Voyage vs OpenAI vs Cohere embeddings: Vi testet alle tre for RAG (2026)

Voyage vs OpenAI vs Cohere embeddings: Vi testet alle tre for RAG (2026)

Voyage vs OpenAI vs Cohere embeddings er et 2026-spørsmål, ikke et 2024-spørsmål. Voyage lanserte voyage-4 15. januar og voyage-context-4 29. juni. Cohere lanserte Embed v4. OpenAI? Ingenting nytt siden januar 2024. Det gapet på to og et halvt år endrer regnestykket for hvilken hostet API du bør indeksere RAG-pipelinen din mot.

Rask konklusjon: Hvilken embedding-API bør du velge?

For RAG i 2026: velg Voyage for best mulig retrieval-kvalitet, OpenAI for det tryggeste og best dokumenterte standardvalget, og Cohere for flerspråklig, multimodalt eller embedding-pluss-reranker fra én leverandør. Ett forbehold først: det mye siterte «14 % bedre»-tallet er Voyages eget RTEB-benchmark, ikke et uavhengig MTEB-resultat. Krediter det deretter.

Voyage, velg denne hvis retrieval-kvalitet er den faktiske flaskehalsen din, du jobber i et spesialisert domene (kode, juss, finans), eller du vil ha oppgraderingsveien med delt embedding-rom som lar deg bytte mellom Voyage-modeller uten å reindeksere. Minste økosystem av de tre, men skarpest retrieval på papiret.

OpenAI, velg denne hvis du vil ha det best dokumenterte standardvalget med bredest SDK-støtte og forutsigbar pris for engelsk-generell RAG. Det er det kjedelige, trygge valget. Avveiningen: ingen innebygd reranker, og en modellserie som ikke er oppdatert siden januar 2024.

Cohere, velg denne hvis du trenger flerspråklig retrieval (100+ språk), multimodalt (tekst pluss bilde), eller vil ha embeddings og markedsstandard-rerankeren (Rerank 4) fra én leverandør. Dyrere når rerank-søk stables opp, men stacken fra én leverandør er praktisk.

Vil du ha det bredere bildet, inkludert selvhostede alternativer? Se den fulle rangeringen av 9 modeller, inkludert open source-alternativer. Denne artikkelen går i dybden bare på de tre hostede API-ene.

Voyage, OpenAI og Cohere embeddings – et raskt overblikk

Tabellen under sammenligner hver leverandørs flaggskip på kvalitet, dimensjoner, kontekst, pris, flerspråklig styrke og reranker-paring. Én ærlig merknad først: det finnes ingen ren epler-til-epler offentlig MTEB-rad som rangerer alle tre på samme tidspunkt, så hvert kvalitetstall er oppgitt med kilde og dato i stedet for å slås sammen i én kolonne.

Prisene gjelder juli 2026, så bekreft på leverandørenes prissider før du forplikter deg, siden embedding-priser endret seg to ganger i første halvår av 2026. Dimensjoner betyr noe for kostnad også: jo mindre du kutter til, desto billigere blir det å lagre disse embeddings i en vektordatabase.

Voyage AI: Best-i-klassen retrieval (hvis du kan reembedde)

Voyage AI leverer den skarpeste retrieval-kvaliteten av de tre på sine egne benchmarks, pluss et delt embedding-rom som lar deg bytte mellom voyage-4-modellstørrelser uten å reindeksere. voyage-4-familien lanserte 15. januar 2026: voyage-4-large til $0.12/M, voyage-4 til $0.06, voyage-4-lite til $0.02.

Alle tre størrelsene bruker en Mixture-of-Experts-arkitektur og deler ett embedding-rom, så en oppgradering fra lite til large tvinger ikke frem en full reindeksering. Så er det voyage-context-4 (29. juni 2026, $0.12/M, ned fra $0.18 for context-3), som produserer kontekstualiserte chunk-embeddings: hver chunk koder inn den omkringliggende dokumentkonteksten, med et 32K-vindu per chunk og 120K dokumentkontekst. Voyage parer embedderne sine med rerank-2.5 til $0.05/M.

