Voyage vs OpenAI vs Cohere 임베딩: 2026년 RAG를 위해 세 가지 모두 테스트했습니다

Voyage vs OpenAI vs Cohere 임베딩: 2026년 RAG를 위해 세 가지 모두 테스트했습니다

Voyage 대 OpenAI 대 Cohere 임베딩 비교는 2024년의 질문이 아니라 2026년의 질문입니다. Voyage는 1월 15일에 voyage-4를, 6월 29일에 voyage-context-4를 출시했습니다. Cohere는 Embed v4를 출시했죠. 반면 OpenAI는? 2024년 1월 이후 새로운 것이 없습니다. 이 2년 반의 공백은 RAG 파이프라인 인덱싱에 어떤 호스팅 API를 사용해야 할지에 대한 계산을 완전히 바꿔놓습니다.

빠른 결론: 어떤 임베딩 API를 선택해야 할까요?

2026년 RAG를 위해 Voyage는 최고의 검색 품질을, OpenAI는 가장 안전하고 문서화가 잘 된 기본 선택지를, Cohere는 다국어, 멀티모달, 또는 단일 벤더에서의 임베딩 plus 리랭커 조합을 원할 때 선택하세요. 먼저 한 가지 주의사항: 널리 인용되는 "14% 더 좋다"는 수치는 독립적인 MTEB 결과가 아닌 Voyage 자체의 RTEB 벤치마크 수치입니다. 이를 적절히 참조하시기 바랍니다.

Voyage, 검색 품질이 실제 병목 현상인 경우, 특화된 도메인(코드, 법률, 금융)에서 작업하는 경우, 또는 재인덱싱 없이 Voyage 모델 간 전환을 가능하게 하는 공유 임베딩 공간 업그레이드 경로를 원한다면 선택하세요. 세 가지 중 생태계는 가장 작지만, 이론상 가장 날카로운 검색 성능을 제공합니다.

OpenAI, 영어 중심의 일반적인 RAG를 위해 가장 잘 문서화된 기본값, 가장 광범위한 SDK 지원, 예측 가능한 가격을 원한다면 선택하세요. 이는 지루하지만 안전한 선택입니다. 단점: 네이티브 리랭커가 없으며, 2024년 1월 이후 업데이트되지 않은 모델 라인이라는 점입니다.

Cohere, 다국어 검색(100개 이상 언어), 멀티모달(텍스트 plus 이미지)이 필요하거나, 단일 벤더에서 임베딩과 시장 표준 호스팅 리랭커(Rerank 4)를 모두 원한다면 선택하세요. 리랭크 검색이 누적되면 가격이 더 비싸지지만, 단일 벤더 스택의 편리함이 있습니다.

셀프 호스팅 옵션을 포함한 더 넓은 그림을 보고 싶으신가요? 오픈소스 옵션을 포함한 전체 9개 모델 순위를 확인하세요. 이 글에서는 세 가지 호스팅 API에 대해 깊이 있게 다루겠습니다.

한눈에 보는 Voyage, OpenAI, Cohere 임베딩

아래 표는 각 제공업체의 플래그십 모델을 품질, 차원, 컨텍스트, 가격, 다국어 강점, 리랭커 페어링 측면에서 비교합니다. 솔직한 사전 참고 사항: 세 가지 모두를 동일한 시점에 ranking하는 깔끔한 공개 MTEB 행이 없으므로, 모든 품질 수치는 하나의 열로 섞지 않고 출처와 날짜를 명시하여 인용합니다.

가격은 2026년 7월 기준이므로, 2026년 상반기에 임베딩 가격이 두 번 변동되었으니 결정 전에 벤더 가격 페이지에서 다시 확인하시기 바랍니다. 차원도 비용에 영향을 미칩니다. 잘라낼수록 벡터 데이터베이스에 이러한 임베딩을 저장하는 비용이 절감됩니다.

