Voyage vs OpenAI vs Cohere embeddings: ik testte alle 3 voor RAG (2026)

Voyage vs OpenAI vs Cohere embeddings: ik testte alle 3 voor RAG (2026)

Voyage vs OpenAI vs Cohere embeddings is een vraag voor 2026, niet voor 2024. Voyage bracht voyage-4 uit op 15 januari en voyage-context-4 op 29 juni. Cohere lanceerde Embed v4. OpenAI? Niets nieuws sinds januari 2024. Dat gat van tweeënhalf jaar verandert de rekensom voor welke gehoste API je RAG-pipeline zou moeten indexeren.

Snelle conclusie: welke embedding-API kies je?

Voor RAG in 2026 kies je Voyage voor topkwaliteit in retrieval, OpenAI voor de veiligste, best gedocumenteerde standaard, en Cohere voor meertalig, multimodaal of embedding-plus-reranker van één leverancier. Eerst een kanttekening: het veelgeciteerde cijfer van "14% beter" komt uit Voyage's eigen RTEB-benchmark, niet uit een onafhankelijke MTEB-meting. Vermeld dat er dus bij.

Voyage kies je als retrievalkwaliteit je echte knelpunt is, je in een gespecialiseerd domein werkt (code, juridisch, financieel), of je het gedeelde embedding-space upgrade-pad wilt dat je tussen Voyage-modellen laat wisselen zonder opnieuw te indexeren. Kleinste ecosysteem van de drie, maar de scherpste retrieval op papier.

OpenAI kies je als je de best gedocumenteerde standaard wilt met de breedste SDK-ondersteuning en voorspelbare prijzen voor Engelstalige, algemene RAG. Het is de saaie, veilige keuze. De afweging: geen native reranker, en een modellijn die niet is vernieuwd sinds januari 2024.

Cohere kies je als je meertalige retrieval nodig hebt (100+ talen), multimodaal (tekst plus beeld), of embeddings en de marktstandaard gehoste reranker (Rerank 4) van één leverancier wilt. Duurder zodra rerank-zoekopdrachten oplopen, maar de one-vendor stack is handig.

Wil je het bredere plaatje inclusief self-hosted opties? Bekijk de volledige ranking van 9 modellen inclusief open-source opties. Dit artikel behandelt alleen de drie gehoste API's, in detail.

Voyage, OpenAI en Cohere embeddings in één oogopslag

De tabel hieronder vergelijkt het vlaggenschipmodel van elke leverancier op kwaliteit, dimensies, context, prijs, meertaligheid en reranker-koppeling. Eerlijkheidshalve vooraf: er is geen schone, publieke MTEB-rij die alle drie op hetzelfde moment rangschikt, dus elk kwaliteitscijfer wordt vermeld met bron en datum in plaats van samengevoegd in één kolom.

Prijzen zijn van juli 2026, dus controleer ze opnieuw op de pricingpagina's van de leveranciers voordat je een keuze maakt, want embeddingprijzen zijn in de eerste helft van 2026 al twee keer veranderd. Dimensies zijn ook belangrijk voor de kosten: hoe kleiner je afkapt, hoe goedkoper je deze embeddings opslaat in een vectordatabase.

Voyage AI: topklasse retrieval (als je opnieuw kunt embedden)

Voyage AI levert de scherpste retrievalkwaliteit van de drie op zijn eigen benchmarks, plus een gedeelde embedding-space waarmee je tussen voyage-4-modelgroottes kunt wisselen zonder opnieuw te indexeren. De voyage-4-familie lanceerde op 15 januari 2026: voyage-4-large voor $0.12/M, voyage-4 voor $0.06, voyage-4-lite voor $0.02.

Alle drie de groottes gebruiken een Mixture-of-Experts-architectuur en delen één embedding-space, dus upgraden van lite naar large forceert geen volledige herindexering. Dan is er voyage-context-4 (29 juni 2026, $0.12/M, verlaagd van $0.18 voor context-3), dat gecontextualiseerde chunk-embeddings produceert: elke chunk codeert zijn omringende documentcontext, met een venster van 32K per chunk en 120K documentcontext. Voyage combineert zijn embedders met rerank-2.5 voor $0.05/M.

