Voyage vs OpenAI vs Cohere Embedding Karşılaştırması: Üçünü de RAG İçin Test Ettim (2026)

Voyage vs OpenAI vs Cohere Embedding Karşılaştırması: Üçünü de RAG İçin Test Ettim (2026)

Voyage vs OpenAI vs Cohere embedding karşılaştırması artık 2026'nın sorusu, 2024'ün değil. Voyage, 15 Ocak'ta voyage-4 ve 29 Haziran'da voyage-context-4 modellerini piyasaya sürdü. Cohere, Embed v4'ü piyasaya sürdü. Peki OpenAI? Ocak 2024'ten beri hiçbir yenilik yok. Bu iki buçuk yıllık boşluk, RAG hattınızı hangi barındırılan API'ye karşı indekslemeniz gerektiği hesabını değiştiriyor.

Hızlı Karar: Hangi Embedding API'sini Seçmelisiniz?

2026'da RAG için, zirve getirim kalitesi isterseniz Voyage'ı, en güvenli ve iyi belgelenmiş varsayılan seçenek için OpenAI'yi, çok dilli, çok modlu veya tek bir sağlayıcıdan embedding-artı-reranker isterseniz Cohere'i seçin. Önce bir uyarı: her yerde alıntılanan "%14 daha iyi" rakamı, bağımsız bir MTEB sonucu değil, Voyage'ın kendi RTEB benchmark'ıdır. Buna göre değerlendirin.

Voyage, getirim kalitesi asıl darboğazınızsa, uzmanlaşmış bir alanda (kod, hukuk, finans) çalışıyorsanız veya yeniden indeksleme yapmadan Voyage modelleri arasında geçiş yapmanızı sağlayan paylaşılan-embedding-uzayı yükseltme yolunu istiyorsanız tercih edin. Üçü arasında en küçük ekosisteme sahip, ama kağıt üzerinde en keskin getirim performansına sahip.

OpenAI, İngilizce-genel RAG için en geniş SDK desteğine ve öngörülebilir fiyatlandırmaya sahip en iyi belgelenmiş varsayılanı istiyorsanız tercih edin. Sıkıcı ama güvenli seçim budur. Ödünleşim: yerel bir reranker yok ve model serisi Ocak 2024'ten beri yenilenmedi.

Cohere, çok dilli getirim (100'den fazla dil), çok modluluk (metin artı görsel) gerekiyorsa veya embedding ile pazarın standart barındırılan reranker'ını (Rerank 4) tek bir sağlayıcıdan almak istiyorsanız tercih edin. Rerank aramaları biriktikçe daha pahalı hale geliyor, ama tek-sağlayıcı yığını kullanışlı.

Kendi barındırdığınız (self-hosted) seçenekler dahil daha geniş resmi görmek ister misiniz? Açık kaynak seçenekleri de içeren tam 9 model sıralamasına göz atın. Bu yan yazı sadece üç barındırılan API'ye odaklanıyor.

Bir Bakışta Voyage, OpenAI ve Cohere Embedding

Aşağıdaki tablo her sağlayıcının amiral gemisi modelini kalite, boyut, bağlam, fiyat, çok dillilik ve reranker eşleşmesi açısından karşılaştırıyor. Baştan dürüst bir not: üçünü de aynı anlık görüntüde sıralayan temiz, birebir karşılaştırılabilir kamuya açık bir MTEB satırı yok, bu yüzden her kalite rakamı tek bir sütunda ezilmek yerine kaynağı ve tarihiyle birlikte veriliyor.

Fiyatlar Temmuz 2026 itibarıyla geçerlidir, bu yüzden taahhüt etmeden önce sağlayıcı fiyatlandırma sayfalarından yeniden teyit edin, çünkü embedding fiyatları 2026'nın ilk yarısında iki kez değişti. Boyutlar maliyet için de önemli: ne kadar küçük kırparsanız, bu embedding'leri bir vektör veritabanında saklamak o kadar ucuzlaşır.

Voyage AI: Sınıfının En İyisi Getirim (Yeniden Embedding Yapabiliyorsanız)

Voyage AI, üçü arasında kendi benchmark'larına göre en keskin getirim kalitesini sunuyor, üstelik voyage-4 model boyutları arasında yeniden indeksleme yapmadan geçiş yapmanızı sağlayan paylaşılan bir embedding uzayıyla birlikte. voyage-4 ailesi 15 Ocak 2026'da piyasaya sürüldü: voyage-4-large $0.12/M, voyage-4 $0.06, voyage-4-lite $0.02.

