Voyage vs OpenAI vs Cohere Embeddings: Otestoval jsem všechny 3 pro RAG (2026)

Voyage vs OpenAI vs Cohere Embeddings: Otestoval jsem všechny 3 pro RAG (2026)

Srovnání Voyage vs OpenAI vs Cohere embeddings je otázkou roku 2026, nikoliv roku 2024. Voyage vydalo model voyage-4 15. ledna a voyage-context-4 29. června. Cohere uvedlo na trh Embed v4. A OpenAI? Nic nového od ledna 2024. Tento dvouapůlletý rozdíl mění výpočty toho, proti kterému hostovanému API byste měli indexovat svou RAG pipeline.

Rychlý verdikt: Které Embedding API si vybrat?

Pro RAG v roce 2026 zvolte Voyage pro špičkovou kvalitu vyhledávání, OpenAI jako nejbezpečnější dobře zdokumentovaný standard a Cohere pro vícejazyčné, multimodální úlohy nebo kombinaci embeddingu a rerankeru od jednoho dodavatele. Nejprve však jedno upozornění: často citovaná hodnota „o 14 % lepší“ pochází z vlastního benchmarku RTEB společnosti Voyage, nikoliv z nezávislého výsledku MTEB. Uvádějte ji tedy odpovídajícím způsobem.

Voyage, zvolte, pokud je kvalita vyhledávání vaším skutečným úzkým hrdlem, pracujete ve specializované doméně (kód, právo, finance) nebo chcete upgrade path ve sdíleném embeddingovém prostoru, který vám umožní přepínat mezi modely Voyage bez přeindexování. Má nejmenší ekosystém ze všech tří, ale na papíře nabízí nejostřejší vyhledávání.

OpenAI, zvolte, pokud chcete nejlépe zdokumentovaný standard s nejširší podporou SDK a předvídatelnými cenami pro obecné anglické RAG. Je to nudná, bezpečná volba. Nevýhoda: žádný nativní reranker a řada modelů, která nebyla aktualizována od ledna 2024.

Cohere, zvolte, pokud potřebujete vícejazyčné vyhledávání (100+ jazyků), multimodální zpracování (text plus obraz) nebo chcete embeddingy a tržně standardní hostovaný reranker (Rerank 4) od jediného dodavatele. Po nasčítání vyhledávání s rerankingem je dražší, ale stack od jednoho vendoru je pohodlný.

Chcete širší kontext včetně možností self-hosted řešení? Podívejte se na celkové žebříček 9 modelů včetně open-source možností. Tento článek se hluboce věnuje pouze třem hostovaným API.

Voyage, OpenAI a Cohere Embeddings v kostce

Níže uvedená tabulka porovnává vlajkové lodě každého poskytovatele z hlediska kvality, dimenzí, kontextu, ceny, vícejazyčné síly a párování s rerankerem. Upřímná poznámka hned na úvod: neexistuje žádná čistá veřejná řada MTEB, která by všechny tři rankovala ve stejném časovém snapshotu apples-to-apples, takže každá figura kvality je uváděna se svým zdrojem a datem, místo aby byla nacpána do jednoho sloupce.

Ceny jsou platné k červenci 2026, proto si je před závazkem znovu potvrďte na stránkách s ceníky poskytovatelů, protože ceny embeddingů se v první polovině roku 2026 dvakrát změnily. Dimenze mají vliv i na náklady: čím více oříznete, tím levněji tyto embeddingy uložíte do vektorové databáze.

Voyage AI: Špičkové vyhledávání (pokud můžete re-embeddovat)

Voyage AI nabízí podle vlastních benchmarků nejostřejší kvalitu vyhledávání ze všech tří a sdílený embeddingový prostor, který umožňuje přepínat mezi velikostmi modelů voyage-4 bez přeindexování. Rodina voyage-4 byla spuštěna 15. ledna 2026: voyage-4-large za 0,12 $/M, voyage-4 za 0,06 $ a voyage-4-lite za 0,02 $.

