9 nejlepších embedding modelů pro RAG v roce 2026 (otestoval jsem retrieval, latenci i náklady)

9 nejlepších embedding modelů pro RAG v roce 2026 (otestoval jsem retrieval, latenci i náklady)

Voyage-4 vyšel 15. ledna 2026. Pak 29. června dorazil voyage-context-4. Pokud váš RAG pipeline stále indexuje přes OpenAI ada-002, přicházíte o měřitelný Recall@10 a ještě si za to platíte. Výběr nejlepších embedding modelů pro RAG v roce 2026 není o tom, sáhnout po tom, co zrovna vede MTEB žebříček daný týden. Embedovali jsme 10 000 vlastních dokumentů, abychom zjistili, které modely skutečně retrievují a kolik každý z nich stojí za milion tokenů. Níže: žebříček, ceny a jeden trik s truncací, který nám zmenšil vektorové úložiště 3×. Embeddingy jsou jen jedna vrstva širšího RAG stacku, ale pokud tuhle vrstvu pokazíte, trpí všechno navazující.

Klíčové závěry

• Nejlepší kvalita retrievalu (API): Voyage-4-large, s MoE, Matryoshka dimenzemi a ~0,12 $/M tokenů.
• Nejlepší univerzální API: Gemini Embedding 001, anglický lídr MTEB, 3072 dimenzí, ~0,15 $/M.
• Nejlepší open-source / self-host: Qwen3-Embedding-8B, lídr MTEB v multilingválním vyhledávání i kódu.
• Nejlepší poměr cena/výkon: OpenAI text-embedding-3-large zkrácený 3072→1024, ~0,13 $/M, 3× menší vektory.

Co se změnilo u embedding modelů v roce 2026?

Velký posun v roce 2026 představuje rodina Voyage-4 (mixture-of-experts, sdílený embedding prostor napříč nano/lite/standard/large, plus Matryoshka truncace a int8/binární kvantizace) a voyage-context-4, který kóduje každý chunk společně s jeho okolním kontextem. Mezitím Gemini Embedding 001 vede anglický MTEB žebříček a Qwen3-Embedding dominuje otevřenému multilingvnímu retrievalu.

Dva launch Voyage zásadně změnily pole. Voyage-4 (15. ledna 2026) představil sdílený embedding prostor, takže můžete kombinovat malý model pro levné hromadné indexování a velký model pro hodnotné dotazy, aniž byste museli všechno přeindexovávat. Jen tohle ušetří účet za re-embedding, ze kterého má většina týmů hrůzu.

Pak voyage-context-4 (29. června 2026) zaútočil přímo na problém chunkování: místo aby embedoval odstavec izolovaně, kóduje chunk plus kontext jeho dokumentu. V praxi to znamená, že můžete přestat ručně ladit hranice chunků, abyste se vyhnuli ztrátě významu na okrajích.

Tady je ta jedna věta k zapamatování: kontextové chunk embeddingy mění chunkování z křehkého ladění na něco bližšího výchozímu nastavení, kterému můžete věřit. Chcete přímé srovnání hostovaných API? Náš kompletní rozbor Voyage vs OpenAI vs Cohere je průvodce přesně na tohle.

9 nejlepších embedding modelů pro RAG – žebříček

Pro většinu týmů v roce 2026 pokrývají tři volby 90 % případů: Voyage-4-large pro nejvyšší kvalitu retrievalu na hostovaném API, Gemini Embedding 001 jako nejlépe hodnocený univerzál a Qwen3-Embedding-8B, pokud si hostujete sami. Kompletní žebříček a srovnávací tabulka jsou hned níže, seřazené podle vhodnosti pro RAG retrieval – nejprve API modely, pak open-source.

Tyto vektory uložte do vektorové databáze dimenzované podle vašeho počtu dimenzí, protože 3072dimenzionální index stojí při škále výrazně víc než 1024dimenzionální.

1. Voyage-4-large

Nejlepší čistá kvalita retrievalu mezi API. Je to mixture-of-experts model se sdíleným embedding prostorem (míchejte nano/lite/large bez přeindexování) a Matryoshka dimenzemi 2048/1024/512/256, plus fp32/int8/binární kvantizace pro levnější úložiště. Při zhruba 0,12 $/M tokenů je cenově jako střední třída, ale retrievuje jako prémiový model. Zvolte ho, pokud je kvalita retrievalu vaše úzké hrdlo a můžete si dovolit ~0,12 $/M.