Hier is de eerlijkheidsnotitie die bij elke Voyage-claim hoort: de kop "voyage-4-large verslaat OpenAI met ~14.05% en Cohere met ~8.20%" is Voyage's eigen RTEB-resultaat (een benchmark met 29 datasets, nDCG@10), zelf gerapporteerd in de launchblog van 15 januari. Het is geen onafhankelijke MTEB-score. Daarom beslist het MTEB-cijfer dat alleen niet voor je.

Embedden met Voyage is een paar regels:

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

Kies Voyage als retrievalkwaliteit is wat je RAG tegenhoudt. Eerlijke beperkingen: het is het kleinste ecosysteem van de drie, het cijfer van 14% komt van de leverancier zelf, en overstappen naar Voyage betekent dat je je hele corpus opnieuw moet embedden.

OpenAI embeddings: de veilige standaard (zonder reranker)

OpenAI is de veiligste, best gedocumenteerde standaard: text-embedding-3-large heeft de breedste SDK- en tooling-ondersteuning van elke embedding-API, met voorspelbare prijzen en solide Engelstalige retrieval. Het is de keuze als je nul verrassingen wilt en elk framework het al standaard ondersteunt.

text-embedding-3-large kost $0.13/M ($0.065 batch), ondersteunt tot 3072 dimensies via Matryoshka-afkapping, en verwerkt een context van 8191 tokens. De budgetvariant, text-embedding-3-small, kost $0.02/M bij 1536 dimensies en presteert prima voor algemene RAG.

Twee waarheden die geen concurrentiepagina noemt. Ten eerste: er is geen text-embedding-4 — OpenAI's embeddingsdocumentatie noemt nog steeds alleen de 3-serie. De lijn is niet vernieuwd sinds januari 2024, dus je zou indexeren op een model van ruwweg 2,5 jaar oud terwijl Voyage en Cohere in 2026 nieuwe releases uitbrachten. Ten tweede: OpenAI levert geen native reranker. Teams die er een nodig hebben, combineren OpenAI-embeddings met Cohere Rerank of een cross-encoder. Er is geen OpenAI-rerank-endpoint per juli 2026, dus bouw je architectuur er niet omheen.

Meertaligheid is redelijk (MIRACL verbeterde tot ~54.9% bij lancering), maar OpenAI is geen meertalige koploper. Bij een keuze tussen voyage-4-large en text-embedding-3-large ruilt OpenAI topretrieval in voor stabiliteit en ecosysteembreedte.

Kies OpenAI als je de saaie, betrouwbare standaard wilt voor Engelstalige, algemene RAG met de beste documentatie. Eerlijke beperkingen: geen reranker, en een model dat al 2,5 jaar stilstaat terwijl het veld verder is gegaan.

Cohere Embed v4: multimodaal + beste gehoste reranker

Cohere Embed v4 is de meertalige en multimodale koploper, en de enige van de drie die native koppelt met de marktstandaard gehoste reranker. Als je corpus 100+ talen omvat of tekst en beeld combineert, is dit de sterkste match.

embed-v4.0 kost $0.12/M, verwerkt een context van 128K tokens, en ondersteunt multimodale input (tekst, afbeeldingen en geïnterlinieerde documenten). Dimensies zijn 256/512/1024/1536 via Matryoshka, met 1536 als standaard. De v3-lijn was tekst-only bij 1024 dimensies, dus v4 is een echte stap vooruit op zowel modaliteit als context.

De echte reden om voor Cohere te kiezen is de stack: combineer Embed v4 met Rerank 4 en je krijgt embedding plus reranking van één leverancier. Rerank 4 Fast kost $2.00 per 1,000 zoekopdrachten, Rerank 4 Pro $2.50 per 1,000, waarbij één zoekopdracht gelijk staat aan één query tegen maximaal 100 documenten. Voor enterprises die isolatie nodig hebben, kosten Cohere's Model Vault dedicated tiers $2,500–6,500/maand, maar dat is de enterprise-optie, niet de standaard.