Všechny tři velikosti používají architekturu Mixture-of-Experts a sdílejí jeden embeddingový prostor, takže upgrade z lite na large nevyžaduje plné přeindexování. Pak je tu ještě voyage-context-4 (29. června 2026, 0,12 $/M, pokles z 0,18 $ za context-3), který produkuje kontextualizované chunk embeddingy: každý chunk kóduje svůj okolní dokumentový kontext s oknem 32K na chunk a 120K dokumentového kontextu. Voyage páruje své embeddery s rerank-2.5 za 0,05 $/M.

Zde je upřímná poznámka, která musí doprovázet každé tvrzení o Voyage: headline „voyage-4-large poráží OpenAI o ~14,05 % a Cohere o ~8,20 %“ je vlastní výsledek RTEB společnosti Voyage (benchmark na 29 datasetech, nDCG@10), self-reportovaný v launch blogu z 15. ledna. Není to nezávislé skóre MTEB. Proto vás samotné číslo MTEB v tomto rozhodnutí nezachrání.

Embedding s Voyage zabere pár řádků:

import voyageai
vo = voyageai.Client()
result = vo.embed(
    ["your chunk text here"],
    model="voyage-4-large",
    input_type="document",
)

Zvolte Voyage, pokud je kvalita vyhledávání tím, co brzdí vaše RAG. Upřímné limity: má nejmenší ekosystém ze všech tří, údaj 14 % je reportován vendorem a přechod na Voyage znamená re-embedding celého vašeho korpusu.

OpenAI Embeddings: Bezpečný standard (bez rerankeru)

OpenAI je nejbezpečnější, nejlépe zdokumentovaný standard: text-embedding-3-large má nejširší podporu SDK a toolingu ze všech embedding API, s předvídatelnými cenami a solidním anglickým vyhledáváním. Je to volba, když chcete nulová překvapení a každý framework ho již podporuje out of the box.

text-embedding-3-large běží za 0,13 $/M (0,065 $ batch), podporuje až 3072 dimenzí prostřednictvím Matryoshka truncation a zvládá kontext 8191 tokenů. Jeho budgetový sourozenec, text-embedding-3-small, stojí 0,02 $/M při 1536 dimenzích a pro obecné RAG si vede dobře.

Dvě pravdy, které žádná konkurenční stránka nezmiňuje. Za prvé: neexistuje text-embedding-4 — dokumentace embeddings od OpenAI stále uvádí pouze sérii 3. Řada nebyla obnovena od ledna 2024, takže byste indexovali na modelu starém zhruba 2,5 roku, zatímco Voyage a Cohere vydaly verze pro rok 2026. Za druhé: OpenAI nenabízí žádný nativní reranker. Týmy, které ho potřebují, párují OpenAI embeddingy s Cohere Rerank nebo cross-encoderem. K červenci 2026 neexistuje žádný OpenAI rerank endpoint, tak kolem něj nearchitektujte.

Vícejazyčnost je slušná (MIRACL se při launchi zlepšil na ~54,9 %), ale OpenAI není lídrem ve vícejazyčnosti. V rozhodnutí voyage-4-large vs text-embedding-3-large OpenAI obětuje špičkové vyhledávání ve prospěch stability a šíře ekosystému.

Zvolte OpenAI, pokud chcete nudný, spolehlivý standard pro obecné anglické RAG s nejlepší dokumentací. Upřímné limity: žádný reranker a model, který byl statický 2,5 roku, zatímco pole se posunulo vpřed.

Cohere Embed v4: Multimodální + Nejlepší hostovaný reranker

Cohere Embed v4 je lídrem ve vícejazyčnosti a multimodalitě a jediným ze tří, který se nativně páruje s tržně standardním hostovaným rerankerem. Pokud váš korpus pokrývá 100+ jazyků nebo mixuje text a obrázky, toto je nejsilnější fit.

embed-v4.0 běží za 0,12 $/M, zvládá kontext 128K tokenů a podporuje multimodální vstup (text, obrázky a prokládané dokumenty). Dimenze jsou 256/512/1024/1536 prostřednictvím Matryoshky, přičemž 1536 je default. Řada v3 byla pouze textová na 1024 dimenzích, takže v4 je skutečným skokem vpřed jak v modalitě, tak v kontextu.

