Voyage vs OpenAI vs Cohere Embeddings: Ich habe alle 3 für RAG getestet (2026)

Voyage vs OpenAI vs Cohere Embeddings: Ich habe alle 3 für RAG getestet (2026)

Voyage vs OpenAI vs Cohere Embeddings ist 2026 eine andere Frage als 2024. Voyage brachte am 15. Januar voyage-4 und am 29. Juni voyage-context-4 heraus. Cohere veröffentlichte Embed v4. Und OpenAI? Seit Januar 2024 nichts Neues. Diese zweieinhalb Jahre Lücke verändert die Rechnung, gegen welche gehostete API Sie Ihre RAG-Pipeline indizieren sollten.

Schnelles Fazit: Welche Embedding-API sollten Sie wählen?

Für RAG in 2026 wählen Sie Voyage für die beste Retrieval-Qualität, OpenAI für die sicherste, gut dokumentierte Standardlösung und Cohere für Mehrsprachigkeit, Multimodalität oder Embedding-plus-Reranker aus einer Hand. Eine Einschränkung vorab: Die vielzitierte „14 % besser"-Zahl stammt aus Voyages eigenem RTEB-Benchmark, nicht aus einem unabhängigen MTEB-Ergebnis. Ordnen Sie sie entsprechend ein.

Voyage, wählen Sie, wenn Retrieval-Qualität Ihr eigentlicher Engpass ist, Sie in einer spezialisierten Domäne arbeiten (Code, Recht, Finanzen) oder Sie den Upgrade-Pfad über den gemeinsamen Embedding-Raum nutzen möchten, der den Wechsel zwischen Voyage-Modellen ohne Neu-Indizierung erlaubt. Kleinstes Ökosystem der drei, aber auf dem Papier das schärfste Retrieval.

OpenAI, wählen Sie, wenn Sie den am besten dokumentierten Standard mit der breitesten SDK-Unterstützung und planbaren Preisen für englischsprachiges Allgemein-RAG wollen. Es ist die langweilige, sichere Wahl. Der Nachteil: kein nativer Reranker und eine Modellreihe, die seit Januar 2024 nicht aktualisiert wurde.

Cohere, wählen Sie, wenn Sie mehrsprachiges Retrieval (100+ Sprachen), Multimodalität (Text plus Bild) oder Embeddings zusammen mit dem marktüblichen gehosteten Reranker (Rerank 4) von einem einzigen Anbieter benötigen. Teurer, sobald sich Rerank-Suchanfragen häufen, aber der Ein-Anbieter-Stack ist praktisch.

Möchten Sie das größere Bild inklusive selbst gehosteter Optionen sehen? Siehe das vollständige Ranking aller 9 Modelle inklusive Open-Source-Optionen. Dieser Spoke geht ausschließlich in die Tiefe der drei gehosteten APIs.

Voyage, OpenAI und Cohere Embeddings im Überblick

Die folgende Tabelle vergleicht das jeweilige Flaggschiff-Modell jedes Anbieters nach Qualität, Dimensionen, Kontext, Preis, Mehrsprachigkeit und Reranker-Pairing. Ein ehrlicher Hinweis vorab: Es gibt keine saubere, öffentliche MTEB-Zeile, die alle drei zum gleichen Zeitpunkt vergleicht. Deshalb wird jede Qualitätszahl mit Quelle und Datum angegeben, statt in einer einzigen Spalte vermischt zu werden.

Die Preise gelten Stand Juli 2026. Prüfen Sie sie vor einer Entscheidung erneut auf den Preisseiten der Anbieter, da sich die Embedding-Preise in der ersten Hälfte von 2026 bereits zweimal geändert haben. Dimensionen wirken sich auch auf die Kosten aus: Je kleiner Sie truncaten, desto günstiger speichern Sie diese Embeddings in einer Vektordatenbank.