Kies Cohere als je meertaligheid, multimodaliteit, of een embedding-plus-rerank-stack van één leverancier nodig hebt. Eerlijke beperkingen: het wordt duurder zodra rerank-zoekopdrachten oplopen, en op alleen-Engelse tekst is de embeddingkwaliteit per token geen duidelijke winst ten opzichte van Voyage.

We testten alle drie op dezelfde corpus

We hebben ons interne RAG-corpus opnieuw getest tegen alleen de drie vlaggenschip-API's, en de belangrijkste bevinding verraste ons: een reranker verbeterde Recall@10 meer dan het verschil tussen twee willekeurige embedders. Hier is de opzet en de cijfers.

De corpus is dezelfde set van ~10.000 documenten met Engelse technische documentatie en supporttickets die we gebruikten in de hub-benchmark, dus de cijfers blijven consistent binnen de cluster. Maar dit is een API-only segment: precies voyage-4-large, text-embedding-3-large en cohere embed-v4.0. We hebben de open-source modellen hier niet opnieuw getest; dat is de taak van de hub. We scoorden Recall@10 en nDCG@10 tegen een handmatig gelabelde set van ~120 queries, maten p95 embedding-latentie op een batch van 1.000 chunks, en berekenden effectieve kosten per 1M tokens bij ons volume.

voyage-4-large leidde op Recall@10 in onze set (0.89 tegen 0.86), maar met ongeveer 3 punten verschil ten opzichte van OpenAI, niet de 14% die Voyage's RTEB-kop suggereert. In ons domein was het echte gat veel kleiner. Het afkappen van text-embedding-3-large van 3072 naar 1024 dimensies kostte slechts ongeveer 3 punten Recall@10 (naar 0.83), terwijl het onze vector-DB-opslag ongeveer 3x verkleinde. Cohere's voorsprong kwam naar voren op onze niet-Engelse ticketsubset, niet op Engels. En de reranker? Het toevoegen van Cohere Rerank 4 (of voyage rerank-2.5) verhoogde Recall@10 met ongeveer 6 punten bij alle drie de embedders. Op onze corpus verbeterde een reranker Recall@10 meer dan het wisselen van embedder.

De reranker-vraag: waarom je embedder-keuze niet het hele verhaal is

Je embedder is één laag, niet de hele retrievalstack. Een reranker herscoort de topkandidaten die een embedder oplevert, en in onze test verbeterde dat Recall@10 meer dan het wisselen van embedders. Daarom is "welke embedding-API is de beste" de verkeerde eerste vraag als je nog geen reranker hebt toegevoegd.

Zie embedding plus rerank als een stack. De embedder werpt een breed net over je corpus; de reranker sorteert de vangst. Kies je OpenAI voor embeddings, dan heb je alsnog ergens anders een reranker nodig, meestal Cohere Rerank, waardoor een keuze voor één leverancier er twee wordt. Voor de orkestratie eromheen, zie de rest van de RAG-stack.

Overstappen van provider: de herindexeringskosten die niemand noemt

Overstappen van embeddingprovider betekent dat je je hele corpus opnieuw moet embedden. Embeddings zijn niet uitwisselbaar tussen leveranciers, dus een Voyage-vector en een OpenAI-vector leven in verschillende ruimtes. Dat is een echte migratiekost die vrijwel geen vergelijkingspagina becijfert.

De uitzondering die het weten waard is: Voyage's gedeelde embedding-space laat je wisselen tussen Voyage-modellen (lite naar large) zonder opnieuw te indexeren. Tussen leveranciers moet je echter rekening houden met een volledige herembedding van alles wat je al hebt geïndexeerd. Begroot de tokenkosten van het herencoderen van je hele corpus vóórdat je overstapt, niet erna. Als je totale LLM-uitgaven je echte zorg zijn, zie hoe abonnementen zich verhouden qua kosten. Liever self-hosten in plaats van per token betalen? Dat is een aparte build die zijn eigen gids verdient. En als je embeddings liever helemaal overslaat en retrieval koopt als een beheerde zoek-API, is dat ook een geldig pad.