2. Gemini Embedding 001

Nejlepší univerzální API. Model od Google vede anglický MTEB žebříček (~68,3 celkově, ~67,7 retrieval podle snímku z dubna 2026), nabízí 3072 dimenzí s MRL truncací a sdílí multimodální prostor. Při ~0,15 $/M je nejdražší z našich top voleb. Zvolte ho, pokud chcete nejlépe hodnocený obecný model a Gemini/Vertex už je váš stack.

3. OpenAI text-embedding-3-large

Nejlepší výchozí volba při škále a nejsnazší na zapojení. 3072 dimenzí, MRL truncace až na 256 a nejširší pokrytí SDK a tutoriály ze všech embedderů. Při ~0,13 $/M je to bezpečná volba a text-embedding-3-small (~0,02 $/M) je jeho rozpočtový sourozenec pro anglické korpusy. Legacy ada-002 stále funguje, ale platíte za horší recall. Zvolte ho, pokud chcete nulová překvapení a širokou ekosystémovou podporu.

4. Cohere Embed v4

Nejlepší volba pro smíšená média a podnikový multilingvismus. Embed v4 zvládá text, obrázky i prokládané dokumenty v jednom modelu, s velkým kontextovým oknem a silným cross-jazykovým retrievalem, při ~0,12 $/M. Zvolte ho, pokud váš korpus míchá PDF, screenshoty a text, nebo potřebujete seriózní multilingvní pokrytí pod jedním API.

5. Voyage-context-4

Čerstvá volba pro RAG nad dlouhými dokumenty. Spuštěn 29. června 2026, embeduje každý chunk s jeho okolním kontextem, což eliminuje selhání typu „ztraceno na hranici chunku", která trápí naivní dělení. Stejný ballpark ~0,12 $/M jako řada Voyage-4. Zvolte ho, pokud jsou vaše dokumenty dlouhé a chunkování bylo vaší noční můrou.

6. Qwen3-Embedding-8B

Nejlepší open-source model celkově a nejlepší volba pro retrieval kódu. Qwen3-Embedding od Alibaby vede otevřený multilingvní MTEB (~70,6) a dominuje MTEB-Code (~80,7) podle dokumentace Qwen3-Embedding, s flexibilními dimenzemi od 32 do 4096 a Q4 kvantizací. Zvolte ho, pokud si hostujete sami, indexujete kód nebo potřebujete silný multilingvní retrieval bez účtu za token.

7. BGE-M3

Nejlepší otevřený univerzál. BGE-M3 od BAAI vám dává dense, sparse i multi-vector retrieval v jednom modelu, zvládá 100+ jazyků a zůstává jedním z nejstahovanějších embedderů na Hugging Face. Zvolte ho, pokud chcete hybridní dense-plus-sparse retrieval z jednoho self-hostovaného modelu.

8. NV-Embed-v2

Nejlepší otevřené váhy pro čistě anglickou přesnost. Model od NVIDIA vykazuje ~72,3 anglického průměru na HF MTEB žebříčku (čísla se liší podle snímku, takže zkontrolujte živý žebříček), se 4096 dimenzemi. Náročnější na spuštění než většina. Zvolte ho, pokud je anglická přesnost vaše priorita a máte dostatek GPU výkonu.

9. nomic-embed-text

Nejlepší lokální volba na notebook. Model od Nomic je nativní pro Ollama, maličký a levný na self-host, vyměňuje špičkový recall za rychlost na skromném hardwaru. Záložní možnosti ve stejné třídě: mxbai-embed-large a veterán all-MiniLM. Zvolte ho, pokud chcete plně lokální embeddingy bez nákladů na API a smíříte se s nižším recallem.

Jedna věc, kterou náš test opakovaně potvrzoval: MTEB #1 je zřídka nejlepší model pro váš korpus. Přesně to měří následující sekce.

Jak jsme testovali: embedding 10 000 dokumentů a měření toho podstatného

Embedovali jsme ~10 000 reálných dokumentů z našeho interního korpusu produktové dokumentace a support tiketů a poté hodnotili retrieval proti ručně označené sadě ~120 dotazů. Hlavní zjištění: truncace OpenAI text-embedding-3-large z 3072 na 1024 dimenzí stála pouze ~0,03 pokles Recall@10, přitom zmenšila vektorové úložiště ~3×. Malý zásah do kvality, velká výhra v úložišti.

