Voyage vs OpenAI vs Cohere Embeddings: Jeg testede alle 3 til RAG (2026)

Voyage vs OpenAI vs Cohere Embeddings: Jeg testede alle 3 til RAG (2026)

Spørgsmålet om Voyage vs OpenAI vs Cohere embeddings er et spørgsmål for 2026, ikke 2024. Voyage lancerede voyage-4 den 15. januar og voyage-context-4 den 29. juni. Cohere lancerede Embed v4. OpenAI? Intet nyt siden januar 2024. Det to-og-et-halvt år lange gab ændrer regnestykket for, hvilken hostet API du bør indeksere din RAG-pipeline imod.

Hurtig konklusion: Hvilken Embedding API skal du vælge?

Til RAG i 2026 skal du vælge Voyage for den højeste hentekvalitet, OpenAI for det sikreste, vel dokumenterede standardvalg og Cohere til flersprogede, multimodale opgaver eller hvis du ønsker embedding plus reranker fra én leverandør. En vigtig forbehold først: den ofte citerede figur på "14% bedre" stammer fra Voyages eget RTEB-benchmark, ikke et uafhængigt MTEB-resultat. Tilskriv det derefter.

Voyage, vælg hvis hentekvalitet er din egentlige flaskehals, du arbejder i et specialiseret domæne (kode, jura, finans), eller du ønsker opgraderingsstien med delt embedding-rum, der lader dig skifte mellem Voyage-modeller uden at reindeksere. Mindste økosystem af de tre, men den skarpeste hentekvalitet på papiret.

OpenAI, vælg hvis du vil have det bedst dokumenterede standardvalg med den bredeste SDK-understøttelse og forudsigelige priser til engelsk-generel RAG. Det er det kedelige, sikre valg. Ulempen: ingen native reranker og en modellinje, der ikke er blevet opdateret siden januar 2024.

Cohere, vælg hvis du har brug for flersproget hentning (100+ sprog), multimodalitet (tekst plus billede), eller ønsker embeddings og markedsstandarden for hostet reranker (Rerank 4) fra en enkelt leverandør. Dyrere når reranker-søgninger hober sig op, men one-vendor-stacken er bekvem.

Vil du have det bredere overblik inklusive self-hosted muligheder? Se den fulde rangering af 9 modeller inklusive open-source muligheder. Denne artikel dykker dybt ned i kun de tre hostede API'er.

Voyage, OpenAI og Cohere Embeddings ved første øjekast

Tabellen nedenfor sammenligner hver udbyders flagskibsmodel på kvalitet, dimensioner, kontekst, pris, flersproget styrke og reranker-parring. En ærlig bemærkning upfront: der findes ingen ren "æbler-til-æbler" offentlig MTEB-række, der rangerer alle tre på samme tidspunkt, så hver kvalitetsfigur er citeret med sin kilde og dato frem for at blive mast ind i én kolonne.

Priserne er gældende fra juli 2026, så bekræft igen på leverandørernes prissider, før du binder dig, da embedding-priserne rykkede sig to gange i første halvdel af 2026. Dimensioner betyder også noget for omkostningerne: jo mindre du trunkerer, jo billigere bliver det at gemme disse embeddings i en vektordatabase.

Voyage AI: Bedste-i-klassen hentekvalitet (hvis du kan re-embedde)

Voyage AI leverer den skarpeste hentekvalitet af de tre på deres egne benchmarks, plus et delt embedding-rum, der lader dig skifte mellem voyage-4 modelstørrelser uden at reindeksere. Voyage-4 familien blev lanceret den 15. januar 2026: voyage-4-large til $0.12/M, voyage-4 til $0.06, voyage-4-lite til $0.02.

