Voyage vs OpenAI vs Cohere Embeddings: Li Ho Testati Tutti e 3 per il RAG (2026)

Voyage vs OpenAI vs Cohere Embeddings: Li Ho Testati Tutti e 3 per il RAG (2026)

Voyage vs OpenAI vs Cohere embeddings è una domanda del 2026, non del 2024. Voyage ha lanciato voyage-4 il 15 gennaio e voyage-context-4 il 29 giugno. Cohere ha lanciato Embed v4. OpenAI? Niente di nuovo dal gennaio 2024. Quel divario di due anni e mezzo cambia i conti su quale API hosted scegliere per indicizzare la tua pipeline RAG.

Verdetto Rapido: Quale API di Embedding Scegliere?

Per il RAG nel 2026, scegli Voyage per la qualità di retrieval massima, OpenAI per la scelta predefinita più sicura e documentata, e Cohere per multilingua, multimodale o embedding-più-reranker da un solo fornitore. Una premessa onesta: la cifra tanto citata del "14% meglio" è il benchmark RTEB di Voyage stesso, non un risultato MTEB indipendente. Attribuiscila di conseguenza.

Voyage, scegli se la qualità di retrieval è il tuo vero collo di bottiglia, lavori in un dominio specializzato (codice, legale, finanza), o vuoi il percorso di upgrade con spazio di embedding condiviso che ti permette di passare tra i modelli Voyage senza re-indicizzare. È l'ecosistema più piccolo dei tre, ma il retrieval più affilato sulla carta.

OpenAI, scegli se vuoi la scelta predefinita meglio documentata, con il supporto SDK più ampio e prezzi prevedibili per RAG in inglese generico. È la scelta noiosa e sicura. Il compromesso: nessun reranker nativo, e una linea di modelli che non viene aggiornata dal gennaio 2024.

Cohere, scegli se hai bisogno di retrieval multilingue (100+ lingue), multimodale (testo più immagini), o vuoi embedding e il reranker hosted standard di mercato (Rerank 4) da un solo fornitore. Più caro quando le ricerche di rerank si accumulano, ma lo stack a fornitore unico è comodo.

Vuoi il quadro più ampio, comprese le opzioni self-hosted? Guarda la classifica completa dei 9 modelli, comprese le opzioni open-source. Questo articolo approfondisce solo le tre API hosted.

Voyage, OpenAI e Cohere Embeddings a Colpo d'Occhio

La tabella qui sotto confronta il modello di punta di ogni fornitore su qualità, dimensioni, contesto, prezzo, forza multilingue e abbinamento con il reranker. Una nota onesta in apertura: non esiste una riga pubblica MTEB pulita e comparabile che classifichi tutti e tre allo stesso momento, quindi ogni dato di qualità è riportato con la sua fonte e data, invece di essere ammassato in un'unica colonna.

I prezzi sono aggiornati a luglio 2026, quindi riconfermali sulle pagine prezzi dei fornitori prima di deciderti, dato che i prezzi degli embedding sono cambiati due volte nella prima metà del 2026. Anche le dimensioni contano per i costi: più tronchi il vettore, più economico è salvare questi embedding in un database vettoriale.

Voyage AI: Retrieval Best-in-Class (Se Puoi Ri-Embeddare)

Voyage AI offre la qualità di retrieval più affilata dei tre sui propri benchmark, più uno spazio di embedding condiviso che ti permette di passare tra le taglie del modello voyage-4 senza re-indicizzare. La famiglia voyage-4 è stata lanciata il 15 gennaio 2026: voyage-4-large a $0.12/M, voyage-4 a $0.06, voyage-4-lite a $0.02.

Tutte e tre le taglie usano un'architettura Mixture-of-Experts e condividono un unico spazio di embedding, quindi passare da lite a large non costringe a una re-indicizzazione completa. Poi c'è voyage-context-4 (29 giugno 2026, $0.12/M, in calo dai $0.18 di context-3), che produce embedding di chunk contestualizzati: ogni chunk codifica il contesto del documento che lo circonda, con una finestra di 32K per chunk e un contesto documento di 120K. Voyage abbina i suoi embedder con rerank-2.5 a $0.05/M.