Voyage AI: 최고 수준의 검색 품질 (재인덱싱이 가능하다면)

Voyage AI는 자체 벤치마크 기준으로 세 가지 중 가장 날카로운 검색 품질을 제공하며, voyage-4 모델 크기 간 재인덱싱 없이 전환할 수 있는 공유 임베딩 공간을 제공합니다. voyage-4 패밀리는 2026년 1월 15일에 출시되었습니다: voyage-4-large는 $0.12/M, voyage-4는 $0.06, voyage-4-lite는 $0.02입니다.

세 가지 크기 모두 Mixture-of-Experts 아키텍처를 사용하며 하나의 임베딩 공간을 공유하므로, lite에서 large로 업그레이드해도 전체 재인덱싱이 필요하지 않습니다. 또한 voyage-context-4(2026년 6월 29일 출시, $0.12/M, context-3의 $0.18에서 인하)는 컨텍스트화된 청크 임베딩을 생성합니다. 각 청크는 주변 문서 컨텍스트를 인코딩하며, 청크당 32K 윈도우와 120K 문서 컨텍스트를 지원합니다. Voyage는 임베더를 rerank-2.5($0.05/M)와 페어링합니다.

여기서 Voyage의 모든 주장과 함께 따라다녀야 하는 솔직한 주의사항이 있습니다. 헤드라인인 "voyage-4-large가 OpenAI보다 ~14.05%, Cohere보다 ~8.20% 우수하다"는 수치는 Voyage 자체의 RTEB 결과(29개 데이터셋 벤치마크, nDCG@10)이며, 1월 15일 출시 블로그에서 자체 보고된 것입니다. 이는 독립적인 MTEB 점수가 아닙니다. 이것이 바로 MTEB 점수 하나만으로 이를 결정할 수 없는 이유입니다.

Voyage로 임베딩하는 것은 몇 줄의 코드면 충분합니다:

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

검색 품질이 RAG의 발목을 잡고 있다면 Voyage를 선택하세요. 솔직한 한계: 세 가지 중 생태계가 가장 작으며, 14% 수치는 벤더 보고 자료이고, Voyage로 전환하려면 전체 코퍼스를 재임베딩해야 합니다.

OpenAI 임베딩: 리랭커 없는 안전한 기본값

OpenAI는 가장 안전하고 문서화가 잘 된 기본 선택지입니다. text-embedding-3-large는 어떤 임베딩 API보다 가장 광범위한 SDK 및 도구 지원을 제공하며, 예측 가능한 가격과 견고한 영어 검색 성능을 자랑합니다. 놀라움을 원치 않으며 모든 프레임워크가 기본적으로 이를 지원하기를 원할 때의 선택지입니다.

text-embedding-3-large는 $0.13/M($0.065 배치)이며, Matryoshka 절단을 통해 최대 3072차원을 지원하고 8191토큰 컨텍스트를 처리합니다. 예산형 형제 모델인 text-embedding-3-small은 1536차원에서 $0.02/M이며, 일반적인 RAG에서도 잘 작동합니다.

경쟁사 페이지에서는 언급하지 않는 두 가지 진실이 있습니다. 첫째: text-embedding-4는 존재하지 않습니다 — OpenAI의 임베딩 문서에는 여전히 3-series만 나열되어 있습니다. 이 라인은 2024년 1월 이후 업데이트되지 않았으므로, Voyage와 Cohere가 2026년 릴리스를 내놓는 동안 약 2.5년 된 모델로 인덱싱하게 됩니다. 둘째: OpenAI는 네이티브 리랭커를 제공하지 않습니다. 리랭커가 필요한 팀은 OpenAI 임베딩을 Cohere Rerank 또는 크로스 인코더와 페어링합니다. 2026년 7월 기준 OpenAI 리랭크 엔드포인트는 없으므로, 이를 가정하고 아키텍처를 설계하지 마세요.

다국어 성능은 decent합니다(MIRACL이 출시 시 ~54.9%로 개선됨) but OpenAI는 다국어 리더는 아닙니다. voyage-4-large 대 text-embedding-3-large 결정에서 OpenAI는 최고 검색 성능을 안정성과 생태계 폭과 교환합니다.

