Voyage vs OpenAI vs Cohere Embeddings: Przetestowałem wszystkie 3 do RAG (2026)

Voyage vs OpenAI vs Cohere Embeddings: Przetestowałem wszystkie 3 do RAG (2026)

Dylemat „Voyage vs OpenAI vs Cohere embeddings” to pytanie na rok 2026, a nie 2024. Voyage wypuściło model voyage-4 15 stycznia oraz voyage-context-4 29 czerwca. Cohere wprowadziło Embed v4. A OpenAI? Nic nowego od stycznia 2024 roku. Ta dwuipółletnia luka zmienia kalkulację tego, które hostowane API powinno stanowić podstawę indeksowania w Twoim pipeline RAG.

Szybki werdykt: Które API do embeddingów wybrać?

Dla RAG w 2026 roku wybierz Voyage, jeśli zależy Ci na najwyższej jakości wyszukiwania, OpenAI jako najbezpieczniejszy, dobrze udokumentowany standard, a Cohere, jeśli potrzebujesz rozwiązań wielojęzycznych, multimodalnych lub pakietu embedding plus reranker od jednego dostawcy. Jedna ważna uwaga na wstępie: często cytowana wartość „o 14% lepiej” pochodzi z własnego benchmarku RTEB firmy Voyage, a nie z niezależnych wyników MTEB. Należy to odpowiednio zaznaczyć.

Voyage – wybierz, jeśli jakość wyszukiwania jest Twoim rzeczywistym wąskim gardłem, pracujesz w wyspecjalizowanej domenie (kod, prawo, finanse) lub chcesz ścieżki aktualizacji w ramach wspólnej przestrzeni embeddingów, co pozwala na zamianę modeli Voyage bez ponownego indeksowania. Najmniejszy ekosystem spośród tej trójki, ale teoretycznie najprecyzyjniejsze wyszukiwanie.

OpenAI – wybierz, jeśli szukasz najlepiej udokumentowanego standardu z najszerszym wsparciem SDK i przewidywalnymi cenami dla anglojęzycznego RAG ogólnego przeznaczenia. To nudny, ale bezpieczny wybór. Kompromis? Brak natywnego rerankera oraz linia modeli, która nie była odświeżana od stycznia 2024 roku.

Cohere – wybierz, jeśli potrzebujesz wyszukiwania wielojęzycznego (ponad 100 języków), multimodalnego (tekst plus obraz) lub chcesz mieć embeddingi i rynkowy standard hostowanego rerankera (Rerank 4) od jednego dostawcy. Drożej, gdy liczba wyszukiwań z rerankingiem rośnie, ale stack od jednego vendoru jest wygodny.

Chcesz szerszego obrazu, w tym opcji self-hosted? Zobacz pełne ranking 9 modeli, włącznie z opcjami open-source. Ten artykuł skupia się głęboko tylko na trzech hostowanych API.

Voyage, OpenAI i Cohere Embeddings w skrócie

Poniższa tabela porównuje flagowe oferty każdego dostawcy pod kątem jakości, wymiarowości, kontekstu, ceny, siły w językach innych niż angielski oraz dopasowania rerankera. Jedna uczciwa uwaga na wstępie: nie ma czystego, publicznego zestawienia MTEB, które rankinguje wszystkie trzy w tym samym momencie, więc każda wartość jakościowa jest podawana wraz ze źródłem i datą, zamiast być upychana w jedną kolumnę.

Ceny obowiązują od lipca 2026 roku, dlatego przed podjęciem decyzji potwierdź je na stronach cennikowych dostawców, ponieważ ceny embeddingów zmieniały się dwukrotnie w pierwszej połowie 2026 roku. Wymiary mają również znaczenie dla kosztów: im mniejsze przycięcie, tym taniej przechowujesz te embeddingi w bazie wektorowej.

Voyage AI: Najlepsza klasa wyszukiwania (jeśli możesz ponownie wygenerować embeddingi)

Voyage AI oferuje najwyższą jakość wyszukiwania spośród tej trójki według własnych benchmarków, a także wspólną przestrzeń embeddingów, która pozwala na zamianę rozmiarów modeli voyage-4 bez ponownego indeksowania. Rodzina voyage-4 została uruchomiona 15 stycznia 2026 roku: voyage-4-large za $0.12/M, voyage-4 za $0.06, voyage-4-lite za $0.02.

Wszystkie trzy rozmiary wykorzystują architekturę Mixture-of-Experts i dzielą jedną przestrzeń embeddingów, więc aktualizacja z lite do large nie wymusza pełnego reindeksu. Dochodzi do tego voyage-context-4 (29 czerwca 2026, $0.12/M, spadek z $0.18 za context-3), który generuje kontekstualizowane embeddingi fragmentów: każdy fragment koduje otaczający go kontekst dokumentu, z oknem 32K na fragment i 120K kontekstu dokumentu. Voyage paruje swoje embeddery z rerank-2.5 w cenie $0.05/M.