Her er ærlighetsnoten som må følge med enhver Voyage-påstand: overskriften «voyage-4-large slår OpenAI med ~14,05 % og Cohere med ~8,20 %» er Voyages eget RTEB-resultat (et 29-datasett-benchmark, nDCG@10), selvrapportert i lanseringsbloggen fra 15. januar. Det er ikke en uavhengig MTEB-score. Derfor avgjør ikke MTEB-tallet dette alene for deg.

Å embedde med Voyage tar noen linjer:

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

Velg Voyage hvis retrieval-kvalitet er det som holder RAG-en din tilbake. Ærlige begrensninger: det er det minste økosystemet av de tre, 14 %-tallet er leverandørrapportert, og å bytte til Voyage betyr å reembedde hele korpuset ditt.

OpenAI embeddings: Det trygge standardvalget (uten reranker)

OpenAI er det tryggeste, best dokumenterte standardvalget: text-embedding-3-large har bredest SDK- og verktøystøtte av alle embedding-API-er, med forutsigbar pris og solid engelsk retrieval. Det er valget når du vil ha null overraskelser og hvert rammeverk allerede støtter det ut av boksen.

text-embedding-3-large koster $0.13/M ($0.065 batch), støtter opptil 3072 dimensjoner via Matryoshka-kutting, og håndterer en kontekst på 8191 tokens. Budsjettsøsteren, text-embedding-3-small, koster $0.02/M ved 1536 dimensjoner og holder stand godt for generell RAG.

To sannheter ingen konkurrentside nevner. For det første: det finnes ingen text-embedding-4 — OpenAIs embeddings-dokumentasjon lister fortsatt bare 3-serien. Serien har ikke blitt oppdatert siden januar 2024, så du ville indeksert på en omtrent 2,5 år gammel modell mens Voyage og Cohere lanserte 2026-utgivelser. For det andre: OpenAI leverer ingen innebygd reranker. Team som trenger en, parer OpenAI-embeddings med Cohere Rerank eller en cross-encoder. Det finnes ikke noe OpenAI-rerank-endepunkt per juli 2026, så ikke arkitekt rundt et sånt.

Flerspråklig er greit (MIRACL forbedret seg til ~54,9 % ved lansering), men OpenAI er ikke en flerspråklig leder. I en voyage-4-large-mot-text-embedding-3-large-avgjørelse bytter OpenAI bort toppretrieval mot stabilitet og økosystembredde.

Velg OpenAI hvis du vil ha det kjedelige, pålitelige standardvalget for engelsk-generell RAG med best dokumentasjon. Ærlige begrensninger: ingen reranker, og en modell som har stått stille i 2,5 år mens feltet har beveget seg videre.

Cohere Embed v4: Multimodal + best hostet reranker

Cohere Embed v4 er den flerspråklige og multimodale lederen, og den eneste av de tre som parer naturlig med markedsstandard-rerankeren. Hvis korpuset ditt spenner over 100+ språk eller blander tekst og bilder, er dette den sterkeste passformen.

embed-v4.0 koster $0.12/M, håndterer en kontekst på 128K tokens, og støtter multimodal input (tekst, bilder og sammenflettede dokumenter). Dimensjonene er 256/512/1024/1536 via Matryoshka, med 1536 som standard. v3-serien var kun tekst ved 1024 dimensjoner, så v4 er et reelt løft på både modalitet og kontekst.

Den egentlige grunnen til å velge Cohere er stacken: par Embed v4 med Rerank 4, og du får embedding pluss reranking fra én leverandør. Rerank 4 Fast koster $2.00 per 1000 søk, Rerank 4 Pro koster $2.50 per 1000, der ett søk tilsvarer én spørring mot opptil 100 dokumenter. For bedrifter som trenger isolasjon, koster Coheres dedikerte Model Vault-nivåer $2500–6500/mnd, men det er bedriftsalternativet, ikke standarden.