Üç boyutun tamamı bir Mixture-of-Experts mimarisi kullanıyor ve tek bir embedding uzayını paylaşıyor, bu yüzden lite'tan large'a yükseltmek tam bir yeniden indeksleme gerektirmiyor. Sonra voyage-context-4 var (29 Haziran 2026, $0.12/M, context-3'teki $0.18'den düşürüldü), bu model bağlamlandırılmış parça (chunk) embedding'leri üretiyor: her parça, parça başına 32K'lık bir pencere ve 120K'lık doküman bağlamıyla, çevresindeki doküman bağlamını kodluyor. Voyage, embedder'larını rerank-2.5 ile $0.05/M üzerinden eşleştiriyor.

İşte her Voyage iddiasıyla birlikte gitmesi gereken dürüstlük notu: "voyage-4-large, OpenAI'yi yaklaşık %14.05 ve Cohere'i yaklaşık %8.20 oranında geçiyor" başlığı, 15 Ocak lansman blogunda kendi kendine bildirilen Voyage'ın kendi RTEB sonucudur (29 veri setinden oluşan bir benchmark, nDCG@10). Bu, bağımsız bir MTEB skoru değildir. Bu yüzden tek başına MTEB rakamı bu kararı sizin için vermiyor.

Voyage ile embedding yapmak birkaç satırdır:

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

Getirim kalitesi RAG'ınızı geride tutan şeyse Voyage'ı seçin. Dürüst sınırlar: üçü arasında en küçük ekosisteme sahip, %14 rakamı sağlayıcı tarafından bildirilmiş ve Voyage'a geçmek tüm korpusunuzu yeniden embedding yapmak anlamına geliyor.

OpenAI Embedding: Güvenli Varsayılan (Reranker Olmadan)

OpenAI, en güvenli ve en iyi belgelenmiş varsayılandır: text-embedding-3-large, herhangi bir embedding API'si arasında en geniş SDK ve araç desteğine, öngörülebilir fiyatlandırmaya ve sağlam İngilizce getirim performansına sahip. Sıfır sürpriz istediğinizde ve her framework'ün zaten kutudan çıktığı gibi desteklediği zaman tercih edilecek seçim budur.

text-embedding-3-large $0.13/M ($0.065 toplu) çalışıyor, Matryoshka kırpma yoluyla 3072 boyuta kadar destekliyor ve 8191 token'lık bir bağlamı işliyor. Bütçe kardeşi text-embedding-3-small, 1536 boyutta $0.02/M ve genel RAG için iyi performans gösteriyor.

Hiçbir rakip sayfasının bahsetmediği iki gerçek var. Birincisi: text-embedding-4 diye bir şey yok — OpenAI'nin embedding dokümantasyonu hâlâ sadece 3-serisini listeliyor. Bu seri Ocak 2024'ten beri yenilenmedi, yani Voyage ve Cohere 2026 sürümlerini piyasaya sürerken siz yaklaşık 2.5 yıllık bir modeli indekslemiş olacaksınız. İkincisi: OpenAI yerel bir reranker sunmuyor. Buna ihtiyaç duyan takımlar OpenAI embedding'lerini Cohere Rerank veya bir cross-encoder ile eşleştiriyor. Temmuz 2026 itibarıyla bir OpenAI rerank endpoint'i yok, bu yüzden mimarinizi buna göre kurmayın.

Çok dillilik orta düzeyde (MIRACL lansmanda ~%54.9'a yükseldi) ama OpenAI çok dilli bir lider değil. voyage-4-large ile text-embedding-3-large arasındaki bir kararda, OpenAI zirve getirim performansını istikrar ve ekosistem genişliğiyle takas ediyor.

En iyi dokümantasyona sahip, İngilizce-genel RAG için sıkıcı ve güvenilir varsayılanı istiyorsanız OpenAI'yi seçin. Dürüst sınırlar: reranker yok ve alan ilerlerken 2.5 yıldır durağan kalan bir model.