Oto uczciwa uwaga, która musi towarzyszyć każdemu twierdzeniu Voyage: nagłówkowe stwierdzenie „voyage-4-large pokonuje OpenAI o ~14.05% i Cohere o ~8.20%” to wynik własny RTEB firmy Voyage (benchmark na 29 zbiorach danych, nDCG@10), zgłoszony samodzielnie w blogu premierowym z 15 stycznia. Nie jest to niezależny wynik MTEB. Dlatego sama liczba MTEB nie decyduje za Ciebie.

Generowanie embeddingów z Voyage to kilka linii kodu:

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

Wybierz Voyage, jeśli jakość wyszukiwania jest tym, co hamuje Twój RAG. Uczciwe ograniczenia: to najmniejszy ekosystem spośród tej trójki, wartość 14% jest raportowana przez dostawcę, a przejście na Voyage oznacza ponowne wygenerowanie embeddingów dla całego korpusu.

Embeddingi OpenAI: Bezpieczny standard (bez rerankera)

OpenAI to najbezpieczniejszy, najlepiej udokumentowany standard: text-embedding-3-large ma najszersze wsparcie SDK i narzędzi wśród wszystkich API do embeddingów, z przewidywalnymi cenami i solidnym wyszukiwaniem w języku angielskim. To wybór, gdy chcesz zerowej liczby niespodzianek, a każdy framework wspiera go out of the box.

text-embedding-3-large kosztuje $0.13/M ($0.065 wsadowo), obsługuje do 3072 wymiarów poprzez przycięcie Matryoshka i radzi sobie z kontekstem 8191 tokenów. Budżetowy brat, text-embedding-3-small, kosztuje $0.02/M przy 1536 wymiarach i sprawdza się dobrze w ogólnym RAG.

Dwie prawdy, których nie wspomina strona żadnego konkurenta. Po pierwsze: nie istnieje text-embedding-4 — dokumentacja embeddingów OpenAI nadal wymienia tylko serię 3. Linia nie była odświeżana od stycznia 2024 roku, więc indeksowałbyś na modelu mającym około 2,5 roku, podczas gdy Voyage i Cohere wydały wersje z 2026 roku. Po drugie: OpenAI nie posiada natywnego rerankera. Zespoły, które go potrzebują, parują embeddingi OpenAI z Cohere Rerank lub cross-encoderem. Nie ma endpointu rerank w OpenAI od lipca 2026 roku, więc nie projektuj architektury w oparciu o jego istnienie.

Wielojęzyczność jest przyzwoita (MIRACL poprawione do ~54.9% przy starcie), ale OpenAI nie jest liderem wielojęzycznym. W decyzji voyage-4-large vs text-embedding-3-large, OpenAI wymienia szczytową jakość wyszukiwania na stabilność i szerokość ekosystemu.

Wybierz OpenAI, jeśli chcesz nudnego, niezawodnego standardu dla anglojęzycznego RAG z najlepszą dokumentacją. Uczciwe ograniczenia: brak rerankera i model, który jest statyczny od 2,5 roku, podczas gdy rynek poszedł do przodu.

Cohere Embed v4: Multimodalność + Najlepszy hostowany reranker

Cohere Embed v4 to lider w zakresie wielojęzyczności i multimodalności oraz jedyny z tej trójki, który natywnie paruje się z rynkowym standardem hostowanego rerankera. Jeśli Twój korpus obejmuje ponad 100 języków lub miesza tekst z obrazami, jest to najmocniejsze dopasowanie.

embed-v4.0 kosztuje $0.12/M, obsługuje kontekst 128K tokenów i wspiera wejście multimodalne (tekst, obrazy oraz przeplatane dokumenty). Wymiary to 256/512/1024/1536 via Matryoshka, z 1536 jako domyślnym. Linia v3 była tylko tekstowa przy 1024 wymiarach, więc v4 to autentyczny krok naprzód zarówno pod względem modalności, jak i kontekstu.

Prawdziwym powodem wyboru Cohere jest stack: sparuj Embed v4 z Rerank 4, a otrzymasz embedding i reranking od jednego dostawcy. Rerank 4 Fast kosztuje $2.00 za 1000 wyszukiwań, Rerank 4 Pro $2.50 za 1000, gdzie jedno wyszukiwanie to jedno zapytanie przeciwko maksymalnie 100 dokumentom. Dla przedsiębiorstw potrzebujących izolacji, dedykowane warstwy Model Vault Cohere kosztują $2500–6500/mies., ale to opcja enterprise, a nie domyślna.

