la mejor evidencia para que cualquier aplicación —con OpenAI, Anthropic, Gemini o un modelo local— la utilice.
BV-EMLA se diseña como un producto completamente independiente. No necesita el Brain de BiVelio, ni una cuenta, ni sus bases de datos ni sus modelos internos. BiVelio será después uno de sus consumidores, no el entorno que necesita para funcionar.
- 1
Ingesta: normaliza, deduplica de forma verificada y trocea los documentos.
- 2
Representación: reutiliza embeddings desde caché o crea solo los que faltan.
- 3
Recuperación adaptativa: elige el plan más barato que alcance evidencia suficiente.
- 4
Composición: entrega el contexto mínimo que cubre la consulta, con trazas y métricas.
EMLA Compile
Transforma una colección de documentos en una representación eficiente y verificable: normaliza, detecta duplicados y casi-duplicados de forma verificada, trocea por estructura y reutiliza o crea embeddings. Diez copias del mismo manual comparten una sola representación técnica, sin perder la identidad de cada documento.
EMLA Resolve
Recibe una consulta y elige cuánto esfuerzo necesita. Una pregunta sencilla usa una búsqueda barata; una compleja añade recuperación densa, reranking y expansión. Pagas el coste alto solo cuando la consulta lo exige, y el resultado es el conjunto más pequeño que cubre toda la pregunta.
Menos embeddings repetidos y menos almacenamiento.
Menos tokens de contexto enviados al modelo.
Índices y proveedores intercambiables; modo local sin infraestructura externa.
Trazabilidad y métricas de cada recuperación.
En diseño como biblioteca independiente (Python SDK y API HTTP). Primero se validará con benchmarks neutrales; después se integrará en BiVelio mediante un adaptador.
Algoritmo en diseño. Las cifras de rendimiento y ahorro se publicarán cuando completemos los benchmarks; hasta entonces no afirmamos porcentajes.