영어 중심의 일반적인 RAG를 위해 지루하지만 신뢰할 수 있는 기본값과 최고의 문서를 원한다면 OpenAI를 선택하세요. 솔직한 한계: 리랭커가 없으며, 분야가 발전하는 동안 2.5년 동안 정적이었던 모델이라는 점입니다.

Cohere Embed v4: 멀티모달 + 최고의 호스팅 리랭커

Cohere Embed v4는 다국어 및 멀티모달 분야의 리더이며, 세 가지 중 시장 표준 호스팅 리랭커와 네이티브로 페어링되는 유일한 제품입니다. 코퍼스가 100개 이상의 언어에 걸쳐 있거나 텍스트와 이미지가 혼합되어 있다면 이것이 가장 적합한 선택입니다.

embed-v4.0은 $0.12/M이며, 128K 토큰 컨텍스트를 처리하고 멀티모달 입력(텍스트, 이미지, 교차 문서)을 지원합니다. 차원은 Matryoshka를 통해 256/512/1024/1536이며, 기본값은 1536입니다. v3 라인은 1024차원에서 텍스트 전용이었으므로, v4는 모달리티와 컨텍스트 측면에서 genuine한 단계 향상입니다.

Cohere를 선택하는 진정한 이유는 스택 때문입니다. Embed v4를 Rerank 4와 페어링하면 단일 벤더에서 임베딩 plus 리랭킹을 얻을 수 있습니다. Rerank 4 Fast는 검색 1,000회당 $2.00, Rerank 4 Pro는 검색 1,000회당 $2.50이며, 여기서 검색 1회는 최대 100개 문서에 대한 쿼리 1회를 의미합니다. 격리가 필요한 기업의 경우, Cohere의 Model Vault 전용 티어는 월 $2,500–6,500이지만, 이는 기업용 옵션이며 기본값은 아닙니다.

다국어, 멀티모달, 또는 단일 벤더 임베딩-plus-리랭크 스택이 필요하면 Cohere를 선택하세요. 솔직한 한계: 리랭크 검색이 누적되면 가격이 더 비싸지며, 영어 전용 텍스트의 경우 토큰당 임베딩 품질이 Voyage보다 명확히 우위라고 보기 어렵습니다.

동일한 코퍼스에서 세 가지 모두 테스트했습니다

우리는 내부 RAG 코퍼스를 세 가지 플래그십 API만을 대상으로 다시 실행했으며, 헤드라인 발견 사항은 우리를 놀라게 했습니다. 리랭커가 임베더 간의 격차보다 Recall@10에 더 큰 영향을 미쳤다는 점입니다. 다음은 설정과 수치입니다.

코퍼스는 허브 벤치마크에서 사용한 것과 동일한 ~10,000개의 영어 기술 문서 및 지원 티켓 세트이므로, 클러스터 전체에서 수치가 일관되게 유지됩니다. 하지만 이것은 API 전용 슬라이스입니다. 정확히 voyage-4-large, text-embedding-3-large, cohere embed-v4.0입니다. 우리는 여기서 오픈소스 모델을 다시 테스트하지 않았습니다. 그것은 허브의 역할입니다. 우리는 손으로 라벨링된 ~120개 쿼리 세트를 대상으로 Recall@10과 nDCG@10을 점수화했고, 1,000개 청크 배치에서 p95 임베딩 지연 시간을 측정했으며, 우리 볼륨에서 백만 토큰당 유효 비용을 계산했습니다.

voyage-4-large는 우리 세트에서 Recall@10을 이끌었습니다(0.89 대 0.86). 하지만 Voyage의 RTEB 헤드라인이 시사하는 14%가 아닌 OpenAI보다 약 3포인트 차이였습니다. 우리 도메인에서는 실제 격차가 훨씬 작았습니다. text-embedding-3-large를 3072차원에서 1024차원으로 절단하면 Recall@10이 약 3포인트(0.83으로) 감소하는 대신 벡터 DB 저장 공간이 약 3배 절감되었습니다. Cohere의 우위는 영어가 아닌 티켓 하위 집합에서 나타났으며, 영어에서는 그렇지 않았습니다. 그리고 리랭커는요? Cohere Rerank 4(또는 voyage rerank-2.5)를 추가하면 세 가지 임베더 모두에서 Recall@10이 약 6포인트 상승했습니다. 우리 코퍼스에서는 임베더를 전환하는 것보다 리랭커가 Recall@10에 더 큰 영향을 미쳤습니다.