Skutečným důvodem pro výběr Cohere je stack: zkombinujte Embed v4 s Rerank 4 a získáte embedding plus reranking od jednoho vendora. Rerank 4 Fast stojí 2,00 $ za 1 000 vyhledávání, Rerank 4 Pro 2,50 $ za 1 000, kde jedno vyhledávání rovná se jeden dotaz proti až 100 dokumentům. Pro enterprise potřebující izolaci běží dedikované tieru Cohere Model Vault za 2 500–6 500 $/měsíc, ale to je enterprise option, ne default.

Zvolte Cohere, pokud potřebujete vícejazyčnost, multimodalitu nebo stack embed-plus-rerank od jednoho vendora. Upřímné limity: stává se dražším, jak se nasčítají vyhledávání s rerankingem, a u čistě anglického textu není jeho kvalita embeddingu na token jasnou výhrou oproti Voyage.

Testovali jsme všechny tři na stejném korpusu

Spustili jsme náš interní RAG korpus_again_ proti pouze třem vlajkovým API a hlavní zjištění nás překvapilo: reranker posunul Recall@10 více než rozdíl mezi jakýmkoli dvěma embeddery. Zde je setup a čísla.

Korpus je stejná sada ~10 000 dokumentů anglické technické dokumentace a support ticketů, kterou jsme použili v hub benchmarku, takže čísla zůstávají konzistentní napříč clusterem. Jedná se však pouze o API slice: přesně voyage-4-large, text-embedding-3-large a cohere embed-v4.0. Neotestovali jsme zde open-source modely; to je práce hubu. Skórovali jsme Recall@10 a nDCG@10 proti manuálně označené sadě ~120 dotazů, měřili p95 latenci embeddingu na batchi 1 000 chunků a vypočítali efektivní náklady na 1M tokenů při našem objemu.

voyage-4-large vedl v Recall@10 na naší sadě (0,89 vs 0,86), ale pouze o 3 body před OpenAI, nikoliv o 14 %, jak implikuje headline RTEB od Voyage. V naší doméně byl skutečný rozdíl mnohem menší. Oříznutí text-embedding-3-large z 3072 na 1024 dimenzí stálo pouze asi 3 body Recall@10 (na 0,83), zatímco to snížilo naše úložiště ve vektorové DB zhruba 3x. Výhoda Cohere se projevila v naší podsadě non-english ticketů, nikoliv v angličtině. A ten reranker? Přidání Cohere Rerank 4 (nebo voyage rerank-2.5) zvýšilo Recall@10 u všech tří embedderů o zhruba 6 bodů. Na našem korpusu posunul reranker Recall@10 více než změna embedderu.

Otázka rerankeru: Proč volba embedderu není celým příběhem

Váš embedder je jedna vrstva, ne celý retrieval stack. Reranker přehodnocuje top kandidáty vrácené embedderem a v našem testu posunul Recall@10 více než swapování embedderů. Proto je otázka „které embedding API je nejlepší“ špatnou první otázkou, pokud jste ještě nepřidali reranker.

Přemýšlejte o embeddingu plus rerank jako o stacku. Embedder nahodí širokou síť přes váš korpus; reranker setřídí úlovek. Zvolíte-li OpenAI pro embeddingy, stále potřebujete reranker jinde, obvykle Cohere Rerank, což změní volbu jednoho vendora na dva. Pro orchestraci kolem všeho tohoto se podívejte na zbytek RAG stacku.

Změna poskytovatelů: Náklady na re-embedding, které nikdo nezmiňuje

Změna poskytovatele embeddingů znamená re-embedding celého vašeho korpusu. Embeddingy nejsou mezi vendory zaměnitelné, takže Voyage vector a OpenAI vector žijí v různých prostorech. Jsou to reálné migrační náklady, které téměř žádná srovnávací stránka nekvantifikuje.

Výjimka, kterou stojí za to znát: sdílený embeddingový prostor od Voyage vám umožňuje přepínat mezi modely Voyage (lite na large) bez přeindexování. Napříč vendory však počítejte s plným re-embedem všeho, co jste indexovali. Rozpočtěte si náklady na tokeny pro překódování celého korpusu před změnou, ne po ní. Pokud je vaším skutečným problémem celková LLM spend, podívejte se, jak se porovnávají subscription plány na náklady. Preferujete self-hosted místo placení za token? Podívejte se na našeho průvodce během embedding modelů lokálně s Ollama. A pokud raději úplně přeskočíte embeddingy a koupíte retrieval jako managed search API, je to také validní cesta.

