Voyage vs OpenAI vs Cohere Embeddings: Saya Menguji Ketiganya untuk RAG (2026)

Voyage vs OpenAI vs Cohere Embeddings: Saya Menguji Ketiganya untuk RAG (2026)

Voyage vs OpenAI vs Cohere embeddings adalah pertanyaan tahun 2026, bukan 2024. Voyage merilis voyage-4 pada 15 Januari dan voyage-context-4 pada 29 Juni. Cohere merilis Embed v4. OpenAI? Tidak ada hal baru sejak Januari 2024. Jarak dua setengah tahun tersebut mengubah perhitungan mengenai API hosted mana yang harus Anda gunakan untuk mengindeks pipeline RAG Anda.

Kesimpulan Cepat: API Embedding Mana yang Harus Anda Pilih?

Untuk RAG di tahun 2026, pilih Voyage untuk kualitas pengambilan (retrieval) puncak, OpenAI untuk default teraman dengan dokumentasi lengkap, dan Cohere untuk kebutuhan multibahasa, multimodal, atau kombinasi embedding-plus-reranker dari satu vendor. Satu catatan penting terlebih dahulu: angka "14% lebih baik" yang sering dikutip berasal dari benchmark RTEB milik Voyage sendiri, bukan hasil MTEB independen. Atribusikan sumbernya dengan tepat.

Voyage, pilih jika kualitas retrieval adalah hambatan utama Anda, Anda bekerja di domain khusus (kode, hukum, keuangan), atau Anda menginginkan jalur upgrade ruang embedding bersama yang memungkinkan Anda beralih antar model Voyage tanpa mengindeks ulang. Ekosistemnya paling kecil di antara ketiganya, tetapi memiliki kemampuan retrieval paling tajam secara teori.

OpenAI, pilih jika Anda menginginkan default dengan dokumentasi terbaik, dukungan SDK terluas, dan harga yang dapat diprediksi untuk RAG umum berbahasa Inggris. Ini adalah pilihan yang membosankan namun aman. Komprominya: tidak ada reranker asli, dan lini model yang belum diperbarui sejak Januari 2024.

Cohere, pilih jika Anda membutuhkan retrieval multibahasa (100+ bahasa), multimodal (teks plus gambar), atau menginginkan embeddings dan reranker hosted standar pasar (Rerank 4) dari satu vendor. Harganya menjadi lebih mahal setelah pencarian reranker menumpuk, tetapi tumpukan teknologi satu vendor sangat praktis.

Ingin gambaran yang lebih luas termasuk opsi self-hosted? Lihat peringkat lengkap 9 model termasuk opsi open-source. Artikel ini mendalami hanya tiga API hosted tersebut.

Sekilas Embeddings Voyage, OpenAI, dan Cohere

Tabel di bawah ini membandingkan unggulan setiap penyedia dalam hal kualitas, dimensi, konteks, harga, kekuatan multibahasa, dan pasangan reranker. Catatan jujur di awal: tidak ada baris MTEB publik yang bersih dan sebanding yang memeringkat ketiganya pada waktu yang sama, sehingga setiap angka kualitas dikutip beserta sumber dan tanggalnya daripada digabungkan menjadi satu kolom.

Harga berlaku per Juli 2026, jadi konfirmasi ulang di halaman harga vendor sebelum Anda berkomitmen, karena harga embedding bergerak dua kali dalam paruh pertama 2026. Dimensi juga berpengaruh pada biaya: semakin kecil pemotongan (truncation), semakin murah Anda menyimpan embeddings ini di database vektor.

Voyage AI: Retrieval Kelas Atas (Jika Anda Bisa Melakukan Re-Embed)

Voyage AI menghadirkan kualitas retrieval paling tajam di antara ketiganya berdasarkan benchmark mereka sendiri, ditambah ruang embedding bersama yang memungkinkan Anda beralih antar ukuran model voyage-4 tanpa mengindeks ulang. Keluarga voyage-4 diluncurkan pada 15 Januari 2026: voyage-4-large seharga $0.12/M, voyage-4 seharga $0.06, dan voyage-4-lite seharga $0.02.

Ketiga ukuran tersebut menggunakan arsitektur Mixture-of-Experts dan berbagi satu ruang embedding, sehingga upgrade dari lite ke large tidak memaksa pengindeksan ulang penuh. Lalu ada voyage-context-4 (29 Juni 2026, $0.12/M, turun dari $0.18 untuk context-3), yang menghasilkan embeddings chunk yang dikontekstualisasikan: setiap chunk mengodekan konteks dokumen sekitarnya, dengan jendela 32K per chunk dan konteks dokumen 120K. Voyage memasangkan embeddernya dengan rerank-2.5 seharga $0.05/M.

