Voyage vs OpenAI vs Cohere Embeddings: Testei as 3 para RAG (2026)

Voyage vs OpenAI vs Cohere Embeddings: Testei as 3 para RAG (2026)

A questão "Voyage vs OpenAI vs Cohere embeddings" é relevante em 2026, não em 2024. A Voyage lançou o voyage-4 a 15 de janeiro e o voyage-context-4 a 29 de junho. A Cohere lançou o Embed v4. E a OpenAI? Nada de novo desde janeiro de 2024. Esta lacuna de dois anos e meio altera os cálculos sobre qual API alojada deve utilizar para indexar a sua pipeline de RAG.

Veredito Rápido: Qual API de Embedding Deve Escolher?

Para RAG em 2026, escolha a Voyage para qualidade máxima de recuperação, a OpenAI para a opção padrão mais segura e bem documentada, e a Cohere para cenários multilingues, multimodais ou quando desejar embeddings e reranker do mesmo fornecedor. Uma ressalva inicial: o valor amplamente citado de "14% melhor" provém do benchmark RTEB da própria Voyage, não sendo um resultado independente do MTEB. Atribua-o corretamente.

Voyage: escolha se a qualidade da recuperação for o seu verdadeiro gargalo, se trabalhar num domínio especializado (código, jurídico, financeiro) ou se quiser a vantagem de um espaço de embeddings partilhado que permite trocar entre modelos Voyage sem reindexar. É o ecossistema mais pequeno dos três, mas oferece a recuperação mais precisa no papel.

OpenAI: escolha se pretender a opção padrão melhor documentada, com o suporte mais amplo de SDKs e preços previsíveis para RAG geral em inglês. É a escolha aborrecida, mas segura. A contrapartida: não possui reranker nativo e uma linha de modelos que não recebe atualizações desde janeiro de 2024.

Cohere: escolha se necessitar de recuperação multilingue (mais de 100 idiomas), multimodal (texto mais imagem) ou se quiser embeddings e o reranker alojado padrão de mercado (Rerank 4) de um único fornecedor. Torna-se mais dispendioso à medida que as pesquisas de reranking acumulam, mas a stack de fornecedor único é conveniente.

Deseja uma visão mais ampla, incluindo opções autoalojadas? Consulte a classificação completa de 9 modelos, incluindo opções open-source. Este artigo aprofunda apenas as três APIs alojadas.

Voyage, OpenAI e Cohere Embeddings numa Vista de Olhos

A tabela abaixo compara o modelo principal de cada fornecedor em termos de qualidade, dimensões, contexto, preço, força multilingue e emparelhamento com reranker. Uma nota honesta desde já: não existe uma linha pública limpa do MTEB que classifique os três simultaneamente no mesmo momento, pelo que cada figura de qualidade é citada com a sua fonte e data, em vez de ser amalgamada numa única coluna.

Os preços referem-se a julho de 2026, por isso confirme novamente nas páginas de preços dos fornecedores antes de se comprometer, visto que os preços dos embeddings sofreram duas alterações no primeiro semestre de 2026. As dimensões também influenciam o custo: quanto mais truncar, mais barato será armazenar estes embeddings numa base de dados vetorial.

Voyage AI: Recuperação de Classe Mundial (Se Puder Re-incorporar)

A Voyage AI oferece a qualidade de recuperação mais precisa dos três nos seus próprios benchmarks, além de um espaço de embeddings partilhado que permite trocar entre tamanhos de modelos voyage-4 sem reindexar. A família voyage-4 foi lançada a 15 de janeiro de 2026: voyage-4-large a $0.12/M, voyage-4 a $0.06, voyage-4-lite a $0.02.

Todos os três tamanhos utilizam uma arquitetura Mixture-of-Experts e partilham um espaço de embeddings, pelo que a atualização de lite para large não obriga a uma reindexação completa. Existe ainda o voyage-context-4 (29 de junho de 2026, $0.12/M, reduzido de $0.18 para o context-3), que produz embeddings de fragmentos contextualizados: cada fragmento codifica o contexto do documento circundante, com uma janela de 32K por fragmento e 120K de contexto do documento. A Voyage emparelha os seus incorporadores com o rerank-2.5 a $0.05/M.

