---
term: "Dense Retrieval"
slug: "dense-retrieval"
glossar_id: "G292"
variants: []
category: "embeddings-suche-und-retrieval-augmented-generation"
marker: "Technik"
short: "Abruf über dichte Embedding-Repräsentationen."
sources:
  - label: "Karpukhin et al.: Dense Passage Retrieval"
    url: "https://arxiv.org/abs/2004.04906"
  - label: "Sentence Transformers: Semantic Search"
    url: "https://sbert.net/examples/applications/semantic-search/README.html"
status: "entwurf"
updated: "2026-09-21"
---

Dense Retrieval ruft Inhalte über dichte Vektoren ab. Anfrage und Textabschnitte werden von gelernten Modellen in denselben Raum eingebettet, und gesucht wird über die Nähe dieser Vektoren. Dicht heißt hier, dass jede Dimension einen Wert trägt, im Unterschied zu den fast leeren Vektoren der wortbasierten Verfahren.

## Zwei Encoder, ein Raum

Die verbreitete Bauform benutzt zwei Encoder: einen für die Frage, einen für die Passagen. Die Passagen werden einmal vorab eingebettet, die Frage bei jeder Anfrage. In der Arbeit, die dieses Vorgehen für die Passagensuche bekannt gemacht hat, wurde ein starkes wortbasiertes System bei der Trefferquote unter den ersten zwanzig Passagen deutlich übertroffen. [Karpukhin et al.](https://arxiv.org/abs/2004.04906)

Der Preis dafür ist Aufwand vor der Suche: Alle Inhalte müssen eingebettet und gespeichert werden, und bei einem Modellwechsel beginnt das von vorn.

## So kannst du dir das vorstellen

Beide Seiten werden in dieselbe Sprache übersetzt, bevor verglichen wird. Fragen und Texte landen als Koordinaten auf derselben Karte, und die Suche fragt nach den nächsten Nachbarn. Das Bild erklärt den gemeinsamen Raum, es sagt nichts über die Güte der Übersetzung.

## Was es in der Praxis bedeutet

Die Qualität hängt fast vollständig am Embedding-Modell und an der Sprache. Ein Modell, das vor allem auf englischen Daten trainiert wurde, findet deutsche Fachtexte schlechter, und mehrsprachige Bestände brauchen ein Modell, das beide Seiten in denselben Raum bringt.

Zweitens ist dichter Abruf schlecht in Genauigkeit bei Zeichenfolgen. Nummern, Namen und Codebezeichner gehen unter, weil sie inhaltlich kaum Nähe tragen. Bibliotheken für Satzrepräsentationen weisen außerdem darauf hin, dass die richtige Wahl davon abhängt, ob Anfrage und Text ähnlich lang sind oder eine kurze Frage auf lange Abschnitte trifft. [Sentence Transformers](https://sbert.net/examples/applications/semantic-search/README.html)

## Wo es verwechselt wird

Dense Retrieval ist das Verfahren, semantische Suche das Ziel. Und es ersetzt die wortbasierte Suche nicht, sondern ergänzt sie, weshalb produktive Systeme meist beides kombinieren.

## Verwandte Begriffe

**Sparse Retrieval**, **Bi-Encoder**, **Semantic Search**, **Hybrid Search**, **Embedding**, **Vector Search**.