Berikut catatan kejujuran yang harus menyertai setiap klaim Voyage: judul utama "voyage-4-large mengalahkan OpenAI sekitar ~14.05% dan Cohere sekitar ~8.20%" adalah hasil RTEB milik Voyage sendiri (benchmark 29 dataset, nDCG@10), yang dilaporkan sendiri dalam blog peluncuran 15 Januari. Ini bukan skor MTEB independen. Itulah mengapa angka MTEB saja tidak menentukan keputusan ini untuk Anda.

Embedding dengan Voyage hanya memerlukan beberapa baris kode:

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

Pilih Voyage jika kualitas retrieval adalah hal yang menahan performa RAG Anda. Batasan jujur: ini adalah ekosistem terkecil di antara ketiganya, angka 14% dilaporkan oleh vendor, dan beralih ke Voyage berarti melakukan re-embedding pada seluruh korpus Anda.

Embeddings OpenAI: Default Aman (Tanpa Reranker)

OpenAI adalah default teraman dan paling terdokumentasi: text-embedding-3-large memiliki dukungan SDK dan alat paling luas dari API embedding mana pun, dengan harga yang dapat diprediksi dan retrieval bahasa Inggris yang solid. Ini adalah pilihan ketika Anda ingin menghindari kejutan dan setiap framework sudah mendukungnya secara bawaan.

text-embedding-3-large berjalan dengan biaya $0.13/M ($0.065 batch), mendukung hingga 3072 dimensi melalui pemotongan Matryoshka, dan menangani konteks 8191 token. Saudara anggarannya, text-embedding-3-small, berharga $0.02/M pada 1536 dimensi dan bekerja dengan baik untuk RAG umum.

Dua fakta yang tidak disebutkan di halaman kompetitor. Pertama: tidak ada text-embedding-4 — dokumentasi embeddings OpenAI masih hanya mencantumkan seri 3. Lini ini belum diperbarui sejak Januari 2024, jadi Anda akan mengindeks menggunakan model yang berusia sekitar 2,5 tahun sementara Voyage dan Cohere telah merilis versi 2026. Kedua: OpenAI tidak menyediakan reranker asli. Tim yang membutuhkannya memasangkan embeddings OpenAI dengan Cohere Rerank atau cross-encoder. Tidak ada endpoint rerank OpenAI per Juli 2026, jadi jangan merancang arsitektur Anda dengan asumsi adanya fitur tersebut.

Kemampuan multibahasanya cukup baik (MIRACL meningkat menjadi ~54.9% saat peluncuran) tetapi OpenAI bukan pemimpin multibahasa. Dalam keputusan antara voyage-4-large vs text-embedding-3-large, OpenAI mengorbankan retrieval puncak demi stabilitas dan luasnya ekosistem.

Pilih OpenAI jika Anda menginginkan default yang membosankan namun andal untuk RAG umum berbahasa Inggris dengan dokumentasi terbaik. Batasan jujur: tidak ada reranker, dan model yang statis selama 2,5 tahun sementara bidang ini terus bergerak.

Cohere Embed v4: Multimodal + Reranker Hosted Terbaik

Cohere Embed v4 adalah pemimpin multibahasa dan multimodal, serta satu-satunya dari ketiganya yang secara asli berpasangan dengan reranker hosted standar pasar. Jika korpus Anda mencakup 100+ bahasa atau menggabungkan teks dan gambar, ini adalah pilihan terkuat.

embed-v4.0 berjalan dengan biaya $0.12/M, menangani konteks 128K token, dan mendukung input multimodal (teks, gambar, dan dokumen selang-seling). Dimensinya adalah 256/512/1024/1536 melalui Matryoshka, dengan 1536 sebagai default. Lini v3 hanya teks pada 1024 dimensi, jadi v4 adalah peningkatan nyata baik dalam modalitas maupun konteks.

Alasan utama memilih Cohere adalah tumpukan teknologinya: pasangkan Embed v4 dengan Rerank 4 dan Anda mendapatkan embedding plus reranking dari satu vendor. Rerank 4 Fast berharga $2.00 per 1.000 pencarian, Rerank 4 Pro seharga $2.50 per 1.000, di mana satu pencarian sama dengan satu kueri terhadap hingga 100 dokumen. Untuk perusahaan yang membutuhkan isolasi, tier khusus Model Vault Cohere berjalan $2.500–6.500/bulan, tetapi itu adalah opsi enterprise, bukan default.