Ecco la nota di onestà che deve accompagnare ogni affermazione su Voyage: il titolo "voyage-4-large batte OpenAI del ~14.05% e Cohere dell'~8.20%" è un risultato RTEB proprio di Voyage (un benchmark su 29 dataset, nDCG@10), auto-dichiarato nel blog di lancio del 15 gennaio. Non è uno score MTEB indipendente. Ecco perché il numero MTEB da solo non basta a deciderlo per te.

Embeddare con Voyage è poche righe:

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

Scegli Voyage se la qualità di retrieval è ciò che frena il tuo RAG. Limiti onesti: è l'ecosistema più piccolo dei tre, la cifra del 14% è dichiarata dal vendor, e passare a Voyage significa ri-embeddare l'intero corpus.

OpenAI Embeddings: la Scelta Sicura (Senza Reranker)

OpenAI è la scelta predefinita più sicura e documentata: text-embedding-3-large ha il supporto SDK e tooling più ampio di qualsiasi API di embedding, con prezzi prevedibili e un buon retrieval in inglese. È la scelta giusta quando vuoi zero sorprese e ogni framework la supporta già di default.

text-embedding-3-large costa $0.13/M ($0.065 batch), supporta fino a 3072 dimensioni tramite troncamento Matryoshka, e gestisce un contesto di 8191 token. Il fratello economico, text-embedding-3-small, costa $0.02/M a 1536 dimensioni e tiene bene per RAG generico.

Due verità che nessuna pagina della concorrenza menziona. Primo: non esiste text-embedding-4 — la documentazione embeddings di OpenAI elenca ancora solo la serie 3. La linea non viene aggiornata dal gennaio 2024, quindi staresti indicizzando su un modello vecchio di circa due anni e mezzo mentre Voyage e Cohere hanno rilasciato versioni 2026. Secondo: OpenAI non offre nessun reranker nativo. I team che ne hanno bisogno abbinano gli embedding OpenAI con Cohere Rerank o un cross-encoder. Non esiste un endpoint di rerank OpenAI a luglio 2026, quindi non progettare l'architettura contando su uno.

Il supporto multilingue è discreto (MIRACL migliorato a ~54.9% al lancio) ma OpenAI, però, non è un leader multilingue. In una decisione voyage-4-large contro text-embedding-3-large, OpenAI scambia il retrieval di punta con stabilità e ampiezza dell'ecosistema.

Scegli OpenAI se vuoi la scelta predefinita noiosa e affidabile per RAG in inglese generico con la documentazione migliore. Limiti onesti: nessun reranker, e un modello statico da 2,5 anni mentre il settore si muoveva.

Cohere Embed v4: Multimodale + Miglior Reranker Hosted

Cohere Embed v4 è il leader multilingue e multimodale, e l'unico dei tre che si abbina nativamente al reranker hosted standard di mercato. Se il tuo corpus copre 100+ lingue o mescola testo e immagini, questa è la scelta più adatta.

embed-v4.0 costa $0.12/M, gestisce un contesto di 128K token, e supporta input multimodale (testo, immagini e documenti interlacciati). Le dimensioni sono 256/512/1024/1536 via Matryoshka, con 1536 come default. La linea v3 era solo testuale a 1024 dimensioni, quindi v4 è un vero salto avanti sia in modalità che in contesto.

Il vero motivo per scegliere Cohere è lo stack: abbina Embed v4 con Rerank 4 e ottieni embedding più reranking da un solo fornitore. Rerank 4 Fast costa $2.00 ogni 1,000 ricerche, Rerank 4 Pro $2.50 ogni 1,000, dove una ricerca equivale a una query su un massimo di 100 documenti. Per le aziende che hanno bisogno di isolamento, i tier dedicati Model Vault di Cohere costano $2,500–6,500/mese, ma è l'opzione enterprise, non quella di default.