Wybierz Cohere, jeśli potrzebujesz wielojęzyczności, multimodalności lub stacku embed-plus-rerank od jednego dostawcy. Uczciwe ograniczenia: staje się drożej, gdy liczba wyszukiwań z rerankingiem rośnie, a w przypadku tekstu tylko po angielsku jego jakość embeddingu per token nie jest wyraźną wygraną nad Voyage.

Przetestowaliśmy wszystkie trzy na tym samym korpusie

Ponownie uruchomiliśmy nasz wewnętrzny korpus RAG przeciwko tylko trzem flagowym API, a wynik główny nas zaskoczył: reranker przesunął Recall@10 bardziej niż różnica między dowolnymi dwoma embedderami. Oto konfiguracja i liczby.

Korpus to ten sam zestaw ~10 000 dokumentów technicznych i ticketów supportu w języku angielskim, którego użyliśmy w benchmarku huba, więc liczby pozostają spójne w całym klastrze. Jest to jednak wycinek tylko API: dokładnie voyage-4-large, text-embedding-3-large i cohere embed-v4.0. Nie testowaliśmy tutaj ponownie modeli open-source; to zadanie huba. Punktowaliśmy Recall@10 i nDCG@10 przeciwko ręcznie oznaczonemu zestawowi ~120 zapytań, mierzyliśmy opóźnienie embeddingu p95 na partii 1000 fragmentów i obliczyliśmy efektywny koszt na 1M tokenów przy naszym wolumenie.

voyage-4-large prowadził w Recall@10 na naszym zestawie (0.89 vs 0.86), ale o około 3 punkty nad OpenAI, a nie o 14%, jak sugeruje nagłówek RTEB Voyage. W naszej domenie rzeczywista luka była znacznie mniejsza. Przycięcie text-embedding-3-large z 3072 do 1024 wymiarów kosztowało tylko około 3 punkty Recall@10 (do 0.83), jednocześnie redukując nasze przechowywanie w bazie wektorowej około 3-krotnie. Przewaga Cohere pojawiła się w naszym podzbiorze ticketów nieanglojęzycznych, a nie w angielskich. A reranker? Dodanie Cohere Rerank 4 (lub voyage rerank-2.5) podniosło Recall@10 o około 6 punktów we wszystkich trzech embedderach. Na naszym korpusie reranker przesunął Recall@10 bardziej niż zmiana embeddera.

Pytanie o reranker: Dlaczego wybór embeddera to nie cała historia

Twój embedder to jedna warstwa, a nie cały stack wyszukiwania. Reranker ponownie ocenia najlepszych kandydatów zwróconych przez embedder i w naszym teście przesunął Recall@10 bardziej niż zamiana embedderów. Dlatego pytanie „które API do embeddingów jest najlepsze” jest złym pierwszym pytaniem, jeśli nie dodałeś jeszcze rerankera.

Myśl o embeddingu plus rerank jako o stacku. Embedder rzuca szeroką sieć na Twój korpus; reranker sortuje połow. Wybierz OpenAI do embeddingów, a nadal będziesz potrzebować rerankera gdzie indziej, zwykle Cohere Rerank, co zamienia wybór jednego dostawcy w wybór dwóch. Do orkiestracji tego wszystkiego zobacz resztę stacku RAG.

Zmiana dostawcy: Koszt ponownego generowania embeddingów, o którym nikt nie wspomina

Zmiana dostawcy embeddingów oznacza ponowne wygenerowanie embeddingów dla całego korpusu. Embeddingi nie są wymienne między dostawcami, więc wektor Voyage i wektor OpenAI żyją w różnych przestrzeniach. To realny koszt migracji, którego prawie żadna strona porównawcza nie kwantyfikuje.

Wyjątkiem wartym poznania jest wspólna przestrzeń embeddingów Voyage, która pozwala na zamianę między modelami Voyage (lite do large) bez ponownego indeksowania. Między dostawcami jednak zaplanuj pełne ponowne wygenerowanie embeddingów dla wszystkiego, co zaindeksowałeś. Zaplanuj koszt tokenów ponownego zakodowania całego korpusu przed zmianą, a nie po niej. Jeśli całkowity wydatek na LLM jest Twoim prawdziwym zmartwieniem, zobacz jak plany subskrypcyjne porównują się kosztem. Wolisz self-hosting zamiast płacenia za token? Zobacz nasz przewodnik po uruchamianiu modeli embeddingowych lokalnie z Ollama. A jeśli wolisz całkowicie pominąć embeddingi i kupić wyszukiwanie jako zarządzane API search, to również validna ścieżka.