Pilih Cohere jika Anda membutuhkan multibahasa, multimodal, atau tumpukan embed-plus-rerank satu vendor. Batasan jujur: harganya menjadi lebih mahal setelah pencarian reranker menumpuk, dan pada teks berbahasa Inggris saja, kualitas embedding per tokennya tidak jelas unggul dibandingkan Voyage.

Kami Menguji Ketiganya pada Korpus yang Sama

Kami menjalankan ulang korpus RAG internal kami hanya terhadap tiga API unggulan, dan temuan utamanya mengejutkan kami: sebuah reranker menggerakkan Recall@10 lebih signifikan daripada kesenjangan antara dua embedder mana pun. Berikut setup dan angkanya.

Korpusnya adalah set ~10.000 dokumen teknis berbahasa Inggris dan tiket dukungan yang sama seperti yang kami gunakan dalam benchmark hub, sehingga angka tetap konsisten di seluruh kluster. Namun ini adalah irisan khusus API: tepatnya voyage-4-large, text-embedding-3-large, dan cohere embed-v4.0. Kami tidak menguji ulang model open-source di sini; itu adalah tugas hub. Kami mencetak skor Recall@10 dan nDCG@10 terhadap set ~120 kueri yang dilabeli manual, mengukur latensi embedding p95 pada batch 1.000 chunk, dan menghitung biaya efektif per 1M token pada volume kami.

voyage-4-large memimpin Recall@10 pada set kami (0.89 vs 0.86), tetapi hanya sekitar 3 poin di atas OpenAI, bukan 14% seperti yang implikasikan judul RTEB Voyage. Pada domain kami, kesenjangan sesungguhnya jauh lebih kecil. Memotong text-embedding-3-large dari 3072 menjadi 1024 dimensi hanya memakan biaya sekitar 3 poin Recall@10 (menjadi 0.83) sambil mengurangi penyimpanan vector-DB kami sekitar 3x. Keunggulan Cohere muncul pada subset tiket non-Inggris kami, bukan pada bahasa Inggris. Dan reranker? Menambahkan Cohere Rerank 4 (atau voyage rerank-2.5) meningkatkan Recall@10 sekitar 6 poin pada ketiga embedder. Pada korpus kami, reranker menggerakkan Recall@10 lebih besar daripada mengganti embedder.

Pertanyaan Reranker: Mengapa Pilihan Embedder Anda Bukan Seluruh Cerita

Embedder Anda adalah satu lapisan, bukan seluruh tumpukan retrieval. Sebuah reranker memberi skor ulang pada kandidat teratas yang dikembalikan oleh embedder, dan dalam pengujian kami, hal itu menggerakkan Recall@10 lebih besar daripada menukar embedder. Inilah mengapa "API embedding mana yang terbaik" adalah pertanyaan pertama yang salah jika Anda belum menambahkan reranker.

Anggaplah embedding plus rerank sebagai sebuah tumpukan. Embedder melempar jaring lebar ke seluruh korpus Anda; reranker menyortir hasilnya. Pilih OpenAI untuk embeddings dan Anda tetap membutuhkan reranker di tempat lain, biasanya Cohere Rerank, yang mengubah pilihan satu vendor menjadi dua vendor. Untuk orkestrasi di sekitar semua ini, lihat sisa tumpukan RAG.

Beralih Penyedia: Biaya Re-Embedding yang Tidak Disebutkan Siapa Pun

Beralih penyedia embedding berarti melakukan re-embedding pada seluruh korpus Anda. Embeddings tidak dapat dipertukarkan lintas vendor, sehingga vektor Voyage dan vektor OpenAI hidup di ruang yang berbeda. Itu adalah biaya migrasi nyata yang hampir tidak pernah dikuantifikasi oleh halaman perbandingan mana pun.

Pengecualian yang perlu diketahui: ruang embedding bersama Voyage memungkinkan Anda beralih antar model Voyage (lite ke large) tanpa mengindeks ulang. Namun, lintas vendor, rencanakan untuk re-embed penuh pada semua yang telah Anda indeks. Anggarkan biaya token untuk mengkodekan ulang seluruh korpus Anda sebelum Anda beralih, bukan sesudahnya. Jika total pengeluaran LLM adalah kekhawatiran utama Anda, lihat bagaimana rencana berlangganan dibandingkan dari segi biaya. Lebih memilih self-host daripada membayar per token? Lihat panduan kami untuk menjalankan model embedding secara lokal dengan Ollama. Dan jika Anda lebih suka melewatkan embeddings sepenuhnya dan membeli retrieval sebagai API pencarian terkelola, itu juga merupakan jalur yang valid.