Velg Cohere hvis du trenger flerspråklig, multimodalt, eller en embedding-pluss-rerank-stack fra én leverandør. Ærlige begrensninger: det blir dyrere etter hvert som rerank-søk stables opp, og på ren engelsk tekst er kvaliteten per token ikke en klar seier over Voyage.

Vi testet alle tre på samme korpus

Vi kjørte vårt interne RAG-korpus på nytt mot bare de tre flaggskip-API-ene, og hovedfunnet overrasket oss: en reranker flyttet Recall@10 mer enn gapet mellom to embeddere gjorde. Her er oppsettet og tallene.

Korpuset er det samme settet på rundt 10 000 dokumenter med engelsk teknisk dokumentasjon og support-saker som vi brukte i hub-benchmarken, så tallene holder seg konsistente på tvers av klyngen. Men dette er en ren API-skive: nøyaktig voyage-4-large, text-embedding-3-large og cohere embed-v4.0. Vi retestet ikke open source-modellene her; det er hubens jobb. Vi scoret Recall@10 og nDCG@10 mot et håndmerket sett på rundt 120 spørringer, målte p95-embedding-latens på en batch med 1000 chunks, og beregnet effektiv kostnad per 1M tokens ved vårt volum.

voyage-4-large ledet Recall@10 på settet vårt (0,89 mot 0,86), men med rundt 3 poeng over OpenAI, ikke de 14 % som Voyages RTEB-overskrift antyder. På vårt domene var det reelle gapet mye mindre. Å kutte text-embedding-3-large fra 3072 til 1024 dimensjoner kostet bare rundt 3 poeng Recall@10 (til 0,83), samtidig som det kuttet vektor-DB-lagringen vår med rundt 3x. Coheres fortrinn viste seg på vår ikke-engelske ticket-delmengde, ikke på engelsk. Og rerankeren? Å legge til Cohere Rerank 4 (eller voyage rerank-2.5) løftet Recall@10 med rundt 6 poeng på alle tre embedderne. På vårt korpus flyttet en reranker Recall@10 mer enn å bytte embedder gjorde.

Reranker-spørsmålet: Hvorfor embedder-valget ditt ikke er hele historien

Embedderen din er ett lag, ikke hele retrieval-stacken. En reranker skårer om de beste kandidatene en embedder returnerer, og i testen vår flyttet den Recall@10 mer enn å bytte embedder gjorde. Derfor er «hvilken embedding-API er best» feil førstespørsmål hvis du ikke har lagt til en reranker ennå.

Tenk på embedding pluss rerank som en stack. Embedderen kaster et vidt nett over korpuset ditt; rerankeren sorterer fangsten. Velger du OpenAI for embeddings, trenger du fortsatt en reranker et annet sted, vanligvis Cohere Rerank, som gjør ett leverandørvalg om til to. For orkestreringen rundt alt dette, se resten av RAG-stacken.

Å bytte leverandør: Reembedding-kostnaden ingen nevner

Å bytte embedding-leverandør betyr å reembedde hele korpuset ditt. Embeddings er ikke ombyttbare på tvers av leverandører, så en Voyage-vektor og en OpenAI-vektor lever i forskjellige rom. Det er en reell migreringskostnad som nesten ingen sammenligningsside kvantifiserer.

Unntaket verdt å kjenne til: Voyages delte embedding-rom lar deg bytte mellom Voyage-modeller (lite til large) uten å reindeksere. På tvers av leverandører må du derimot planlegge for en full reembedding av alt du har indeksert. Budsjetter token-kostnaden for å re-kode hele korpuset ditt før du bytter, ikke etterpå. Er totale LLM-kostnader din egentlige bekymring? Se hvordan abonnementsplaner sammenlignes på kostnad. Foretrekker du å selvhoste i stedet for å betale per token? Det er en egen løsning som fortjener sin egen guide. Og hvis du heller vil hoppe over embeddings helt og kjøpe retrieval som en administrert søke-API, er det også en gyldig vei.