Voyage AI: Erstklassiges Retrieval (wenn Sie neu einbetten können)

Voyage AI liefert laut eigenen Benchmarks die schärfste Retrieval-Qualität der drei Anbieter, dazu einen gemeinsamen Embedding-Raum, der den Wechsel zwischen den voyage-4-Modellgrößen ohne Neu-Indizierung erlaubt. Die voyage-4-Familie erschien am 15. Januar 2026: voyage-4-large für $0.12/M, voyage-4 für $0.06, voyage-4-lite für $0.02.

Alle drei Größen nutzen eine Mixture-of-Experts-Architektur und teilen sich einen Embedding-Raum, sodass ein Upgrade von lite auf large keine vollständige Neu-Indizierung erzwingt. Dazu kommt voyage-context-4 (29. Juni 2026, $0.12/M, herabgesetzt von $0.18 bei context-3), das kontextualisierte Chunk-Embeddings erzeugt: Jeder Chunk kodiert seinen umgebenden Dokumentkontext, mit einem 32K-Fenster pro Chunk und 120K Dokumentkontext. Voyage kombiniert seine Embedder mit rerank-2.5 für $0.05/M.

Hier der Ehrlichkeits-Hinweis, der jede Voyage-Behauptung begleiten muss: Die Schlagzeile „voyage-4-large schlägt OpenAI um ~14.05% und Cohere um ~8.20%" ist Voyages eigenes RTEB-Ergebnis (ein Benchmark über 29 Datensätze, nDCG@10), selbst gemeldet im Launch-Blog vom 15. Januar. Es ist kein unabhängiger MTEB-Score. Deshalb entscheidet die MTEB-Zahl allein hier nicht für Sie.

Embedding mit Voyage ist wenige Zeilen Code:

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

Wählen Sie Voyage, wenn Retrieval-Qualität der Punkt ist, der Ihr RAG ausbremst. Ehrliche Grenzen: Es ist das kleinste Ökosystem der drei, die 14-%-Zahl stammt vom Anbieter selbst, und der Wechsel zu Voyage bedeutet, Ihren gesamten Korpus neu einzubetten.

OpenAI Embeddings: Die sichere Standardwahl (ohne Reranker)

OpenAI ist die sicherste, am besten dokumentierte Standardwahl: text-embedding-3-large hat die breiteste SDK- und Tooling-Unterstützung jeder Embedding-API, mit planbaren Preisen und solidem Retrieval für Englisch. Die richtige Wahl, wenn Sie keine Überraschungen wollen und jedes Framework sie bereits von Haus aus unterstützt.

text-embedding-3-large kostet $0.13/M ($0.065 im Batch), unterstützt bis zu 3072 Dimensionen per Matryoshka-Truncation und verarbeitet einen Kontext von 8191 Tokens. Das Budget-Geschwister text-embedding-3-small kostet $0.02/M bei 1536 Dimensionen und schlägt sich für allgemeines RAG gut.

Zwei Wahrheiten, die keine Konkurrenzseite erwähnt. Erstens: Es gibt kein text-embedding-4 – OpenAIs Embeddings-Dokumentation listet weiterhin nur die 3er-Serie. Die Reihe wurde seit Januar 2024 nicht aktualisiert, Sie würden also auf einem rund 2,5 Jahre alten Modell indizieren, während Voyage und Cohere 2026er-Releases veröffentlicht haben. Zweitens: OpenAI liefert keinen nativen Reranker. Teams, die einen brauchen, kombinieren OpenAI-Embeddings mit Cohere Rerank oder einem Cross-Encoder. Es gibt Stand Juli 2026 keinen OpenAI-Rerank-Endpunkt, planen Sie Ihre Architektur also nicht darum herum.

Mehrsprachigkeit ist ordentlich (MIRACL verbesserte sich beim Launch auf ~54.9%), aber OpenAI ist kein Mehrsprachigkeits-Marktführer. Bei einer Entscheidung voyage-4-large vs. text-embedding-3-large tauscht OpenAI Spitzen-Retrieval gegen Stabilität und Ökosystem-Breite.