Scegli Cohere se hai bisogno di multilingua, multimodale, o di uno stack embed-più-rerank a fornitore singolo. Limiti onesti: diventa più caro man mano che si accumulano le ricerche di rerank, e sul testo solo inglese la sua qualità di embedding per token non è una vittoria netta su Voyage.

Abbiamo Testato Tutti e Tre sullo Stesso Corpus

Abbiamo ripetuto il nostro corpus RAG interno confrontando solo le tre API di punta, e il risultato principale ci ha sorpreso: un reranker ha spostato il Recall@10 più del divario tra due embedder qualsiasi. Ecco il setup e i numeri.

Il corpus è lo stesso set di circa 10.000 documenti tecnici in inglese e ticket di supporto che abbiamo usato nel benchmark dell'hub, così i numeri restano coerenti in tutto il cluster. Ma questa è una fetta solo-API: esattamente voyage-4-large, text-embedding-3-large e cohere embed-v4.0. Non abbiamo ritestato qui i modelli open-source; è il compito dell'hub. Abbiamo misurato Recall@10 e nDCG@10 su un set di circa 120 query etichettate a mano, misurato la latenza p95 di embedding su un batch di 1.000 chunk, e calcolato il costo effettivo per 1M token al nostro volume.

voyage-4-large ha guidato il Recall@10 sul nostro set (0.89 contro 0.86), ma di circa 3 punti su OpenAI, non del 14% suggerito dal titolo RTEB di Voyage. Sul nostro dominio, il divario reale era molto più piccolo. Troncare text-embedding-3-large da 3072 a 1024 dimensioni è costato solo circa 3 punti di Recall@10 (sceso a 0.83) tagliando lo storage del nostro vector DB di circa 3 volte. Il vantaggio di Cohere è emerso sul nostro sottoinsieme di ticket non in inglese, non sull'inglese. E il reranker? Aggiungere Cohere Rerank 4 (o voyage rerank-2.5) ha alzato il Recall@10 di circa 6 punti su tutti e tre gli embedder. Sul nostro corpus, un reranker ha spostato il Recall@10 più di quanto abbia fatto cambiare embedder.

La Domanda sul Reranker: Perché la Scelta dell'Embedder Non È Tutta la Storia

Il tuo embedder è uno strato, non l'intero stack di retrieval. Un reranker ri-classifica i migliori candidati restituiti da un embedder, e nel nostro test ha spostato il Recall@10 più dello scambio tra embedder. Ecco perché "quale API di embedding è la migliore" è la domanda sbagliata da porsi per prima se non hai ancora aggiunto un reranker.

Pensa a embedding più rerank come a uno stack. L'embedder getta una rete ampia sul tuo corpus; il reranker ordina il pescato. Scegli OpenAI per gli embedding e avrai comunque bisogno di un reranker altrove, di solito Cohere Rerank, il che trasforma una scelta a fornitore unico in una a due fornitori. Per l'orchestrazione attorno a tutto questo, guarda il resto dello stack RAG.

Cambiare Fornitore: il Costo di Ri-Embedding che Nessuno Menziona

Cambiare fornitore di embedding significa ri-embeddare l'intero corpus. Gli embedding non sono intercambiabili tra vendor, quindi un vettore Voyage e un vettore OpenAI vivono in spazi diversi. Questo è un costo di migrazione reale che quasi nessuna pagina di confronto quantifica.

L'eccezione da conoscere: lo spazio di embedding condiviso di Voyage ti permette di passare tra i modelli Voyage (da lite a large) senza re-indicizzare. Tra fornitori diversi, però, mettici in conto un ri-embedding completo di tutto ciò che hai indicizzato. Preventiva il costo in token per ri-codificare l'intero corpus prima di cambiare, non dopo. Se la spesa totale sugli LLM è la tua vera preoccupazione, guarda come si confrontano i piani in abbonamento sul costo. Preferisci fare self-hosting invece di pagare a token? È una build separata che merita una guida a sé. E se preferisci saltare del tutto gli embedding e comprare il retrieval come API di ricerca gestita, anche quello è un percorso valido.