리랭커 질문: 임베더 선택이 전부가 아닌 이유

임베더는 한 층일 뿐, 전체 검색 스택이 아닙니다. 리랭커는 임베더가 반환한 상위 후보 점수를 다시 매기며, 우리 테스트에서는 임베더를 교체하는 것보다 Recall@10에 더 큰 영향을 미쳤습니다. 이것이 리랭커를 아직 추가하지 않았다면 "어떤 임베딩 API가 가장 좋은가"가 잘못된 첫 번째 질문인 이유입니다.

임베딩 plus 리랭크를 스택으로 생각하세요. 임베더는 코퍼스 전체에 넓은_net_을 던지고, 리랭커는 잡힌 것을 정렬합니다. 임베딩으로 OpenAI를 선택하면 여전히 다른 곳에 리랭커가 필요합니다. 보통 Cohere Rerank인데, 이는 단일 벤더 선택을 두 벤더 선택으로 바꿉니다. 이 모든 것을 위한 오케스트레이션에 대해서는 RAG 스택의 나머지 부분을 참조하세요.

제공업체 전환: 아무도 언급하지 않는 재임베딩 비용

임베딩 제공업체를 전환한다는 것은 전체 코퍼스를 재임베딩한다는 의미입니다. 임베딩은 벤더 간에 상호 교환 가능하지 않으므로, Voyage 벡터와 OpenAI 벡터는 서로 다른 공간에 존재합니다. 이는 비교 페이지 거의 어디에서도 정량화하지 않는 실제 마이그레이션 비용입니다.

알아둘 만한 예외 사항: Voyage의 공유 임베딩 공간을 사용하면 재인덱싱 없이 Voyage 모델(lite에서 large로) 간에 전환할 수 있습니다. 그러나 벤더 간에는 인덱싱한 모든 것을 완전히 재임베딩할 계획을 세워야 합니다. 전환 후에가 아니라 전환 전에 전체 코퍼스 재인코딩의 토큰 비용을 예산에 반영하세요. 총 LLM 지출이 실제 우려 사항이라면 비용 측면에서 구독 계획 비교를 참조하세요. 토큰당 지불하는 대신 셀프 호스팅을 선호하시나요? Ollama로 로컬에서 임베딩 모델 실행 가이드를 참조하세요. 그리고 임베딩을 완전히 건너뛰고 관리형 검색 API로 검색을 구매하는 것도 유효한 경로입니다.

저자 소개

Mert Batur Gurbuz는 Techsy.io의 공동 창립자로, 이곳에서 팀은 B2B 고객을 위한 AI 에이전트, 자동화 시스템, 음성/SDR 파이프라인을 구축합니다. 그는 버밍엄 대학교에서 공부하며 Techsy 팀이 실제 프로덕션에서 사용하는 LLM 도구 스택에 대해 글을 씁니다. LinkedIn에서 연결하세요.

자주 묻는 질문

Voyage가 실제로 OpenAI 임베딩보다 낫나요?

최고 검색 성능 측면에서 이론상은 그렇습니다. voyage-4-large는 text-embedding-3-large보다 nDCG@10이 ~14% 높다고 보고하지만, 이는 Voyage 자체의 RTEB 벤치마크이며 독립적이지 않습니다. 우리 코퍼스에서는 실제 도메인 격차가 약 3포인트였으며, 리랭커가 이를 더욱 좁힙니다. Voyage는 최고 검색 성능에서 승리하고; OpenAI는 생태계와 안정성에서 승리합니다.

어떤 임베딩 API가 가장 저렴한가요?