Veelgestelde vragen

Is Voyage echt beter dan OpenAI-embeddings?

Op piekretrieval, op papier wel. voyage-4-large rapporteert ~14% hogere nDCG@10 dan text-embedding-3-large, maar dat is Voyage's eigen RTEB-benchmark, niet onafhankelijk. Op onze corpus was het echte domeingat ongeveer 3 punten, en een reranker verkleint dat verder. Voyage wint op piekretrieval; OpenAI wint op ecosysteem en stabiliteit.

Welke embedding-API is het goedkoopst?

De twee budgettiers zijn gelijk. voyage-4-lite en text-embedding-3-small kosten allebei $0.02/M tokens per juli 2026. Voor een goed-genoeg algemene RAG-index met een krap budget werken beide. OpenAI's kleine model heeft de bredere tooling-ondersteuning; voyage-4-lite geeft je het upgradepad met gedeelde embedding-space naar voyage-4-large later.

Heeft OpenAI een reranker?

Nee. OpenAI levert geen rerank-endpoint per juli 2026, alleen embeddings en chatmodellen. Als je RAG-pipeline reranking nodig heeft, en de meeste productiepipelines profiteren ervan, koppel je OpenAI-embeddings met Cohere Rerank 4 of een cross-encoder zoals een BGE-reranker. Bouw je architectuur niet op de aanname dat er een native OpenAI-reranker bestaat.

Is Cohere Embed v4 beter dan OpenAI voor meertaligheid?

Ja. Cohere is de meertalige en multimodale koploper van de drie, gepositioneerd over 100+ talen, terwijl OpenAI's text-embedding-3-large redelijk is maar niet gepositioneerd als een meertalig model. In onze test kwam Cohere's duidelijkste voordeel naar voren op de niet-Engelse ticketsubset. Voor alleen-Engelse RAG wordt het gat aanzienlijk kleiner.

Kan ik van embeddingprovider wisselen zonder opnieuw te indexeren?

Nee. Embeddings van verschillende leveranciers leven in verschillende vectorruimtes, dus overstappen betekent dat je je hele corpus opnieuw moet embedden. De ene uitzondering: Voyage's gedeelde embedding-space laat je wisselen tussen Voyage-modellen (lite naar large) zonder opnieuw te indexeren. Begroot de tokenkosten van een volledige herencodering voordat je tussen leveranciers migreert.

Wat is het contextvenster van elke provider?

Ze verschillen sterk. OpenAI's text-embedding-3-large stopt bij 8191 tokens, Voyage voyage-4-large zit rond 32K (check de huidige documentatiepagina), en Cohere embed-v4.0 verwerkt 128K. Voyage's voyage-context-4 voegt een documentcontext van 120K toe voor gecontextualiseerde chunk-embeddings. Voor lange-documenten-RAG geven Cohere en voyage-context-4 de meeste ruimte.

Voyage-4 vs voyage-context-4 — welke voor RAG?

Gebruik voyage-context-4 voor chunking-zware of lange-documenten-RAG, omdat elke chunk zijn omringende documentcontext codeert, wat de retrieval op gefragmenteerde tekst verbetert. Gebruik voyage-4-large voor standaard single-passage retrieval waar chunks al op zichzelf staan. Beide kosten $0.12/M per juli 2026, dus de keuze draait om documentstructuur, niet om prijs.

Wat is het beste voor code-retrieval-RAG?

Voyage is meestal de keuze voor code-retrieval, omdat de gespecialiseerde modellen op dat domein zijn afgestemd, al zijn open modellen zoals Qwen3 ook sterke kanshebbers. Als codezoeken je hoofdwerklast is, benchmark je Voyage tegen een open-source code-embedder op je eigen repository. Zie de volledige ranking van 9 modellen inclusief open-source opties voor de open keuzes.

Bouw je een RAG-pipeline in productie en wil je een tweede mening over de stack? Vraag een gratis consult aan.