Voyage vs OpenAI vs Cohere Embeddings: Probé las 3 para RAG (2026)

Voyage vs OpenAI vs Cohere Embeddings: Probé las 3 para RAG (2026)

Voyage vs OpenAI vs Cohere embeddings es una pregunta de 2026, no de 2024. Voyage lanzó voyage-4 el 15 de enero y voyage-context-4 el 29 de junio. Cohere lanzó Embed v4. ¿Y OpenAI? Nada nuevo desde enero de 2024. Esos dos años y medio de diferencia cambian los cálculos sobre qué API alojada debería indexar tu pipeline de RAG.

Veredicto Rápido: ¿Qué API de Embeddings Elegir?

Para RAG en 2026, elige Voyage si buscas la máxima calidad de recuperación, OpenAI como la opción segura y mejor documentada, y Cohere para multilingüe, multimodal o embeddings más reranker de un solo proveedor. Una advertencia primero: la cifra tan citada de "14 % mejor" es el benchmark propio de Voyage en RTEB, no un resultado independiente de MTEB. Hay que atribuirla en consecuencia.

Voyage, elígela si la calidad de recuperación es tu verdadero cuello de botella, trabajas en un dominio especializado (código, legal, finanzas), o quieres la ruta de actualización con espacio de embeddings compartido que te permite cambiar entre modelos de Voyage sin reindexar. Es el ecosistema más pequeño de los tres, pero tiene la recuperación más afilada sobre el papel.

OpenAI, elígela si quieres el valor por defecto mejor documentado, con el soporte de SDK más amplio y precios predecibles para RAG en inglés general. Es la opción aburrida y segura. La contrapartida: no tiene reranker nativo, y su línea de modelos no se actualiza desde enero de 2024.

Cohere, elígela si necesitas recuperación multilingüe (más de 100 idiomas), multimodal (texto más imagen), o quieres embeddings junto con el reranker alojado estándar del mercado (Rerank 4) de un único proveedor. Se encarece cuando se acumulan las búsquedas de rerank, pero tener todo con un solo proveedor es cómodo.

¿Quieres el panorama más amplio, incluyendo opciones autoalojadas? Consulta el ranking completo de 9 modelos, incluidas las opciones open-source. Este artículo se centra solo en las tres APIs alojadas.

Voyage, OpenAI y Cohere Embeddings de un Vistazo

La siguiente tabla compara el modelo insignia de cada proveedor en calidad, dimensiones, contexto, precio, fuerza multilingüe y emparejamiento con reranker. Una nota honesta antes de empezar: no existe una fila pública de MTEB limpia y comparable que clasifique a los tres en el mismo momento, así que cada cifra de calidad se cita con su fuente y fecha en lugar de mezclarse en una sola columna.

Los precios son de julio de 2026, así que confírmalos en las páginas de precios de cada proveedor antes de decidirte, ya que los precios de embeddings se movieron dos veces en el primer semestre de 2026. Las dimensiones también importan para el coste: cuanto más truncas, más barato resulta almacenar estos embeddings en una base de datos vectorial.

Voyage AI: La Mejor Recuperación (Si Puedes Reincrustar)

Voyage AI ofrece la calidad de recuperación más afilada de las tres según sus propios benchmarks, además de un espacio de embeddings compartido que te permite cambiar entre los tamaños de modelo voyage-4 sin reindexar. La familia voyage-4 se lanzó el 15 de enero de 2026: voyage-4-large a $0.12/M, voyage-4 a $0.06, voyage-4-lite a $0.02.

Los tres tamaños usan una arquitectura de Mixture-of-Experts y comparten un mismo espacio de embeddings, así que actualizar de lite a large no obliga a reindexar por completo. Luego está voyage-context-4 (29 de junio de 2026, $0.12/M, bajando desde los $0.18 de context-3), que produce embeddings de fragmentos contextualizados: cada fragmento codifica el contexto del documento que lo rodea, con una ventana de 32K por fragmento y 120K de contexto de documento. Voyage empareja sus modelos de embeddings con rerank-2.5 a $0.05/M.