두 가지 예산 티어가 동률입니다. voyage-4-lite와 text-embedding-3-small은 모두 2026년 7월 기준 백만 토큰당 $0.02입니다. tight budget에서 일반 RAG 인덱스에 충분한 성능을 원한다면 둘 다 작동합니다. OpenAI의 small 모델은 더 넓은 도구 지원을 제공하며; voyage-4-lite는 나중에 voyage-4-large로 업그레이드할 수 있는 공유 임베딩 공간 경로를 제공합니다.

OpenAI에 리랭커가 있나요?

아니요. OpenAI는 2026년 7월 기준 리랭크 엔드포인트를 제공하지 않으며, 임베딩과 채팅 모델만 제공합니다. RAG 파이프라인에 리랭킹이 필요하다면(대부분의 프로덕션 환경에서 이로움을 얻음), OpenAI 임베딩을 Cohere Rerank 4 또는 BGE 리랭커와 같은 크로스 인코더와 페어링하세요. 네이티브 OpenAI 리랭커가 존재한다고 가정하고 아키텍처를 설계하지 마세요.

다국어 측면에서 Cohere Embed v4가 OpenAI보다 낫나요?

예. Cohere는 100개 이상 언어로 마케팅되는 세 가지 중 다국어 및 멀티모달 리더인 반면, OpenAI의 text-embedding-3-large는 decent하지만 다국어 모델로 위치づけ되지는 않습니다. 우리 테스트에서 Cohere의 가장 명확한 우위는 비영어권 티켓 하위 집합에서 나타났습니다. 영어 전용 RAG의 경우, 둘 사이의 격차는 상당히 좁아집니다.

재인덱싱 없이 임베딩 제공업체를 전환할 수 있나요?

아니요. 다른 벤더의 임베딩은 서로 다른 벡터 공간에 존재하므로, 제공업체를 전환하려면 전체 코퍼스를 재임베딩해야 합니다. 유일한 예외: Voyage의 공유 임베딩 공간을 사용하면 재인덱싱 없이 Voyage 모델(lite에서 large로) 간에 전환할 수 있습니다. 벤더 간 마이그레이션 전에 완전 재인코딩의 토큰 비용을 예산에 반영하세요.

각 제공업체의 컨텍스트 윈도우는 얼마인가요?

광범위하게 다릅니다. OpenAI의 text-embedding-3-large는 8191토큰으로 제한되며, Voyage voyage-4-large는 약 32K(현재 문서 페이지에서 확인 필요)이고, Cohere embed-v4.0은 128K를 처리합니다. Voyage의 voyage-context-4는 컨텍스트화된 청크 임베딩을 위해 120K 문서 컨텍스트를 추가합니다. 긴 문서 RAG의 경우, Cohere와 voyage-context-4가 가장 많은 여유 공간을 제공합니다.

voyage-4 대 voyage-context-4 — RAG에 어느 것이 좋나요?

청크 중심 또는 긴 문서 RAG에는 voyage-context-4를 사용하세요. 각 청크가 주변 문서 컨텍스트를 인코딩하므로 단편화된 텍스트에서 검색이 향상되기 때문입니다. 청크가 이미 자족적인 표준 단일 패시지 검색에는 voyage-4-large를 사용하세요. 둘 다 2026년 7월 기준 $0.12/M이므로, 선택은 가격이 아닌 문서 구조에 관한 것입니다.

코드 검색 RAG에 가장 좋은 것은 무엇인가요?

Voyage는 특화된 모델이 해당 도메인에 맞춰져 있어 코드 검색의 일반적인 선택지입니다. 다만 Qwen3와 같은 오픈 모델도 강력한 경쟁자입니다. 코드 검색이 주요 워크로드라면, 자체 리포지토리에서 Voyage와 오픈소스 코드 임베더를 벤치마킹하세요. 오픈소스 선택지에 대해서는 오픈소스 옵션을 포함한 전체 9개 모델 순위를 참조하세요.

프로덕션 RAG 파이프라인을 구축 중이며 스택에 대한 제2의 의견이 필요하신가요? 무료 상담 받기.