O autorze

Mert Batur Gurbuz jest współzałożycielem Techsy.io, gdzie zespół dostarcza agentów AI, systemy automatyzacji oraz pipeline'y voice/SDR dla klientów B2B. Studiuje na University of Birmingham i pisze o stacku narzędziowym LLM, z którego zespół Techsy faktycznie korzysta w produkcji. Połącz się na LinkedIn.

Często zadawane pytania

Czy Voyage jest faktycznie lepsze niż embeddingi OpenAI?

Pod względem szczytowego wyszukiwania, tak na papierze. voyage-4-large raportuje o ~14% wyższe nDCG@10 niż text-embedding-3-large, ale to własny benchmark RTEB Voyage, a nie niezależny. Na naszym korpusie luka w rzeczywistej domenie wynosiła około 3 punktów, a reranker dodatkowo ją zmniejsza. Voyage wygrywa szczytowym wyszukiwaniem; OpenAI wygrywa ekosystemem i stabilnością.

Które API do embeddingów jest najtańsze?

Dwie warstwy budżetowe są remisem. voyage-4-lite i text-embedding-3-small kosztują oba $0.02/M tokenów od lipca 2026 roku. Dla wystarczająco dobrego ogólnego indeksu RAG przy napiętym budżecie, oba działają. Mały model OpenAI ma szersze wsparcie narzędziowe; voyage-4-lite daje ścieżkę aktualizacji w ramach wspólnej przestrzeni embeddingów do voyage-4-large w przyszłości.

Czy OpenAI ma reranker?

Nie. OpenAI nie posiada endpointu rerank od lipca 2026 roku, tylko embeddingi i modele chat. Jeśli Twój pipeline RAG potrzebuje rerankingu, a większość produkcyjnych na tym korzysta, parujesz embeddingi OpenAI z Cohere Rerank 4 lub cross-encoderem, takim jak reranker BGE. Nie projektuj swojej architektury, zakładając, że natywny reranker OpenAI istnieje.

Czy Cohere Embed v4 jest lepszy niż OpenAI dla wielojęzyczności?

Tak. Cohere jest liderem wielojęzycznym i multimodalnym spośród tej trójki, marketingowo obejmującym ponad 100 języków, podczas gdy text-embedding-3-large OpenAI jest przyzwoity, ale nie pozycjonowany jako model wielojęzyczny. W naszym teście najwyraźniejsza przewaga Cohere pojawiła się w podzbiorze ticketów nieanglojęzycznych. Dla RAG tylko po angielsku luka między nimi znacznie się zawęża.

Czy mogę zmienić dostawcę embeddingów bez ponownego indeksowania?

Nie. Embeddingi od różnych dostawców żyją w różnych przestrzeniach wektorowych, więc zmiana dostawcy oznacza ponowne wygenerowanie embeddingów dla całego korpusu. Jedyny wyjątek: wspólna przestrzeń embeddingów Voyage pozwala na zamianę między modelami Voyage (lite do large) bez ponownego indeksowania. Zaplanuj koszt tokenów pełnego ponownego zakodowania przed migracją między dostawcami.

Jakie jest okno kontekstowe każdego dostawcy?

Różnią się znacznie. text-embedding-3-large OpenAI kończy się na 8191 tokenach, Voyage voyage-4-large to około 32K (potwierdź na bieżącej stronie dokumentacji), a Cohere embed-v4.0 obsługuje 128K. voyage-context-4 Voyage dodaje 120K kontekstu dokumentu dla kontekstualizowanych embeddingów fragmentów. Dla RAG na długich dokumentach, Cohere i voyage-context-4 dają najwięcej miejsca.

Voyage-4 vs voyage-context-4 — który do RAG?

Użyj voyage-context-4 do RAG opartego na ciężkim chunkingu lub długich dokumentach, ponieważ każdy fragment koduje otaczający go kontekst dokumentu, co poprawia wyszukiwanie we fragmentowanym tekście. Użyj voyage-4-large do standardowego wyszukiwania pojedynczych passage, gdzie fragmenty są już samodzielne. Obie kosztują $0.12/M od lipca 2026 roku, więc wybór dotyczy struktury dokumentu, a nie ceny.

Co jest najlepsze do RAG z wyszukiwaniem kodu?

Voyage to usualny wybór do wyszukiwania kodu, ponieważ jego wyspecjalizowane modele są dostrojone do tej domeny, choć modele open-source, takie jak Qwen3, są silnymi konkurentami. Jeśli wyszukiwanie kodu jest Twoim głównym obciążeniem, przetestuj Voyage przeciwko open-sourcowemu embedderowi kodu na swoim własnym repozytorium. Zobacz pełny ranking 9 modeli, włącznie z opcjami open-source po wybory open-source.

Budujesz produkcyjny pipeline RAG i chcesz drugiej opinii na temat stacku? Umów bezpłatną konsultację.