Ofte stilte spørsmål

Er Voyage faktisk bedre enn OpenAI-embeddings?

På toppretrieval, ja på papiret. voyage-4-large rapporterer ~14 % høyere nDCG@10 enn text-embedding-3-large, men det er Voyages eget RTEB-benchmark, ikke uavhengig. På vårt korpus var det reelle domenegapet rundt 3 poeng, og en reranker lukker det ytterligere. Voyage vinner toppretrieval; OpenAI vinner økosystem og stabilitet.

Hvilken embedding-API er billigst?

De to budsjettnivåene er like. voyage-4-lite og text-embedding-3-small koster begge $0.02/M tokens per juli 2026. For en god nok generell RAG-indeks på et stramt budsjett fungerer begge. OpenAIs lille modell har bredest verktøystøtte; voyage-4-lite gir deg oppgraderingsveien med delt embedding-rom til voyage-4-large senere.

Har OpenAI en reranker?

Nei. OpenAI leverer ikke noe rerank-endepunkt per juli 2026, bare embeddings og chat-modeller. Hvis RAG-pipelinen din trenger reranking, og de fleste produksjonspipeliner drar nytte av det, parer du OpenAI-embeddings med Cohere Rerank 4 eller en cross-encoder som en BGE-reranker. Ikke design arkitekturen din som om en innebygd OpenAI-reranker eksisterer.

Er Cohere Embed v4 bedre enn OpenAI for flerspråklig bruk?

Ja. Cohere er den flerspråklige og multimodale lederen av de tre, markedsført på tvers av 100+ språk, mens OpenAIs text-embedding-3-large er grei, men ikke posisjonert som en flerspråklig modell. I testen vår viste Coheres tydeligste fortrinn seg på den ikke-engelske ticket-delmengden. For ren engelsk RAG smalner gapet mellom dem betydelig inn.

Kan jeg bytte embedding-leverandør uten å reindeksere?

Nei. Embeddings fra forskjellige leverandører lever i forskjellige vektorrom, så å bytte leverandør betyr å reembedde hele korpuset ditt. Unntaket: Voyages delte embedding-rom lar deg bytte mellom Voyage-modeller (lite til large) uten å reindeksere. Budsjetter token-kostnaden for en full re-koding før du migrerer på tvers av leverandører.

Hva er kontekstvinduet til hver leverandør?

De varierer mye. OpenAIs text-embedding-3-large har et tak på 8191 tokens, Voyage voyage-4-large ligger på rundt 32K (bekreft på gjeldende dokumentasjonsside), og Cohere embed-v4.0 håndterer 128K. Voyages voyage-context-4 legger til en 120K dokumentkontekst for kontekstualiserte chunk-embeddings. For lange dokumenter i RAG gir Cohere og voyage-context-4 mest takhøyde.

Voyage-4 mot voyage-context-4 — hvilken for RAG?

Bruk voyage-context-4 for chunking-tung eller langdokument-RAG, siden hver chunk koder inn den omkringliggende dokumentkonteksten, noe som forbedrer retrieval på fragmentert tekst. Bruk voyage-4-large for standard enkelt-passasje-retrieval der chunkene allerede er selvstendige. Begge koster $0.12/M per juli 2026, så valget handler om dokumentstruktur, ikke pris.

Hva er best for kode-retrieval-RAG?

Voyage er det vanlige valget for kode-retrieval, siden de spesialiserte modellene deres er tunet for det domenet, selv om åpne modeller som Qwen3 også er sterke konkurrenter. Hvis kodesøk er din primære arbeidsmengde, benchmark Voyage mot en open source-kodeembedder på ditt eget repository. Se den fulle rangeringen av 9 modeller, inkludert open source-alternativer for de åpne alternativene.

Bygger du en produksjons-RAG-pipeline og vil ha en second opinion på stacken? Få en gratis konsultasjon.