diff --git a/README.md b/README.md
index b838d5b..7a574a9 100644
--- a/README.md
+++ b/README.md
@@ -64,8 +64,8 @@ Il file usato dalla pipeline è **`<stem>.md`** nella cartella `auto/`.
 Scarica e avvia [Ollama](https://ollama.com), poi installa i modelli:
 
 ```bash
-ollama pull nomic-embed-text    # embedding (obbligatorio)
-ollama pull qwen3.5:4b          # generazione LLM (o altro modello)
+ollama pull qwen3-embedding:0.6b    # embedding (obbligatorio)
+ollama pull qwen3.5:4b              # generazione LLM (o altro modello)
 ```
 
 ---
@@ -235,7 +235,7 @@ Output in `chunks/<stem>/`:
 | Parametro | Default | Descrizione |
 |-----------|---------|-------------|
 | `OLLAMA_MODEL` | `qwen3.5:4b` | Modello LLM per la generazione |
-| `EMBED_MODEL` | `nomic-embed-text` | Modello embedding |
+| `EMBED_MODEL` | `qwen3-embedding:0.6b` | Modello embedding |
 | `EMBED_MAX_CHARS` | 6000 | Caratteri massimi inviati al modello embedding |
 | `TOP_K` | 6 | Chunk recuperati per domanda |
 | `TEMPERATURE` | 0.2 | Creatività del modello (0 = deterministico) |
diff --git a/config.py b/config.py
index 34f104d..4061879 100644
--- a/config.py
+++ b/config.py
@@ -24,11 +24,11 @@ NO_THINK = True
 # Modello di embedding usato da Ollama.
 # Deve corrispondere al modello usato durante la vettorizzazione (ingest.py).
 # Se cambi questo, devi rieseguire ingest.py con --force.
-EMBED_MODEL = "nomic-embed-text"
+EMBED_MODEL = "qwen3-embedding:0.6b"
 
 # Caratteri massimi inviati al modello di embedding.
 # Il testo viene troncato SOLO per il vettore; il documento completo
-# rimane in ChromaDB. nomic-embed-text: 8192 token ≈ 6000 char sicuri.
+# rimane in ChromaDB. qwen3-embedding: 32768 token — 6000 char è un limite conservativo.
 EMBED_MAX_CHARS: int = 6000
 
 # ── Ollama ────────────────────────────────────────────────────────────────────
diff --git a/ingestion/README.md b/ingestion/README.md
index befce33..e3d6b91 100644
--- a/ingestion/README.md
+++ b/ingestion/README.md
@@ -29,7 +29,7 @@ Il modello di embedding viene letto da **`config.py`**:
 
 ```python
 # config.py
-EMBED_MODEL = "nomic-embed-text"   # ← cambia qui
+EMBED_MODEL = "qwen3-embedding:0.6b"   # ← cambia qui
 ```
 
 > Il modello scelto qui deve corrispondere a quello usato in rag.py.
@@ -75,16 +75,16 @@ Il modello deve essere scaricato in Ollama prima di eseguire questo script
 ### Modello di embedding
 
 **Usa un modello multilingue per testi italiani.**
-I modelli English-first (`nomic-embed-text`, `mxbai-embed-large`, `all-minilm`)
+I modelli English-first (`mxbai-embed-large`, `all-minilm`)
 producono vettori di qualità inferiore su italiano, con retrieval meno preciso.
-Prima scelta: `qwen3-embedding:0.6b`.
+Prima scelta: `qwen3-embedding:0.6b` — stesso ecosistema di `qwen3.5:4b`, ottimo multilingue.
 
 **Più dimensioni = retrieval più preciso, ma più spazio su disco.**
 
 | Dimensioni | Modelli | Quando usarlo |
 |---|---|---|
 | 1024 | `qwen3-embedding:0.6b`, `bge-m3` | documenti tecnici, testi lunghi |
-| 768 | `nomic-embed-text-v2-moe` | buon compromesso |
+| 768 | `nomic-embed-text` | leggero, parzialmente multilingue |
 | 384 | `all-minilm` | solo per test rapidi |
 
 **Usa la stessa famiglia LLM + embedding quando possibile.**
diff --git a/ollama/README.md b/ollama/README.md
index 6451b14..40998d9 100644
--- a/ollama/README.md
+++ b/ollama/README.md
@@ -53,9 +53,8 @@ ollama pull qwen3-embedding:0.6b
 
 Alternative supportate:
 
-- `nomic-embed-text-v2-moe`
-- `bge-m3`
-- `nomic-embed-text`
+- `bge-m3` — ottimo multilingue, 1024 dim
+- `nomic-embed-text` — più leggero, parzialmente multilingue
 
 Se cambi embedding model rispetto a quello usato in ingestion, riesegui ingest con `--force` e aggiorna `EMBED_MODEL` in `config.py`.