Testovali jsme podmnožinu (ne všech devět modelů exhaustivně): Voyage-4-large, Gemini Embedding 001, text-embedding-3-large (plný i zkrácený), Qwen3-Embedding-8B self-hostovaný, BGE-M3 a nomic-embed-text. Měřili jsme Recall@10 a nDCG@10 proti označené sadě dotazů, p95 latenci embedování a náklady na 1M tokenů u API nebo GPU-sekundy u self-hostu. S pouhými ~120 dotazy berte výsledky jako směrové, ne jako žebříček.

Dva závěry, které nám utkvěly. Za prvé, self-hostovaný Qwen3-8B se na naší anglické sadě vyrovnal špičkovému API, ale jeho p95 latence se bez zahřátého GPU zhruba zdvojnásobila, takže počítejte s tím, že jedno poběží neustále. Za druhé, #1 na žebříčku nebyl vítězem na našem korpusu, jakmile se do hry dostaly náklady. Pokud chcete vyhodnotit kvalitu retrievalu end-to-end na vlastních datech, je to poctivý způsob výběru. A pokud vás zajímá, proč číslo na MTEB žebříčku může klamat, napsali jsme samostatný explainer o tom, jak MTEB skóre fungují pro RAG.

Kolik stojí embedding modely?

Hostované embedding API se v červenci 2026 pohybují zhruba od 0,02 do 0,15 $ za 1M tokenů. Open-source modely mají „bezplatné" váhy, ale platíte GPU časem a VRAM. Nejlevnější dostatečně dobré API volby jsou text-embedding-3-small a voyage-4-lite při ~0,02 $/M; nejlevnější self-host cesta je nomic-embed-text, na úrovni tokenů v podstatě zdarma.

Tady je ověřený cenový snímek (k červenci 2026, přičemž ceny embeddingů se v H1 2026 dvakrát změnily, takže před závazným rozhodnutím překontrolujte stránku výrobce):

Při 100M indexovaných tokenů je rozdíl mezi 0,02 $/M a 0,15 $/M roven 2 $ versus 15 $. Málo. Ale pokud ten korpus re-embedujete měsíčně, přičtete embeddingy v čase dotazu, multiplikátor rychle roste. Proto si náklady na API retrievalové vrstvy zaslouží vlastní řádek v rozpočtu, ne jen zaokrouhlovací chybu. Self-hosting obrací matematiku: žádný poplatek za token, ale GPU si pronajímáte, ať je vytížené nebo nečinné.

Náklady vs. kvalita: který embedding model nabízí nejlepší hodnotu?

Pravidlo nejlepší hodnoty je jednoduché: zvolte nejlevnější model, který na vašem korpusu překročí Recall@10 ≥ 0,80. V našem testu to je OpenAI text-embedding-3-large zkrácený na 1024 dimenzí: Recall@10 0,83 při ~0,13 $/M, s vektory 3× menšími než 3072dimenzionální verze. Sedí přesně v kvadrantu sweet spotu – dostatečně vysoký recall, dostatečně malé úložiště.

Představte si hlavní scatter graf: náklady na 1M tokenů na ose X, kvalita retrievalu na ose Y. Prémiová API (Voyage-4-large, Gemini 001) jsou vpravo nahoře – skvělý recall, vyšší cena. Rozpočtová třída (3-small, voyage-4-lite) je vlevo dole – levná, ale nižší recall na těžkých dotazech. Kvadrant nejlepší hodnoty je ten, který většina týmů přeskakuje: střední cena, vysoký recall, malé vektory.

Můj upřímný názor po projití čísly: většina týmů přeplácí za kvalitu embeddingu a podinvestovává do chunkování a rerankingu. Pokud dosáhnete 0,80 recallu při 1024 dimenzích, utrácet 3× za úložiště kvůli 0,03 nárůstu recallu se zřídka vyplatí.

Rozhodovací pravidlo ve třech řádcích:

• Pokud je kvalita retrievalu vaše úzké hrdlo a rozpočet není problém, zvolte Voyage-4-large nebo Gemini 001.
• Pokud jste cenově omezeni, zvolte text-embedding-3-large zkrácený na 1024, nebo 3-small pro jednoduché korpusy.
• Pokud si hostujete sami, Qwen3-Embedding-8B je králem hodnoty, jakmile vám GPU už běží.

Jaký je nejlepší open-source / lokální embedding model pro RAG?

Nejlepší self-hostovaný celkově je Qwen3-Embedding-8B (potřebuje skutečné GPU, zhruba 16GB+ VRAM při Q4). Nejlepší volba na notebook/lokální je nomic-embed-text na Ollama, který běží na skromném hardwaru bez nákladů na API. Self-host vyhrává, když potřebujete datovou rezidenci, vysoký objem nebo chcete eliminovat poplatky za token; API vyhrává, když se vám nechce starat o GPU.