Wählen Sie OpenAI, wenn Sie die langweilige, verlässliche Standardwahl für englischsprachiges Allgemein-RAG mit der besten Dokumentation wollen. Ehrliche Grenzen: kein Reranker, und ein Modell, das seit 2,5 Jahren statisch ist, während sich das Feld weiterbewegt hat.

Cohere Embed v4: Multimodal + bester gehosteter Reranker

Cohere Embed v4 ist der Mehrsprachigkeits- und Multimodalitäts-Marktführer und der Einzige der drei, der nativ mit dem marktüblichen gehosteten Reranker zusammenspielt. Wenn Ihr Korpus über 100+ Sprachen verteilt ist oder Text und Bilder mischt, ist das die stärkste Passung.

embed-v4.0 kostet $0.12/M, verarbeitet einen Kontext von 128K Tokens und unterstützt multimodale Eingaben (Text, Bilder und verschachtelte Dokumente). Die Dimensionen liegen bei 256/512/1024/1536 per Matryoshka, 1536 ist der Standard. Die v3-Reihe war reiner Text bei 1024 Dimensionen, v4 ist also ein echter Schritt nach vorn bei Modalität und Kontext.

Der eigentliche Grund für Cohere ist der Stack: Kombinieren Sie Embed v4 mit Rerank 4, und Sie erhalten Embedding plus Reranking aus einer Hand. Rerank 4 Fast kostet $2.00 pro 1.000 Suchen, Rerank 4 Pro $2.50 pro 1.000, wobei eine Suche einer Abfrage gegen bis zu 100 Dokumente entspricht. Für Unternehmen, die Isolation brauchen, kosten Coheres dedizierte Model-Vault-Stufen $2,500–6,500/Monat – aber das ist die Enterprise-Option, nicht der Standard.

Wählen Sie Cohere, wenn Sie Mehrsprachigkeit, Multimodalität oder einen Ein-Anbieter-Stack aus Embedding plus Rerank brauchen. Ehrliche Grenzen: Es wird teurer, sobald sich Rerank-Suchen häufen, und bei rein englischem Text ist die Embedding-Qualität pro Token kein klarer Sieg gegenüber Voyage.

Wir haben alle drei am selben Korpus getestet

Wir haben unseren internen RAG-Korpus erneut gegen genau die drei Flaggschiff-APIs laufen lassen, und der wichtigste Befund hat uns überrascht: Ein Reranker verschob Recall@10 stärker als die Lücke zwischen zwei beliebigen Embeddern. Hier der Aufbau und die Zahlen.

Der Korpus ist derselbe ~10.000-Dokument-Satz aus englischen technischen Dokumenten und Support-Tickets, den wir im Hub-Benchmark verwendet haben, damit die Zahlen über den Cluster hinweg konsistent bleiben. Aber das ist ein reiner API-Ausschnitt: genau voyage-4-large, text-embedding-3-large und cohere embed-v4.0. Die Open-Source-Modelle haben wir hier nicht erneut getestet – das ist Aufgabe des Hubs. Wir haben Recall@10 und nDCG@10 gegen einen handbeschrifteten Satz von ~120 Abfragen gemessen, die p95-Embedding-Latenz bei einem 1.000-Chunk-Batch erfasst und die effektiven Kosten pro 1M Tokens bei unserem Volumen berechnet.

voyage-4-large führte bei Recall@10 in unserem Set (0.89 vs. 0.86), aber um rund 3 Punkte gegenüber OpenAI, nicht die 14 %, die Voyages RTEB-Schlagzeile nahelegt. In unserer Domäne war die reale Lücke deutlich kleiner. Das Truncaten von text-embedding-3-large von 3072 auf 1024 Dimensionen kostete nur rund 3 Punkte Recall@10 (auf 0.83), senkte aber unsere Vektor-DB-Speicherkosten um etwa das 3-Fache. Coheres Vorsprung zeigte sich auf unserem nicht-englischen Ticket-Subset, nicht bei Englisch. Und der Reranker? Das Hinzufügen von Cohere Rerank 4 (oder voyage rerank-2.5) hob Recall@10 bei allen drei Embeddern um rund 6 Punkte an. Auf unserem Korpus verschob ein Reranker Recall@10 stärker, als der Wechsel des Embedders es tat.