Eis a nota de honestidade que deve acompanhar qualquer afirmação da Voyage: o destaque "voyage-4-large supera a OpenAI em ~14.05% e a Cohere em ~8.20%" é um resultado RTEB da própria Voyage (um benchmark de 29 conjuntos de dados, nDCG@10), autorreportado no blog de lançamento de 15 de janeiro. Não é uma pontuação MTEB independente. É por isso que a pontuação MTEB isolada não decide isto por si.

Incorporar com a Voyage requer apenas algumas linhas:

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

Escolha a Voyage se a qualidade da recuperação for o fator que está a limitar o seu RAG. Limitações honestas: é o ecossistema mais pequeno dos três, o valor de 14% é reportado pelo fornecedor e a mudança para a Voyage implica reincorporar todo o seu corpus.

OpenAI Embeddings: A Opção Segura (Sem Reranker)

A OpenAI é a opção padrão mais segura e melhor documentada: o text-embedding-3-large tem o suporte mais amplo de SDKs e ferramentas de qualquer API de embeddings, com preços previsíveis e boa recuperação em inglês. É a escolha quando quer zero surpresas e quando todas as frameworks já o suportam nativamente.

O text-embedding-3-large custa $0.13/M ($0.065 em lote), suporta até 3072 dimensões via truncagem Matryoshka e lida com um contexto de 8191 tokens. O irmão económico, text-embedding-3-small, custa $0.02/M com 1536 dimensões e mantém-se sólido para RAG geral.

Duas verdades que nenhuma página da concorrência menciona. Primeira: não existe text-embedding-4 — a documentação de embeddings da OpenAI ainda lista apenas a série 3. A linha não recebe atualizações desde janeiro de 2024, pelo que estaria a indexar com um modelo com cerca de 2,5 anos, enquanto a Voyage e a Cohere lançaram versões de 2026. Segunda: a OpenAI não disponibiliza nenhum reranker nativo. As equipas que precisam de um emparelham os embeddings da OpenAI com o Cohere Rerank ou com um cross-encoder. Não existe nenhum endpoint de reranking da OpenAI em julho de 2026, por isso não arquitete soluções assumindo a sua existência.

O suporte multilingue é decente (MIRACL melhorou para ~54.9% no lançamento), mas a OpenAI não é líder multilingue. Na decisão entre voyage-4-large e text-embedding-3-large, a OpenAI troca pico de recuperação por estabilidade e amplitude do ecossistema.

Escolha a OpenAI se quiser a opção aborrecida e fiável para RAG geral em inglês com a melhor documentação. Limitações honestas: sem reranker e um modelo estático há 2,5 anos enquanto o campo evoluiu.

Cohere Embed v4: Multimodal + Melhor Reranker Alojados

O Cohere Embed v4 é o líder multilingue e multimodal, e o único dos três que se emparelha nativamente com o reranker alojado padrão de mercado. Se o seu corpus abrange mais de 100 idiomas ou mistura texto e imagens, esta é a opção mais forte.

O embed-v4.0 custa $0.12/M, lida com um contexto de 128K tokens e suporta entrada multimodal (texto, imagens e documentos intercalados). As dimensões são 256/512/1024/1536 via Matryoshka, sendo 1536 o padrão. A linha v3 era apenas textual com 1024 dimensões, pelo que a v4 representa um avanço genuíno tanto em modalidade como em contexto.

A verdadeira razão para escolher a Cohere é a stack: emparelhe o Embed v4 com o Rerank 4 e terá embeddings e reranking de um único fornecedor. O Rerank 4 Fast custa $2.00 por 1.000 pesquisas, o Rerank 4 Pro custa $2.50 por 1.000, onde uma pesquisa equivale a uma consulta contra até 100 documentos. Para empresas que necessitam de isolamento, os níveis dedicados Model Vault da Cohere custam entre $2.500 e $6.500/mês, mas esta é uma opção empresarial, não a padrão.