Alle tre størrelser bruger en Mixture-of-Experts arkitektur og deler ét embedding-rum, så en opgradering fra lite til large ikke tvinger en fuld reindeksering. Så er der voyage-context-4 (29. juni 2026, $0.12/M, ned fra $0.18 for context-3), som producerer kontekstualiserede chunk-embeddings: hver chunk koder sit omkringliggende dokumentkontekst, med et 32K per-chunk vindue og 120K dokumentkontekst. Voyage parrer sine embeddere med rerank-2.5 til $0.05/M.

Her er ærlighedsnoten, der skal følge med enhver Voyage-påstand: overskriften "voyage-4-large slår OpenAI med ~14.05% og Cohere med ~8.20%" er Voyages eget RTEB-resultat (et 29-datasæt benchmark, nDCG@10), selvrapporteret i launch-bloggen den 15. januar. Det er ikke en uafhængig MTEB-score. Derfor afgør MTEB-tallet alene ikke dette for dig.

Embedding med Voyage er få linjer:

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

Vælg Voyage hvis hentekvalitet er det, der holder din RAG tilbage. Ærlige begrænsninger: det er det mindste økosystem af de tre, 14%-tallet er leverandørrapporteret, og skift til Voyage betyder re-embedding af hele dit korpus.

OpenAI Embeddings: Det sikre standardvalg (uden reranker)

OpenAI er det sikreste, mest dokumenterede standardvalg: text-embedding-3-large har den bredeste SDK- og værktøjsunderstøttelse af enhver embedding API, med forudsigelige priser og solid engelsk hentekvalitet. Det er valget, når du vil have nul overraskelser, og hvert framework allerede understøtter det out-of-the-box.

text-embedding-3-large koster $0.13/M ($0.065 batch), understøtter op til 3072 dimensioner via Matryoshka-trunkering og håndterer en kontekst på 8191 tokens. Budget-søskenden, text-embedding-3-small, koster $0.02/M ved 1536 dimensioner og holder godt til generel RAG.

To sandheder, som ingen konkurrentside nævner. Først: der er ingen text-embedding-4 — OpenAIs embeddings docs lister stadig kun 3-serien. Linjen er ikke blevet opdateret siden januar 2024, så du ville indeksere baseret på en cirka 2,5 år gammel model, mens Voyage og Cohere lancerede 2026-releases. For det andet: OpenAI leverer ingen native reranker. Teams, der har brug for en, parrer OpenAI embeddings med Cohere Rerank eller en cross-encoder. Der er ingen OpenAI rerank-endpoint pr. juli 2026, så design ikke din arkitektur omkring en sådan.

Flersproget understøttelse er decent (MIRACL forbedret til ~54.9% ved lancering), men OpenAI er ikke en flersproget leder. I en beslutning mellem voyage-4-large og text-embedding-3-large bytter OpenAI peak hentekvalitet ud med stabilitet og økosystemets bredde.

Vælg OpenAI hvis du vil have det kedelige, pålidelige standardvalg til engelsk-generel RAG med den bedste dokumentation. Ærlige begrænsninger: ingen reranker, og en model der har været statisk i 2,5 år, mens feltet har bevæget sig.

Cohere Embed v4: Multimodal + Bedste hostede reranker

Cohere Embed v4 er lederen inden for flersprogede og multimodale opgaver og den eneste af de tre, der parrer nativt med markedsstandarden for hostet reranker. Hvis dit korpus spænder over 100+ sprog eller blander tekst og billeder, er dette den stærkeste fit.

embed-v4.0 koster $0.12/M, håndterer en kontekst på 128K tokens og understøtter multimodal input (tekst, billeder og flettede dokumenter). Dimensionerne er 256/512/1024/1536 via Matryoshka, med 1536 som standard. V3-linjen var kun tekst-baseret med 1024 dimensioner, så v4 er et genuint skridt op både på modalitet og kontekst.

Den virkelige grund til at vælge Cohere er stacken: par Embed v4 med Rerank 4, og du får embedding plus reranking fra én leverandør. Rerank 4 Fast koster $2.00 per 1.000 søgninger, Rerank 4 Pro koster $2.50 per 1.000, hvor én søgning svarer til én query mod op til 100 dokumenter. For virksomheder, der har brug for isolation, kører Coheres Model Vault dedikerede niveauer $2.500–6.500/md., men det er enterprise-optionen, ikke standarden.