Aquí va la nota de honestidad que debe acompañar a cualquier afirmación de Voyage: el titular "voyage-4-large supera a OpenAI en un ~14.05 % y a Cohere en un ~8.20 %" es el propio resultado de Voyage en RTEB (un benchmark de 29 conjuntos de datos, nDCG@10), autoreportado en el blog de lanzamiento del 15 de enero. No es una puntuación independiente de MTEB. Por eso el número de MTEB por sí solo no debería decidir esto por ti.

Incrustar con Voyage son solo unas líneas:

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

Elige Voyage si la calidad de recuperación es lo que frena tu RAG. Límites honestos: es el ecosistema más pequeño de los tres, la cifra del 14 % viene del propio proveedor, y cambiarte a Voyage implica reincrustar todo tu corpus.

OpenAI Embeddings: El Valor Seguro (Sin Reranker)

OpenAI es el valor por defecto más seguro y mejor documentado: text-embedding-3-large tiene el soporte de SDK y herramientas más amplio de cualquier API de embeddings, con precios predecibles y una recuperación sólida en inglés. Es la opción cuando quieres cero sorpresas y cada framework ya lo soporta de fábrica.

text-embedding-3-large cuesta $0.13/M ($0.065 en batch), admite hasta 3072 dimensiones mediante truncado Matryoshka, y maneja un contexto de 8191 tokens. El hermano económico, text-embedding-3-small, cuesta $0.02/M con 1536 dimensiones y funciona bien para RAG general.

Dos verdades que ninguna página de la competencia menciona. Primera: no existe text-embedding-4 — la documentación de embeddings de OpenAI sigue listando solo la serie 3. La línea no se actualiza desde enero de 2024, así que estarías indexando sobre un modelo de unos 2.5 años mientras Voyage y Cohere lanzaron versiones en 2026. Segunda: OpenAI no ofrece reranker nativo. Los equipos que necesitan uno emparejan los embeddings de OpenAI con Cohere Rerank o un cross-encoder. No existe un endpoint de rerank de OpenAI a fecha de julio de 2026, así que no diseñes tu arquitectura contando con uno.

El soporte multilingüe es decente (MIRACL mejoró a ~54.9 % en su lanzamiento), pero OpenAI no es líder en multilingüe. En una decisión entre voyage-4-large y text-embedding-3-large, OpenAI cambia calidad de recuperación máxima por estabilidad y amplitud de ecosistema.

Elige OpenAI si quieres la opción aburrida y fiable para RAG en inglés general con la mejor documentación. Límites honestos: sin reranker, y un modelo estancado durante 2.5 años mientras el sector avanzaba.

Cohere Embed v4: Multimodal + Mejor Reranker Alojado

Cohere Embed v4 es el líder multilingüe y multimodal, y el único de los tres que se empareja de forma nativa con el reranker alojado estándar del mercado. Si tu corpus abarca más de 100 idiomas o mezcla texto e imágenes, esta es la opción más sólida.

embed-v4.0 cuesta $0.12/M, maneja un contexto de 128K tokens, y admite entrada multimodal (texto, imágenes y documentos intercalados). Las dimensiones son 256/512/1024/1536 vía Matryoshka, con 1536 por defecto. La línea v3 era solo texto con 1024 dimensiones, así que v4 supone un salto real tanto en modalidad como en contexto.

La razón real para elegir Cohere es el stack: empareja Embed v4 con Rerank 4 y obtienes embeddings más reranking de un mismo proveedor. Rerank 4 Fast cuesta $2.00 por cada 1,000 búsquedas, Rerank 4 Pro cuesta $2.50 por cada 1,000, donde una búsqueda equivale a una consulta contra hasta 100 documentos. Para empresas que necesitan aislamiento, los niveles dedicados de Model Vault de Cohere cuestan entre $2,500 y $6,500 al mes, pero esa es la opción enterprise, no la opción por defecto.