Die Reranker-Frage: Warum Ihre Embedder-Wahl nicht die ganze Geschichte ist

Ihr Embedder ist eine Schicht, nicht der gesamte Retrieval-Stack. Ein Reranker bewertet die Top-Kandidaten neu, die ein Embedder zurückgibt, und in unserem Test verschob er Recall@10 stärker als ein Wechsel des Embedders. Deshalb ist „welche Embedding-API ist die beste" die falsche erste Frage, solange Sie noch keinen Reranker hinzugefügt haben.

Stellen Sie sich Embedding plus Rerank als Stack vor. Der Embedder wirft ein weites Netz über Ihren Korpus; der Reranker sortiert den Fang. Entscheiden Sie sich für OpenAI-Embeddings, brauchen Sie trotzdem einen Reranker anderswo, meist Cohere Rerank, was aus einer Ein-Anbieter-Wahl eine Zwei-Anbieter-Wahl macht. Für die Orchestrierung rund um all das siehe den Rest des RAG-Stacks.

Anbieterwechsel: Die Neu-Einbettungskosten, die niemand erwähnt

Ein Wechsel der Embedding-Anbieter bedeutet, Ihren gesamten Korpus neu einzubetten. Embeddings sind zwischen Anbietern nicht austauschbar, ein Voyage-Vektor und ein OpenAI-Vektor leben also in unterschiedlichen Räumen. Das sind reale Migrationskosten, die kaum eine Vergleichsseite beziffert.

Die Ausnahme, die Sie kennen sollten: Voyages gemeinsamer Embedding-Raum erlaubt den Wechsel zwischen Voyage-Modellen (lite zu large) ohne Neu-Indizierung. Anbieterübergreifend sollten Sie dagegen ein vollständiges Neu-Einbetten von allem einplanen, was Sie bereits indiziert haben. Kalkulieren Sie die Token-Kosten für das Neu-Kodieren Ihres gesamten Korpus, bevor Sie wechseln, nicht danach. Wenn die gesamten LLM-Ausgaben Ihre eigentliche Sorge sind, siehe wie sich Abo-Pläne bei den Kosten vergleichen. Möchten Sie lieber selbst hosten, statt pro Token zu zahlen? Das ist ein eigenständiges Vorhaben, das einen eigenen Leitfaden verdient. Und wenn Sie Embeddings lieber ganz überspringen und Retrieval als verwaltete Such-API einkaufen möchten, ist das ebenfalls ein gangbarer Weg.

Häufig gestellte Fragen

Ist Voyage tatsächlich besser als OpenAI-Embeddings?

Beim Spitzen-Retrieval ja, zumindest auf dem Papier. voyage-4-large meldet ~14 % höheres nDCG@10 als text-embedding-3-large, aber das ist Voyages eigener RTEB-Benchmark, nicht unabhängig. Auf unserem Korpus lag die reale Lücke bei rund 3 Punkten, und ein Reranker verkleinert sie weiter. Voyage gewinnt beim Spitzen-Retrieval, OpenAI gewinnt bei Ökosystem und Stabilität.

Welche Embedding-API ist am günstigsten?