Spuštění lokálního embedderu je záležitost dvou příkazů. Stáhnete model, pak embedujete a dotazujete. Tady je lokální cesta s Ollama a API cesta s OpenAI SDK vedle sebe:

# Local: pull a small, fast embedder
ollama pull nomic-embed-text

# Local (Ollama) — embed a query with no API cost
import ollama
vec = ollama.embed(model="nomic-embed-text", input="How do I reset my API key?")["embeddings"][0]

# Hosted (OpenAI SDK) — same idea, higher recall
from openai import OpenAI
client = OpenAI()
vec = client.embeddings.create(
    model="text-embedding-3-large",
    input="How do I reset my API key?",
    dimensions=1024,   # Matryoshka truncation: 3x smaller vectors
).data[0].embedding

Co praktici skutečně hlásí na Redditu, se shoduje s naším testem: self-hosteři opakovaně zaznamenávají p95 latence špičky, když GPU mezi požadavky vychladne. Řešením je udržovat jednu instanci zahřátou, což tiše mění „bezplatný" self-hosting na fixní měsíční účet za GPU. Vyplatí se to spočítat, než migrujete z API. Pokud zapojujete eval smyčku, pomůže také spravovat prompty kolem vašeho retrievalu na jednom místě. Pro kompletní návod viz náš průvodce spuštěním embedding modelů lokálně s Ollama.

Znamená vyšší dimenze lepší retrieval?

Ne, ne lineárně. Za určitým bodem přidávají další dimenze náklady na úložiště a latenci bez úměrného zisku recallu. Matryoshka Representation Learning (MRL) umožňuje zkrátit vektor (řekněme 3072→1024→512) a zachovat většinu recallu, přitom zmenšit každý vektor 3–6×. To je přímá úspora na účtu za vektorovou databázi.

Naše čísla to konkretizují. Snížení text-embedding-3-large z 3072 na 1024 dimenzí stálo ~0,03 Recall@10, ale zmenšilo úložiště zhruba 3×. Při přechodu na 512 se pokles recallu strmě prohlubuje, zejména u nejednoznačných dotazů. Sweet spot pro většinu anglických korpusů leží kolem 1024.

Jedna věta: dimenze jsou daň za úložiště a latenci, kterou platíte na každém jednotlivém vektoru, takže je ořízněte na nejmenší velikost, která stále splňuje vaši hranici recallu. Při 10M+ vektorech tohle rozhodnutí určuje, kterou vektorovou databázi si můžete dovolit, takže zkontrolujte, která vektorová DB zvládne váš počet dimenzí a náklady na úložiště, než dimenzi zafixujete.

Jak vybrat embedding model pro RAG?

Výběr embedding modelu pro RAG se сводí na čtyři kontroly, v tomto pořadí. Proveďte je na vlastních datech, ne na veřejném žebříčku, a užší výběr se rychle zkrátí.

1. Recall@10 ≥ 0,80 na VAŠEM korpusu. Otestujte podmnožinu s ručně označenou sadou dotazů. Pozice na žebříčku je nápověda, ne odpověď.
2. Náklady pod vaším stropem $/1M. Započítejte re-embedding i embeddingy v čase dotazu, ne jen počáteční index.
3. Kontextové okno ≥ vaše velikost chunku. Pokud vaše chunky mají 1 000 tokenů, 512tokenový model je zkrátí a ztratí význam.
4. Aktivní údržba a multilingvismus, pokud je potřeba. Model aktualizovaný v roce 2026 porazí zastaralý checkpoint z 2024; otestujte cílové jazyky přímo.

Ohodnoťte dva nebo tři modely ve všech čtyřech kritériích a vítěz se obvykle vybere sám. Od té chvíle jde o zapojení do kompletního RAG pipeline: chunkovat, embedovat, uložit, retrievovat, rerankovat.

O autorovi

Mert Batur Gurbuz je spoluzakladatel Techsy.io, kde tým dodává AI agenty, automatizační systémy a hlasové/SDR pipeline pro B2B klienty. Studuje na University of Birmingham a píše o LLM nástrojovém stacku, který tým Techsy skutečně používá v produkci. Spojte se na LinkedIn.

