通常使用几种度量来衡量嵌入的性能。对于分类、准确性、召回率和F1-score等任务，通常用于评估嵌入在预测类别或标签方面的帮助程度。当嵌入用作分类模型的输入时，这些指标特别有用，例如用于情感分析或文本分类。
对于像聚类或最近邻搜索这样的任务，像轮廓分数、兰德指数或归一化互信息 (NMI) 这样的指标被用来衡量嵌入如何将相似的数据点组合在一起。例如，在图像或文本检索中，嵌入的质量是通过与给定查询相比时检索到的项的相关程度来评估的。
在一些情况下，嵌入之间的余弦相似性或欧几里德距离可以直接用作它们在捕获语义相似性方面的有效性的度量。此外，可以使用特定于任务的指标来评估下游任务中嵌入的性能，例如用于机器翻译的BLEU或用于信息检索的平均倒数排名 (MRR)。最终，指标的选择取决于具体的应用和手头的任务。