---
term: "Bi-Encoder"
slug: "bi-encoder"
glossar_id: "G306"
variants: []
category: "embeddings-suche-und-retrieval-augmented-generation"
marker: "Technik"
short: "Getrennte Repräsentation von Anfrage und Dokument für die Ähnlichkeitssuche."
sources:
  - label: "Sentence Transformers: Cross-Encoders"
    url: "https://sbert.net/examples/cross_encoder/applications/README.html"
  - label: "Karpukhin et al.: Dense Passage Retrieval"
    url: "https://arxiv.org/abs/2004.04906"
status: "entwurf"
updated: "2026-09-21"
---

Ein Bi-Encoder bettet Frage und Dokument getrennt voneinander ein und vergleicht anschließend die beiden Vektoren. Beide Seiten gehen einzeln durch das Modell, es entstehen zwei Repräsentationen, und die Ähnlichkeit wird daraus berechnet. [Sentence Transformers: Cross-Encoders](https://sbert.net/examples/cross_encoder/applications/README.html)

## Getrennt rechnen heißt vorrechnen können

Der entscheidende Vorteil liegt im Zeitpunkt. Weil das Dokument ohne Kenntnis der Frage eingebettet wird, lässt sich das einmal vorab für den gesamten Bestand erledigen. Zur Anfragezeit bleibt nur, die Frage einzubetten und Abstände zu vergleichen, was auch bei Millionen Einträgen schnell geht.

Der Preis ist Genauigkeit: Das Modell sieht nie beide Seiten zusammen und kann feine Bezüge nicht prüfen. In der Passagensuche ist diese Bauform aus zwei Encodern trotzdem der Standard für die erste Stufe. [Karpukhin et al.](https://arxiv.org/abs/2004.04906)

## So kannst du dir das vorstellen

Zwei Personen beschreiben unabhängig voneinander einen Text in Stichworten, danach vergleicht jemand die beiden Zettel. Das geht schnell und funktioniert oft, aber niemand hat Frage und Text nebeneinander gelesen. Das Bild erklärt die getrennte Verarbeitung, nicht die Qualität der Repräsentationen.

## Was es in der Praxis bedeutet

Wer eine Suche baut, arbeitet fast immer mit dieser Bauform, denn Vektorsuche in einer Datenbank setzt vorab berechnete Vektoren voraus. Das ist die Stelle, an der die Wahl des Embedding-Modells über die Qualität entscheidet.

Wichtig ist außerdem: Die Vektoren für Frage und Dokument müssen aus demselben oder einem dafür abgestimmten Modell stammen. Manche Modelle erwarten zusätzlich unterschiedliche Vorsätze für Frage und Dokument. Wer das übersieht, bekommt eine Suche, die messbar schlechter trifft, ohne dass ein Fehler sichtbar wird.

## Wo es verwechselt wird

Der Bi-Encoder ist die Bauform, Dense Retrieval das Verfahren, das darauf aufsetzt. Und er ist nicht die schwächere Alternative zum Cross-Encoder, sondern dessen Vorstufe in einer zweistufigen Suche.

## Verwandte Begriffe

**Cross-Encoder**, **Dense Retrieval**, **Embedding**, **Vector Search**, **Reranking**, **ColBERT**.