Tentang Penulis

Mert Batur Gurbuz adalah Co-Founder Techsy.io, di mana timnya mengirimkan agen AI, sistem otomatisasi, dan pipeline voice/SDR untuk klien B2B. Ia belajar di University of Birmingham dan menulis tentang tumpukan alat LLM yang benar-benar digunakan oleh tim Techsy dalam produksi. Terhubung di LinkedIn.

Pertanyaan yang Sering Diajukan

Apakah Voyage sebenarnya lebih baik daripada embeddings OpenAI?

Pada retrieval puncak, ya secara teori. voyage-4-large melaporkan nDCG@10 sekitar ~14% lebih tinggi daripada text-embedding-3-large, tetapi itu adalah benchmark RTEB milik Voyage sendiri, bukan independen. Pada korpus kami, kesenjangan domain nyata adalah sekitar 3 poin, dan reranker menutupnya lebih jauh. Voyage menang dalam retrieval puncak; OpenAI menang dalam ekosistem dan stabilitas.

API embedding mana yang termurah?

Dua tier anggaran tersebut seri. voyage-4-lite dan text-embedding-3-small keduanya berharga $0.02/M token per Juli 2026. Untuk indeks RAG umum yang cukup bagus dengan anggaran ketat, keduanya bekerja. Model kecil OpenAI memiliki dukungan alat yang lebih luas; voyage-4-lite memberikan jalur upgrade ruang embedding bersama ke voyage-4-large nanti.

Apakah OpenAI memiliki reranker?

Tidak. OpenAI tidak menyediakan endpoint rerank per Juli 2026, hanya embeddings dan model chat. Jika pipeline RAG Anda membutuhkan reranking, dan sebagian besar produksi mendapat manfaat darinya, Anda memasangkan embeddings OpenAI dengan Cohere Rerank 4 atau cross-encoder seperti reranker BGE. Jangan merancang arsitektur Anda dengan asumsi adanya reranker asli OpenAI.

Apakah Cohere Embed v4 lebih baik daripada OpenAI untuk multibahasa?

Ya. Cohere adalah pemimpin multibahasa dan multimodal di antara ketiganya, dipasarkan untuk 100+ bahasa, sementara text-embedding-3-large OpenAI cukup baik tetapi tidak diposisikan sebagai model multibahasa. Dalam pengujian kami, keunggulan paling jelas Cohere muncul pada subset tiket non-Inggris. Untuk RAG khusus bahasa Inggris, kesenjangan di antara mereka menyempit considerably.

Bisakah saya beralih penyedia embedding tanpa mengindeks ulang?

Tidak. Embeddings dari vendor yang berbeda hidup di ruang vektor yang berbeda, sehingga beralih penyedia berarti melakukan re-embedding pada seluruh korpus Anda. Satu pengecualian: ruang embedding bersama Voyage memungkinkan Anda beralih antar model Voyage (lite ke large) tanpa mengindeks ulang. Anggarkan biaya token untuk pengkodean ulang penuh sebelum Anda bermigrasi lintas vendor.

Berapa jendela konteks masing-masing penyedia?

Mereka berbeda jauh. text-embedding-3-large OpenAI dibatasi pada 8191 token, Voyage voyage-4-large sekitar 32K (konfirmasi di halaman docs saat ini), dan Cohere embed-v4.0 menangani 128K. voyage-context-4 Voyage menambahkan konteks dokumen 120K untuk embeddings chunk yang dikontekstualisasikan. Untuk RAG dokumen panjang, Cohere dan voyage-context-4 memberikan ruang gerak paling banyak.

Voyage-4 vs voyage-context-4 — mana untuk RAG?

Gunakan voyage-context-4 untuk RAG yang berat dalam chunking atau dokumen panjang, karena setiap chunk mengodekan konteks dokumen sekitarnya, yang meningkatkan retrieval pada teks yang terfragmentasi. Gunakan voyage-4-large untuk retrieval passage tunggal standar di mana chunk sudah mandiri. Keduanya berharga $0.12/M per Juli 2026, jadi pilihannya bergantung pada struktur dokumen, bukan harga.

Mana yang terbaik untuk RAG retrieval kode?

Voyage adalah pilihan biasa untuk retrieval kode, karena model khususnya disetel untuk domain tersebut, meskipun model open seperti Qwen3 juga pesaing kuat. Jika pencarian kode adalah beban kerja utama Anda, benchmark Voyage terhadap embedder kode open-source pada repositori Anda sendiri. Lihat peringkat lengkap 9 model termasuk opsi open-source untuk pilihan open.

Membangun pipeline RAG produksi dan ingin pendapat kedua tentang tumpukannya? Dapatkan konsultasi gratis.