Elige Cohere si necesitas multilingüe, multimodal, o un stack de embeddings más reranking de un solo proveedor. Límites honestos: se vuelve más cara cuando se acumulan las búsquedas de rerank, y en texto solo en inglés su calidad de embeddings por token no es una victoria clara frente a Voyage.

Probamos las Tres en el Mismo Corpus

Volvimos a ejecutar nuestro corpus interno de RAG contra solo las tres APIs insignia, y el hallazgo principal nos sorprendió: un reranker movió el Recall@10 más que la diferencia entre cualquier par de modelos de embeddings. Aquí está la configuración y las cifras.

El corpus es el mismo conjunto de unos 10,000 documentos de textos técnicos en inglés y tickets de soporte que usamos en el benchmark del artículo principal, así que los números se mantienen coherentes en todo el clúster. Pero esta es una porción solo-API: exactamente voyage-4-large, text-embedding-3-large y cohere embed-v4.0. No volvimos a probar los modelos open-source aquí; eso es tarea del artículo principal. Medimos Recall@10 y nDCG@10 contra un conjunto etiquetado a mano de unas 120 consultas, medimos la latencia p95 de embeddings sobre un lote de 1,000 fragmentos, y calculamos el coste efectivo por 1M de tokens a nuestro volumen.

voyage-4-large lideró el Recall@10 en nuestro conjunto (0.89 frente a 0.86), pero por unos 3 puntos sobre OpenAI, no el 14 % que implica el titular de RTEB de Voyage. En nuestro dominio, la diferencia real fue mucho más pequeña. Truncar text-embedding-3-large de 3072 a 1024 dimensiones costó solo unos 3 puntos de Recall@10 (bajando a 0.83) mientras reducía nuestro almacenamiento en base de datos vectorial en aproximadamente 3 veces. La ventaja de Cohere apareció en nuestro subconjunto de tickets que no estaban en inglés, no en el subconjunto en inglés. ¿Y el reranker? Añadir Cohere Rerank 4 (o el rerank-2.5 de Voyage) elevó el Recall@10 unos 6 puntos en los tres modelos de embeddings. En nuestro corpus, un reranker movió el Recall@10 más de lo que lo hizo cambiar de modelo de embeddings.

La Cuestión del Reranker: Por Qué Tu Elección de Embeddings No Es Toda la Historia

Tu modelo de embeddings es una capa, no todo el stack de recuperación. Un reranker vuelve a puntuar a los mejores candidatos que devuelve un modelo de embeddings, y en nuestra prueba movió el Recall@10 más que cambiar de modelo de embeddings. Por eso "qué API de embeddings es mejor" es la pregunta equivocada si aún no has añadido un reranker.

Piensa en embeddings más rerank como un stack. El modelo de embeddings lanza una red amplia sobre tu corpus; el reranker ordena la pesca. Si eliges OpenAI para embeddings, igualmente necesitas un reranker en otro sitio, normalmente Cohere Rerank, lo que convierte una elección de un solo proveedor en una de dos proveedores. Para la orquestación alrededor de todo esto, revisa el resto del stack de RAG.

Cambiar de Proveedor: El Coste de Reincrustación que Nadie Menciona

Cambiar de proveedor de embeddings significa reincrustar todo tu corpus. Los embeddings no son intercambiables entre proveedores, así que un vector de Voyage y un vector de OpenAI viven en espacios distintos. Ese es un coste real de migración que casi ninguna página comparativa cuantifica.

La excepción que vale la pena conocer: el espacio de embeddings compartido de Voyage te permite cambiar entre modelos de Voyage (de lite a large) sin reindexar. Entre proveedores distintos, sin embargo, planifica un reincrustado completo de todo lo que hayas indexado. Presupuesta el coste en tokens de recodificar todo tu corpus antes de cambiar, no después. Si tu gasto total en LLM es tu verdadera preocupación, mira cómo se comparan los planes de suscripción en coste. ¿Prefieres autoalojar en lugar de pagar por token? Eso es una construcción aparte que merece su propia guía. Y si prefieres saltarte los embeddings del todo y comprar recuperación como una API de búsqueda gestionada, ese también es un camino válido.