Vælg Cohere hvis du har brug for flersprogede, multimodale opgaver eller en single-vendor embed-plus-rerank stack. Ærlige begrænsninger: det bliver dyrere, når reranker-søgninger hober sig op, og på ren engelsk tekst er dens per-token embedding-kvalitet ikke en klar gevinst i forhold til Voyage.

Vi testede alle tre på samme korpus

Vi genkørte vores interne RAG-korpus mod kun de tre flagskibs-API'er, og hovedfundet overraskede os: en reranker flyttede Recall@10 mere end kløften mellem nogen af de to embeddere gjorde. Her er opsætningen og tallene.

Korpusset er det samme sæt på ~10.000 dokumenter med engelske tekniske docs og support-tickets, som vi brugte i hub-benchmarket, så tallene forbliver konsistente på tværs af clusteret. Men dette er kun et API-snit: præcis voyage-4-large, text-embedding-3-large og cohere embed-v4.0. Vi testede ikke open-source modellerne her igen; det er hubbens job. Vi scorede Recall@10 og nDCG@10 mod et manuelt mærket sæt på ~120 queries, målte p95 embedding-latency på en batch med 1.000 chunks og beregnede effektiv omkostning per 1M tokens ved vores volumen.

voyage-4-large førte Recall@10 på vores sæt (0.89 vs 0.86), men med kun omkring 3 point frem for OpenAI, ikke de 14% som Voyages RTEB-overskrift antyder. På vores domæne var det reelle gab meget mindre. Trunkering af text-embedding-3-large fra 3072 til 1024 dimensioner kostede kun omkring 3 point af Recall@10 (til 0.83), mens det skar vores vektor-DB-lagring med cirka 3x. Coheres fordel viste sig på vores ikke-engelske ticket-delmenge, ikke på engelsk. Og rerankeren? Tilføjelse af Cohere Rerank 4 (eller voyage rerank-2.5) løftede Recall@10 med omkring 6 point på alle tre embeddere. På vores korpus flyttede en reranker Recall@10 mere end et skift af embeddere gjorde.

Reranker-spørgsmålet: Hvorfor dit valg af embedder ikke er hele historien

Din embedder er ét lag, ikke hele hentestacken. En reranker genscorer de topkandidater, en embedder returnerer, og i vores test flyttede den Recall@10 mere end udskiftning af embeddere. Derfor er "hvilken embedding API er bedst" det forkerte første spørgsmål, hvis du endnu ikke har tilføjet en reranker.

Tænk på embedding plus rerank som en stack. Embedderen kaster et bredt net over dit korpus; rerankeren sorterer fangsten. Vælger du OpenAI til embeddings, har du stadig brug for en reranker et andet sted, typisk Cohere Rerank, hvilket gør et one-vendor valg til et two-vendor valg. Til orkestreringen af alt dette, se resten af RAG-stacken.

Skift af udbydere: Re-embedding omkostningen som ingen nævner

Skift af embedding-udbyder betyder re-embedding af hele dit korpus. Embeddings er ikke udskiftelige på tværs af udbydere, så en Voyage-vektor og en OpenAI-vektor lever i forskellige rum. Det er en reel migrationsomkostning, som næsten ingen sammenligningssider kvantificerer.

Undtagelsen værd at kende: Voyages delte embedding-rum lader dig skifte mellem Voyage-modeller (lite til large) uden reindeksering. På tværs af udbydere skal du dog planlægge en fuld re-embed af alt, hvad du har indekseret. Budgetter token-omkostningen ved at re-kode hele dit korpus, før du skifter, ikke bagefter. Hvis total LLM-udgift er din egentlige bekymring, se hvordan abonnementsplaner sammenlignes på omkostning. Foretrækker du at self-hoste i stedet for at betale per token? Se vores guide til at køre embedding-modeller lokalt med Ollama. Og hvis du hellere vil springe embeddings helt over og købe retrieval som en managed search API, er det også en gyldig vej.