Escolha a Cohere se precisar de multilingue, multimodal ou de uma stack de embed-plus-rerank de fornecedor único. Limitações honestas: torna-se mais dispendioso à medida que as pesquisas de reranking aumentam e, em texto apenas em inglês, a sua qualidade de embedding por token não é claramente superior à da Voyage.

Testámos as Três no Mesmo Corpus

Reexecutámos o nosso corpus interno de RAG apenas contra as três APIs principais, e a descoberta principal surpreendeu-nos: um reranker alterou o Recall@10 mais do que a diferença entre quaisquer dois incorporadores. Eis a configuração e os números.

O corpus é o mesmo conjunto de ~10.000 documentos de documentação técnica em inglês e tickets de suporte que utilizámos no benchmark do hub, pelo que os números se mantêm consistentes em todo o cluster. Mas isto é apenas uma fatia de API: especificamente voyage-4-large, text-embedding-3-large e cohere embed-v4.0. Não voltámos a testar os modelos open-source aqui; essa é a função do hub. Pontuámos o Recall@10 e o nDCG@10 contra um conjunto de ~120 consultas rotuladas manualmente, medimos a latência p95 de embedding num lote de 1.000 fragmentos e calculámos o custo efetivo por 1M de tokens ao nosso volume.

O voyage-4-large liderou o Recall@10 no nosso conjunto (0.89 vs 0.86), mas por cerca de 3 pontos acima da OpenAI, não pelos 14% que o destaque RTEB da Voyage implica. No nosso domínio, a diferença real foi muito menor. Truncar o text-embedding-3-large de 3072 para 1024 dimensões custou apenas cerca de 3 pontos de Recall@10 (para 0.83), reduzindo o nosso armazenamento na base de dados vetorial aproximadamente 3 vezes. A vantagem da Cohere manifestou-se no nosso subconjunto de tickets não ingleses, não nos ingleses. E o reranker? Adicionar o Cohere Rerank 4 (ou o voyage rerank-2.5) aumentou o Recall@10 em cerca de 6 pontos em todos os três incorporadores. No nosso corpus, um reranker alterou o Recall@10 mais do que a troca de incorporadores.

A Questão do Reranker: Por Que a Escolha do Incorporador Não É Toda a História

O seu incorporador é apenas uma camada, não toda a stack de recuperação. Um reranker reavalia os melhores candidatos devolvidos por um incorporador e, no nosso teste, alterou o Recall@10 mais do que a troca de incorporadores. É por isso que "qual API de embedding é a melhor" é a pergunta errada se ainda não adicionou um reranker.

Pense no embedding mais rerank como uma stack. O incorporador lança uma rede ampla sobre o seu corpus; o reranker ordena a captura. Se escolher a OpenAI para embeddings, ainda precisará de um reranker noutro lugar, geralmente o Cohere Rerank, o que transforma uma escolha de fornecedor único numa escolha de dois fornecedores. Para a orquestração de tudo isto, consulte o resto da stack RAG.

Mudança de Fornecedores: O Custo de Re-incorporação Que Ninguém Menciona

Mudar de fornecedor de embeddings significa reincorporar todo o seu corpus. Os embeddings não são intercambiáveis entre fornecedores, pelo que um vetor da Voyage e um vetor da OpenAI vivem em espaços diferentes. Este é um custo real de migração que quase nenhuma página de comparação quantifica.

A exceção que vale a pena conhecer: o espaço de embeddings partilhado da Voyage permite trocar entre modelos Voyage (de lite para large) sem reindexar. Entre fornecedores, porém, planeie uma reincorporação completa de tudo o que indexou. Orçamente o custo em tokens da recodificação de todo o seu corpus antes de mudar, não depois. Se o gasto total em LLM for a sua verdadeira preocupação, veja como os planos de subscrição se comparam em custo. Prefere autoalojar em vez de pagar por token? Consulte o nosso guia para executar modelos de embedding localmente com Ollama. E se preferir ignorar completamente os embeddings e comprar recuperação como uma API de pesquisa gerida, esse também é um caminho válido.

Sobre o Autor

Mert Batur Gurbuz é Co-Fundador da Techsy.io, onde a equipa desenvolve agentes de IA, sistemas de automação e pipelines de voz/SDR para clientes B2B. Estuda na Universidade de Birmingham e escreve sobre a stack de ferramentas LLM que a equipa da Techsy realmente utiliza em produção. Conecte-se no LinkedIn.