Preguntas Frecuentes

¿Es Voyage realmente mejor que los embeddings de OpenAI?

En calidad máxima de recuperación, sí sobre el papel. voyage-4-large reporta un ~14 % más de nDCG@10 que text-embedding-3-large, pero es el propio benchmark RTEB de Voyage, no independiente. En nuestro corpus, la diferencia real de dominio fue de unos 3 puntos, y un reranker la reduce aún más. Voyage gana en recuperación máxima; OpenAI gana en ecosistema y estabilidad.

¿Cuál API de embeddings es más barata?

Los dos niveles económicos están empatados. voyage-4-lite y text-embedding-3-small cuestan ambos $0.02/M tokens a fecha de julio de 2026. Para un índice de RAG general suficientemente bueno con presupuesto ajustado, cualquiera de los dos funciona. El modelo pequeño de OpenAI tiene el soporte de herramientas más amplio; voyage-4-lite te da la ruta de actualización con espacio de embeddings compartido hacia voyage-4-large más adelante.

¿Tiene OpenAI un reranker?

No. OpenAI no ofrece ningún endpoint de rerank a fecha de julio de 2026, solo embeddings y modelos de chat. Si tu pipeline de RAG necesita reranking, y la mayoría de los de producción se benefician de ello, tienes que emparejar los embeddings de OpenAI con Cohere Rerank 4 o un cross-encoder como un reranker BGE. No diseñes tu arquitectura asumiendo que existe un reranker nativo de OpenAI.

¿Es Cohere Embed v4 mejor que OpenAI para multilingüe?

Sí. Cohere es el líder multilingüe y multimodal de los tres, promocionado en más de 100 idiomas, mientras que text-embedding-3-large de OpenAI es decente pero no se posiciona como modelo multilingüe. En nuestra prueba, la ventaja más clara de Cohere apareció en el subconjunto de tickets no en inglés. Para RAG solo en inglés, la diferencia entre ambos se reduce bastante.

¿Puedo cambiar de proveedor de embeddings sin reindexar?

No. Los embeddings de proveedores distintos viven en espacios vectoriales distintos, así que cambiar de proveedor significa reincrustar todo tu corpus. La única excepción: el espacio de embeddings compartido de Voyage te permite cambiar entre modelos de Voyage (de lite a large) sin reindexar. Presupuesta el coste en tokens de una recodificación completa antes de migrar entre proveedores distintos.

¿Cuál es la ventana de contexto de cada proveedor?

Difieren bastante. text-embedding-3-large de OpenAI tiene un tope de 8191 tokens, voyage-4-large de Voyage ronda los 32K (confirmar en la documentación actual), y embed-v4.0 de Cohere maneja 128K. voyage-context-4 de Voyage añade un contexto de documento de 120K para embeddings de fragmentos contextualizados. Para RAG con documentos largos, Cohere y voyage-context-4 te dan más margen.

Voyage-4 vs voyage-context-4: ¿cuál para RAG?

Usa voyage-context-4 para RAG con mucho fragmentado o documentos largos, ya que cada fragmento codifica el contexto del documento que lo rodea, lo que mejora la recuperación en texto fragmentado. Usa voyage-4-large para recuperación estándar de un solo pasaje donde los fragmentos ya son autocontenidos. Ambos cuestan $0.12/M a fecha de julio de 2026, así que la elección depende de la estructura del documento, no del precio.

¿Cuál es mejor para RAG de recuperación de código?

Voyage suele ser la opción habitual para recuperación de código, ya que sus modelos especializados están afinados para ese dominio, aunque modelos abiertos como Qwen3 también son contendientes fuertes. Si la búsqueda de código es tu carga de trabajo principal, compara Voyage contra un modelo de embeddings de código open-source sobre tu propio repositorio. Consulta el ranking completo de 9 modelos, incluidas las opciones open-source para ver las opciones abiertas.

¿Estás construyendo un pipeline de RAG en producción y quieres una segunda opinión sobre el stack? Solicita una consultoría gratuita.