diff --git a/K2-Search.md b/K2-Search.md
index 0e6ed30..127436a 100644
--- a/K2-Search.md
+++ b/K2-Search.md
@@ -89,27 +89,10 @@ Továbbá a chunk építés során gyűjtünk egy listát ami alias-okat tartalm
 
 
 # Vektoros keresés
-## Embedding Modellek
 
-- Llama 3.2 72B
-    - Backend: Ollama
-    - Tapasztalat: az egyes embeddingek vektorai túl hasonlóak, ezért nem alkalmasak keresésre
-- gte-Qwen2-7B-instruct
-    - Backend: Ollama
-    - Tapasztalat:
-        Ez a modell specifikusan embedding célokra van tanítva, ezért a generált vektorok között nagyobb a távolság, jól kereshető.
-        A kisebb paraméterszám ellenére is jobb találatokat ad, mint a Llama3.2 modell.
-        Ezen felül sokkal gyorsabb a vektorok generálása, az előzetes embedding generálás és a felhasználó keresések során egyaránt.
-- bge-multilingual-gemma2
-    - Backend: egyedi (SentenceTransformer)
-    - Tapasztalat:
-        A Qwen embedding modellhez hasonlóan szintén jól összehasonlítható vektorokat generál.
-- nv-embed-v2
-    - backend: egyedi (SentenceTransformer)
-    - Tapasztalat:
-        - Nem generál megfelelő vektorokat 16bit precízió mellett GPU-n, 32bites módban nincs elég VRAM
-        - Érdemes visszatérni hozzá, amennyiben elterjedtebb lesz és rendelkezésre áll megfelelő tooling, vagy nagyobb hardverkapacitás
+## Embedding
 
+Az embedding során egy adott modellel előállítjuk egy *chunk* szemantikai vektoros reprezentációját, amit később felhasználunk a kereséshez.
 
 ## Embedding Backendek
 
@@ -128,10 +111,46 @@ Továbbá a chunk építés során gyűjtünk egy listát ami alias-okat tartalm
     - CPU/GPU support
     - ONNX formátum szükséges, csak támogatott architektúrákkal megy
 
+## Embedding Modellek
+
+A vektorok előállításához használt modellek nagyban befolyásolják a keresési találatok minőségét.
+Jellemzően a kevesebb paraméteres, de specifikusan embedding célra tanított modellek jobban teljesítenek, mint a komplexebb modellek.
+További előny, ha a modell tanító adathalmaza a célnyelvnek megfelelő szöveget tartalmazott.
+
+- Llama 3.2 72B
+    - Backend: Ollama
+    - Tapasztalat: 
+    	Az egyes embeddingek vektorai túl hasonlóak, ezért nem alkalmasak keresésre
+- gte-Qwen2-7B-instruct
+    - Backend: Ollama
+    - A töbnyelvű embedding rangsorban 2. helyezett jelenleg
+    - Tapasztalat:
+        Ez a modell specifikusan embedding célokra van tanítva, ezért a generált vektorok között nagyobb a távolság, jól kereshető.
+        A kisebb paraméterszám ellenére is jobb találatokat ad, mint a Llama3.2 modell.
+        Ezen felül sokkal gyorsabb a vektorok generálása, az előzetes embedding generálás és a felhasználó keresések során egyaránt.
+- bge-multilingual-gemma2
+    - Backend: egyedi (SentenceTransformer)
+    - A töbnyelvű embedding rangsorban 1. helyezett jelenleg
+    - Tapasztalat:
+        A Qwen embedding modellhez hasonlóan szintén jól összehasonlítható vektorokat generál.
+- nv-embed-v2
+    - Backend: egyedi (SentenceTransformer)
+    - Új modell (2024. 09.)
+    - Az embedding modell rangsor élén áll jelenleg
+    - Tapasztalat:
+        - Nem generál megfelelő vektorokat 16bit precízió mellett GPU-n, 32bites módban nincs elég VRAM
+        - Érdemes visszatérni hozzá, amennyiben elterjedtebb lesz és rendelkezésre áll megfelelő tooling, vagy nagyobb hardverkapacitás
+
 ## Vektoros keresés
 
-- Qdrant
+A korábban elkészített embedding vektorokat a felhasználó által keresett kifejezésből, hasonlóan képzett vektorokkal hasonlítja össze.
+A vektorok irányát és/vagy távolságát kiszámítva megállapítható, hogy mely *chunk*-ok relevánsak a kereséshez.
+
+- Vektor adatbázis: Qdrant
     - nagyobb méretű vektorok támogatása
+    - webes kezelőfelület
+- csak az embedding vektort és a szükséges metaadatokat tárolja
+	- egyéb adatok a normál adatbázisban
 - hivatalos Docker image
 
 ## Reranking