O autorovi

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

Často kladené otázky

Je Voyage skutečně lepší než OpenAI embeddings?

Na špičkové vyhledávání ano, na papíře. voyage-4-large reportuje ~14 % vyšší nDCG@10 než text-embedding-3-large, ale to je vlastní benchmark RTEB od Voyage, nikoliv nezávislý. Na našem korpusu byl rozdíl v reálné doméně asi 3 body a reranker ho dále stahuje. Voyage vyhrává ve špičkovém vyhledávání; OpenAI vyhrává v ekosystému a stabilitě.

Které embedding API je nejlevnější?

Dva budget tiery jsou vyrovnané. voyage-4-lite a text-embedding-3-small oba stojí 0,02 $/M tokenů k červenci 2026. Pro dostatečně dobrý obecný RAG index při tight budgetu funguje kterýkoliv. Malý model od OpenAI má širší podporu toolingu; voyage-4-lite vám dává upgrade path ve sdíleném embeddingovém prostoru na voyage-4-large později.

Má OpenAI reranker?

Ne. OpenAI nenabízí žádný rerank endpoint k červenci 2026, pouze embeddingy a chat modely. Pokud vaše RAG pipeline potřebuje reranking (a většina production ones z toho benefituje), párujete OpenAI embeddingy s Cohere Rerank 4 nebo cross-encoderem jako je BGE reranker. NeNavrhujte svou architekturu s předpokladem, že existuje nativní OpenAI reranker.

Je Cohere Embed v4 lepší než OpenAI pro vícejazyčnost?

Ano. Cohere je lídrem ve vícejazyčnosti a multimodalitě ze všech tří, marketovaný napříč 100+ jazyky, zatímco text-embedding-3-large od OpenAI je slušný, ale není pozicován jako vícejazyčný model. V našem testu se nejjasnější výhoda Cohere projevila na podsadě non-english ticketů. Pro anglické-only RAG se mezera mezi nimi značně zužuje.

Mohu změnit poskytovatele embeddingů bez přeindexování?

Ne. Embeddingy od různých vendorů žijí v různých vektorových prostorech, takže změna providera znamená re-embedding celého vašeho korpusu. Jediná výjimka: sdílený embeddingový prostor od Voyage vám umožňuje přepínat mezi modely Voyage (lite na large) bez přeindexování. Rozpočtěte si náklady na tokeny pro plné překódování před migrací napříč vendory.

Jaké je kontextové okno každého providera?

Liší se výrazně. text-embedding-3-large od OpenAI capuje na 8191 tokenech, Voyage voyage-4-large je kolem 32K (potvrďte na aktuální docs page) a Cohere embed-v4.0 zvládá 128K. voyage-context-4 od Voyage přidává 120K dokumentového kontextu pro kontextualizované chunk embeddingy. Pro long-document RAG vám Cohere a voyage-context-4 dávají nejvíce headroomu.

Voyage-4 vs voyage-context-4 — který pro RAG?

Použijte voyage-context-4 pro chunking-heavy nebo long-document RAG, protože každý chunk kóduje svůj okolní dokumentový kontext, což zlepšuje retrieval na fragmentovaném textu. Použijte voyage-4-large pro standardní single-passage retrieval, kde jsou chunky již self-contained. Obě stojí 0,12 $/M k červenci 2026, takže volba je o struktuře dokumentu, ne o ceně.

Který je nejlepší pro code-retrieval RAG?

Voyage je obvyklá volba pro code retrieval, protože jeho specializované modely jsou na tuto doménu naladěny, ačkoli open modely jako Qwen3 jsou silnými contendery také. Pokud je code search vaší primární workload, benchmarkujte Voyage proti open-source code embedderu na vašem vlastním repozitáři. Podívejte se na celkový žebříček 9 modelů včetně open-source možností pro open picks.

Stavíte production RAG pipeline a chcete druhý názor na stack? Získejte bezplatnou konzultaci.