Domande Frequenti

Voyage è davvero migliore di OpenAI per gli embedding?

Sul retrieval di punta, sì sulla carta. voyage-4-large dichiara un nDCG@10 superiore di circa il 14% rispetto a text-embedding-3-large, ma è il benchmark RTEB proprio di Voyage, non indipendente. Sul nostro corpus il divario reale nel dominio era di circa 3 punti, e un reranker lo riduce ulteriormente. Voyage vince sul retrieval di punta; OpenAI vince su ecosistema e stabilità.

Quale API di embedding è più economica?

I due tier economici sono a pari merito. voyage-4-lite e text-embedding-3-small costano entrambi $0.02/M token a luglio 2026. Per un indice RAG generico abbastanza buono con budget ridotto, funzionano entrambi. Il modello small di OpenAI ha il supporto tooling più ampio; voyage-4-lite ti offre il percorso di upgrade a spazio di embedding condiviso verso voyage-4-large in futuro.

OpenAI ha un reranker?

No. OpenAI non offre nessun endpoint di rerank a luglio 2026, solo embedding e modelli chat. Se la tua pipeline RAG ha bisogno di reranking, e la maggior parte di quelle in produzione ne beneficia, abbini gli embedding OpenAI con Cohere Rerank 4 o un cross-encoder come un reranker BGE. Non progettare la tua architettura assumendo che esista un reranker OpenAI nativo.

Cohere Embed v4 è migliore di OpenAI per il multilingua?

Sì. Cohere è il leader multilingue e multimodale dei tre, commercializzato su 100+ lingue, mentre text-embedding-3-large di OpenAI è discreto ma non posizionato come modello multilingue. Nel nostro test, il vantaggio più netto di Cohere è emerso sul sottoinsieme di ticket non in inglese. Per RAG solo in inglese, il divario tra i due si restringe considerevolmente.

Posso cambiare fornitore di embedding senza re-indicizzare?

No. Gli embedding di vendor diversi vivono in spazi vettoriali diversi, quindi cambiare fornitore significa ri-embeddare l'intero corpus. L'unica eccezione: lo spazio di embedding condiviso di Voyage ti permette di passare tra i modelli Voyage (da lite a large) senza re-indicizzare. Preventiva il costo in token di un ri-embedding completo prima di migrare tra fornitori diversi.

Qual è la finestra di contesto di ciascun fornitore?

Variano parecchio. text-embedding-3-large di OpenAI si ferma a 8191 token, voyage-4-large di Voyage è intorno ai 32K (verifica sulla pagina docs attuale), e cohere embed-v4.0 gestisce 128K. voyage-context-4 di Voyage aggiunge un contesto documento di 120K per gli embedding di chunk contestualizzati. Per RAG su documenti lunghi, Cohere e voyage-context-4 ti danno più margine.

Voyage-4 contro voyage-context-4 — quale scegliere per il RAG?

Usa voyage-context-4 per RAG con chunking intenso o documenti lunghi, dato che ogni chunk codifica il contesto del documento circostante, il che migliora il retrieval su testo frammentato. Usa voyage-4-large per il retrieval standard su singolo passaggio, dove i chunk sono già autosufficienti. Entrambi costano $0.12/M a luglio 2026, quindi la scelta riguarda la struttura del documento, non il prezzo.

Qual è il migliore per il RAG su retrieval di codice?

Voyage è la scelta abituale per il retrieval di codice, dato che i suoi modelli specializzati sono ottimizzati per quel dominio, anche se modelli open come Qwen3 sono concorrenti validi. Se la ricerca nel codice è il tuo carico di lavoro principale, confronta Voyage con un embedder di codice open-source sulla tua repository. Guarda la classifica completa dei 9 modelli, comprese le opzioni open-source per le scelte open.

Stai costruendo una pipeline RAG in produzione e vuoi un secondo parere sullo stack? Richiedi una consulenza gratuita.