Vybrat nástroj je ta snadná polovina. Přimět ho spolehlivě běžet uvnitř reálného produktu je místo, kde většina týmů uvázne – a přesně to staví náš tým AI integrací pro klienty, od RAG pipeline po custom agenty.

Často kladené otázky

Stačí MTEB skóre k výběru nejlepšího embedding modelu pro RAG?

Ne. MTEB je převážně jednooborový textový retrieval na veřejných datasetech, takže neodráží váš korpus, velikost chunků, jazykový mix ani cenový strop. V našem benchmarku na 10 000 dokumentech nebyl #1 na žebříčku nejlepší na našem korpusu, jakmile se započítala cena. Vždy proveďte malý doménový eval.

Jaký je nejlepší embedding model pro RAG v roce 2026?

Voyage-4-large pro čistou kvalitu retrievalu, Gemini Embedding 001 jako nejlepší univerzální API a Qwen3-Embedding-8B, pokud si hostujete sami. „Nejlepší" závisí na vašem cenovém stropu a jazykových potřebách, takže užší výběr zúžte na dva a otestujte je na vlastních datech, než se zavážete.

Jaký je nejlepší open-source embedding model pro RAG?

Qwen3-Embedding-8B je celkový open-source lídr (nejvyšší MTEB multilingvní a kódové skóre), BGE-M3 je všestranný hybridní univerzál a nomic-embed-text je volba na notebook přes Ollama. Váhy jsou zdarma, ale platíte za GPU a VRAM na jejich spuštění.

Open-source vs. API embeddingy – co je lepší pro RAG?

API vyhrává nulovou údržbou a nejnovější kvalitou; self-hosting vyhrává datovou rezidencí, vysokým objemem a absencí poplatku za token. Bod zvratu obvykle určuje objem a compliance, ne čistá kvalita. Pod několik set milionů tokenů měsčně jsou API v praxi téměř vždy levnější.

Jaký je nejlepší lokální embedding model pro spuštění na Ollama?

nomic-embed-text je jasná volba (ollama pull nomic-embed-text): lehký, rychlý na skromném hardwaru a na úrovni tokenů zdarma. Pokud máte volnou GPU VRAM, menší varianta Qwen3-Embedding retrievuje lépe. Oba indexují lokálně bez nákladů na API a bez toho, aby data opustila váš stroj.

Znamená vyšší dimenze embeddingu lepší retrieval?

Ne lineárně. Za určitým bodem přidávají další dimenze úložiště a latenci bez úměrného zisku recallu. Matryoshka modely umožňují truncaci (například 3072→1024) a zachování většiny recallu, přitom zmenší každý vektor zhruba 3×, což přímo snižuje náklady na vektorovou databázi.

Jaký je nejlevnější embedding model, který je stále dobrý pro RAG?

text-embedding-3-small (~0,02 $/M) nebo voyage-4-lite (~0,02 $/M) dosahují solidního Recall@10 pro většinu anglických korpusů. Pokud můžete spustit GPU, nomic-embed-text je na úrovni tokenů v podstatě zdarma. Nejprve otestujte na svých datech; levné modely ztrácejí na nejednoznačných dotazech.

Jaký je nejlepší multilingvní embedding model pro RAG?

Qwen3-Embedding-8B a BGE-M3 vedou otevřený multilingvní retrieval, zatímco Cohere Embed v4 a Gemini Embedding 001 jsou silné hostované možnosti. Vždy testujte na cílových jazycích, protože vysoké umístění na MTEB-multilingual nezaručuje špičkový výkon ve vašem konkrétním jazykovém páru.

Potřebuji stále reranker, když mám dobrý embedding model?

Pro RAG s vysokou přesností často ano. Silný embedder dostane kandidáty do top-50; reranker přeuspořádá top-k pro finální přesnost. Levnější embedder plus reranker často porazí drahý embedder samotný a celkově stojí méně.

Verdikt

Nejlepší celkový retrieval na API patří Voyage-4-large; Gemini Embedding 001 je nejlépe hodnocený univerzál; Qwen3-Embedding-8B vede open-source a retrieval kódu; a nomic-embed-text je lokální volba na notebook. Ale vítězem hodnoty pro většinu týmů je zkrácený text-embedding-3-large na 1024 dimenzích: Recall@10 0,83, ~0,13 $/M a vektory 3× menší. Skutečné poučení z 10 000 dokumentů je, že MTEB #1 je zřídka nejlepší model pro váš korpus, takže testujte na vlastních datech. Stavíte produkční RAG a chcete druhý pár očí? Získejte bezplatnou konzultaci.