Perguntas Frequentes

A Voyage é realmente melhor que os embeddings da OpenAI?

No pico de recuperação, sim, no papel. O voyage-4-large reporta ~14% mais nDCG@10 que o text-embedding-3-large, mas isso provém do benchmark RTEB da própria Voyage, não sendo independente. No nosso corpus, a diferença no domínio real foi de cerca de 3 pontos, e um reranker reduz ainda mais essa lacuna. A Voyage vence no pico de recuperação; a OpenAI vence no ecossistema e estabilidade.

Qual API de embedding é a mais barata?

Os dois níveis económicos estão empatados. O voyage-4-lite e o text-embedding-3-small custam ambos $0.02/M tokens em julho de 2026. Para um índice RAG geral "suficientemente bom" com orçamento apertado, qualquer um funciona. O modelo small da OpenAI tem suporte de ferramentas mais amplo; o voyage-4-lite oferece-lhe o caminho de atualização de espaço de embeddings partilhado para o voyage-4-large mais tarde.

A OpenAI tem um reranker?

Não. A OpenAI não disponibiliza nenhum endpoint de reranking em julho de 2026, apenas embeddings e modelos de chat. Se a sua pipeline RAG precisar de reranking, e a maioria das produções beneficia disso, emparelhe os embeddings da OpenAI com o Cohere Rerank 4 ou um cross-encoder como um reranker BGE. Não desenhe a sua arquitetura assumindo a existência de um reranker nativo da OpenAI.

O Cohere Embed v4 é melhor que a OpenAI para multilingue?

Sim. A Cohere é a líder multilingue e multimodal dos três, comercializada para mais de 100 idiomas, enquanto o text-embedding-3-large da OpenAI é decente, mas não posicionado como um modelo multilingue. No nosso teste, a vantagem mais clara da Cohere apareceu no subconjunto de tickets não ingleses. Para RAG apenas em inglês, a diferença entre eles diminui consideravelmente.

Posso mudar de fornecedor de embeddings sem reindexar?

Não. Os embeddings de diferentes fornecedores vivem em espaços vetoriais diferentes, pelo que mudar de fornecedor significa reincorporar todo o seu corpus. A única exceção: o espaço de embeddings partilhado da Voyage permite trocar entre modelos Voyage (de lite para large) sem reindexar. Orçamente o custo em tokens de uma recodificação completa antes de migrar entre fornecedores.

Qual é a janela de contexto de cada fornecedor?

Variam amplamente. O text-embedding-3-large da OpenAI limita-se a 8191 tokens, o Voyage voyage-4-large ronda os 32K (confirme na página de documentação atual) e o Cohere embed-v4.0 lida com 128K. O voyage-context-4 da Voyage adiciona um contexto de documento de 120K para embeddings de fragmentos contextualizados. Para RAG de documentos longos, a Cohere e o voyage-context-4 oferecem-lhe a maior margem.

Voyage-4 vs voyage-context-4 — qual para RAG?

Utilize o voyage-context-4 para RAG com muita fragmentação ou documentos longos, uma vez que cada fragmento codifica o contexto do documento circundante, o que melhora a recuperação em texto fragmentado. Utilize o voyage-4-large para recuperação padrão de passagem única onde os fragmentos já são autossuficientes. Ambos custam $0.12/M em julho de 2026, pelo que a escolha depende da estrutura do documento, não do preço.

Qual é o melhor para RAG de recuperação de código?

A Voyage é a escolha habitual para recuperação de código, uma vez que os seus modelos especializados são ajustados para esse domínio, embora modelos abertos como o Qwen3 sejam também fortes concorrentes. Se a pesquisa de código for a sua carga de trabalho principal, faça benchmark da Voyage contra um incorporador de código open-source no seu próprio repositório. Consulte a classificação completa de 9 modelos, incluindo opções open-source para as escolhas abertas.

Está a construir uma pipeline RAG de produção e deseja uma segunda opinião sobre a stack? Obtenha uma consulta gratuita.