Ofte stillede spørgsmål

Er Voyage faktisk bedre end OpenAI embeddings?

På peak retrieval, ja på papiret. voyage-4-large rapporterer ~14% højere nDCG@10 end text-embedding-3-large, men det er Voyages eget RTEB-benchmark, ikke uafhængigt. På vores korpus var gapet i det reelle domæne omkring 3 point, og en reranker lukker det yderligere. Voyage vinder på peak retrieval; OpenAI vinder på økosystem og stabilitet.

Hvilken embedding API er billigst?

De to budgetniveauer er lige. voyage-4-lite og text-embedding-3-small koster begge $0.02/M tokens pr. juli 2026. Til et "good-enough" generelt RAG-indeks på et stramt budget fungerer begge. OpenAIs lille model har bredere værktøjsunderstøttelse; voyage-4-lite giver dig opgraderingsstien med delt embedding-rum til voyage-4-large senere.

Har OpenAI en reranker?

Nej. OpenAI leverer ingen rerank-endpoint pr. juli 2026, kun embeddings og chat-modeller. Hvis din RAG-pipeline har brug for reranking, og de fleste produktionspipelines drager fordel af det, parrer du OpenAI embeddings med Cohere Rerank 4 eller en cross-encoder som en BGE reranker. Design ikke din arkitektur under antagelse af, at en native OpenAI reranker eksisterer.

Er Cohere Embed v4 bedre end OpenAI til flersprogede opgaver?

Ja. Cohere er lederen inden for flersprogede og multimodale opgaver af de tre, markedsført på tværs af 100+ sprog, mens OpenAIs text-embedding-3-large er decent, men ikke positioneret som en flersproget model. I vores test viste Coheres klareste fordel sig på den ikke-engelske ticket-delmenge. Til engelsk-only RAG indsnævres gapet mellem dem betydeligt.

Kan jeg skifte embedding-udbyder uden reindeksering?

Nej. Embeddings fra forskellige udbydere lever i forskellige vektorrum, så skift af udbyder betyder re-embedding af hele dit korpus. Den ene undtagelse: Voyages delte embedding-rum lader dig skifte mellem Voyage-modeller (lite til large) uden reindeksering. Budgetter token-omkostningen ved en fuld re-kode, før du migrerer på tværs af udbydere.

Hvad er kontekstvinduet for hver udbyder?

De varierer bredt. OpenAIs text-embedding-3-large caps ved 8191 tokens, Voyage voyage-4-large er omkring 32K (bekræft på den aktuelle docs-side), og Cohere embed-v4.0 håndterer 128K. Voyages voyage-context-4 tilføjer en 120K dokumentkontekst til kontekstualiserede chunk-embeddings. Til long-document RAG giver Cohere og voyage-context-4 dig mest spillerum.

Voyage-4 vs voyage-context-4 — hvilken til RAG?

Brug voyage-context-4 til chunking-heavy eller long-document RAG, da hver chunk koder sit omkringliggende dokumentkontekst, hvilket forbedrer retrieval på fragmenteret tekst. Brug voyage-4-large til standard single-passage retrieval, hvor chunks allerede er selvstændige. Begge koster $0.12/M pr. juli 2026, så valget handler om dokumentstruktur, ikke pris.

Hvilken er bedst til code-retrieval RAG?

Voyage er det sædvanlige valg til code retrieval, da deres specialiserede modeller er tunet til det domæne, selvom open models som Qwen3 er stærke konkurrenter. Hvis code search er din primære workload, benchmark Voyage mod en open-source code embedder på dit eget repository. Se den fulde rangering af 9 modeller inklusive open-source muligheder for de open picks.

Bygger du en produktionsklar RAG-pipeline og vil have en anden mening om stacken? Få en gratis konsultation.