Die beiden Budget-Stufen liegen gleichauf. voyage-4-lite und text-embedding-3-small kosten Stand Juli 2026 beide $0.02/M Tokens. Für einen ausreichend guten allgemeinen RAG-Index bei knappem Budget funktionieren beide. OpenAIs kleines Modell hat die breitere Tooling-Unterstützung; voyage-4-lite gibt Ihnen den Upgrade-Pfad über den gemeinsamen Embedding-Raum zu voyage-4-large später.

Hat OpenAI einen Reranker?

Nein. OpenAI liefert Stand Juli 2026 keinen Rerank-Endpunkt, nur Embeddings und Chat-Modelle. Wenn Ihre RAG-Pipeline Reranking braucht – und die meisten produktiven Pipelines profitieren davon –, kombinieren Sie OpenAI-Embeddings mit Cohere Rerank 4 oder einem Cross-Encoder wie einem BGE-Reranker. Planen Sie Ihre Architektur nicht so, als gäbe es einen nativen OpenAI-Reranker.

Ist Cohere Embed v4 für Mehrsprachigkeit besser als OpenAI?

Ja. Cohere ist der Mehrsprachigkeits- und Multimodalitäts-Marktführer der drei, vermarktet über 100+ Sprachen, während OpenAIs text-embedding-3-large ordentlich, aber nicht als mehrsprachiges Modell positioniert ist. In unserem Test zeigte sich Coheres klarster Vorteil auf dem nicht-englischen Ticket-Subset. Bei rein englischem RAG schrumpft die Lücke zwischen ihnen deutlich.

Kann ich Embedding-Anbieter ohne Neu-Indizierung wechseln?

Nein. Embeddings verschiedener Anbieter leben in unterschiedlichen Vektorräumen, ein Anbieterwechsel bedeutet also, Ihren gesamten Korpus neu einzubetten. Die eine Ausnahme: Voyages gemeinsamer Embedding-Raum erlaubt den Wechsel zwischen Voyage-Modellen (lite zu large) ohne Neu-Indizierung. Kalkulieren Sie die Token-Kosten eines vollständigen Neu-Kodierens, bevor Sie anbieterübergreifend migrieren.

Wie groß ist das Kontextfenster jedes Anbieters?

Sie unterscheiden sich stark. OpenAIs text-embedding-3-large deckelt bei 8191 Tokens, Voyages voyage-4-large liegt bei rund 32K (auf der aktuellen Docs-Seite bestätigen), und Coheres embed-v4.0 verarbeitet 128K. Voyages voyage-context-4 fügt einen 120K-Dokumentkontext für kontextualisierte Chunk-Embeddings hinzu. Für RAG mit langen Dokumenten geben Cohere und voyage-context-4 den meisten Spielraum.

Voyage-4 vs. voyage-context-4 – was ist besser für RAG?

Nutzen Sie voyage-context-4 für Chunking-lastiges oder RAG mit langen Dokumenten, da jeder Chunk seinen umgebenden Dokumentkontext kodiert, was das Retrieval bei fragmentiertem Text verbessert. Nutzen Sie voyage-4-large für Standard-Einzelpassagen-Retrieval, bei dem Chunks bereits eigenständig sind. Beide kosten Stand Juli 2026 $0.12/M, die Wahl hängt also von der Dokumentstruktur ab, nicht vom Preis.

Was ist am besten für Code-Retrieval-RAG?

Voyage ist üblicherweise die Wahl für Code-Retrieval, da seine spezialisierten Modelle auf diese Domäne abgestimmt sind, auch wenn offene Modelle wie Qwen3 ebenfalls starke Konkurrenten sind. Wenn Codesuche Ihre primäre Aufgabe ist, benchmarken Sie Voyage gegen einen Open-Source-Code-Embedder in Ihrem eigenen Repository. Siehe das vollständige Ranking aller 9 Modelle inklusive Open-Source-Optionen für die offenen Optionen.

Bauen Sie eine produktive RAG-Pipeline und möchten eine zweite Meinung zum Stack? Kostenlose Beratung anfragen.