Cohere Embed v4: Çok Modluluk + En İyi Barındırılan Reranker

Cohere Embed v4, çok dilli ve çok modlu lider, üstelik üçü arasında pazarın standart barındırılan reranker'ıyla yerel olarak eşleşen tek model. Korpusunuz 100'den fazla dile yayılıyorsa veya metin ile görseli karıştırıyorsa, en güçlü uyum bu.

embed-v4.0, $0.12/M çalışıyor, 128K token'lık bir bağlamı işliyor ve çok modlu girdiyi (metin, görsel ve iç içe geçmiş dokümanlar) destekliyor. Boyutlar Matryoshka yoluyla 256/512/1024/1536, varsayılan 1536. v3 serisi 1024 boyutta sadece metindi, yani v4 hem modalite hem bağlamda gerçek bir sıçrama.

Cohere'i seçmenin asıl nedeni yığın: Embed v4'ü Rerank 4 ile eşleştirirseniz, tek bir sağlayıcıdan embedding artı reranking almış olursunuz. Rerank 4 Fast, 1.000 arama başına $2.00, Rerank 4 Pro 1.000 başına $2.50, burada bir arama, 100'e kadar doküman karşısında yapılan bir sorgu anlamına geliyor. İzolasyona ihtiyaç duyan kurumlar için Cohere'in Model Vault özel katmanları $2,500–6,500/ay aralığında, ama bu kurumsal seçenek, varsayılan değil.

Çok dilli, çok modlu veya tek-sağlayıcılı embed-artı-rerank yığını gerekiyorsa Cohere'i seçin. Dürüst sınırlar: rerank aramaları biriktikçe daha pahalı hale geliyor ve sadece İngilizce metinde token-başına embedding kalitesi Voyage'a karşı net bir kazanç değil.

Üçünü de Aynı Korpus Üzerinde Test Ettik

İç RAG korpusumuzu sadece üç amiral gemi API'ye karşı yeniden çalıştırdık ve bizi şaşırtan asıl bulgu şu oldu: bir reranker, Recall@10'u herhangi iki embedder arasındaki farktan daha fazla hareket ettirdi. İşte kurulum ve rakamlar.

Korpus, hub benchmark'ında kullandığımız ~10.000 dokümanlık aynı İngilizce teknik doküman ve destek talebi setidir, bu yüzden rakamlar küme genelinde tutarlı kalıyor. Ama bu sadece bir API dilimi: tam olarak voyage-4-large, text-embedding-3-large ve cohere embed-v4.0. Açık kaynak modelleri burada yeniden test etmedik; bu hub'ın işi. Elle etiketlenmiş ~120 sorgudan oluşan bir sete karşı Recall@10 ve nDCG@10 puanladık, 1.000 parçalık bir toplu iş üzerinde p95 embedding gecikmesini ölçtük ve hacmimize göre 1M token başına efektif maliyeti hesapladık.

voyage-4-large setimizde Recall@10'da önde çıktı (0.89'a karşı 0.86), ama OpenAI'nin yaklaşık 3 puan önünde, Voyage'ın RTEB başlığının ima ettiği %14 değil. Bizim alanımızda, gerçek fark çok daha küçüktü. text-embedding-3-large'ı 3072'den 1024 boyuta kırpmak, vektör-veritabanı depolamamızı kabaca 3 kat azaltırken Recall@10'dan sadece yaklaşık 3 puan kaybettirdi (0.83'e). Cohere'in avantajı İngilizce dışı destek talebi alt kümemizde ortaya çıktı, İngilizce'de değil. Peki ya reranker? Cohere Rerank 4'ü (veya voyage rerank-2.5'i) eklemek, üç embedder'ın tamamında Recall@10'u yaklaşık 6 puan yükseltti. Bizim korpusumuzda, bir reranker Recall@10'u embedder değiştirmekten daha fazla hareket ettirdi.

Reranker Sorusu: Embedder Seçiminiz Neden Hikayenin Tamamı Değil

Embedder'ınız retrieval yığınının tek bir katmanıdır, tamamı değil. Bir reranker, embedder'ın döndürdüğü en üst adayları yeniden puanlar ve testimizde bu, embedder değiştirmekten daha fazla Recall@10 hareketi sağladı. Bu yüzden henüz bir reranker eklemediyseniz "hangi embedding API'si en iyisi" yanlış ilk sorudur.

Embedding artı rerank'ı bir yığın olarak düşünün. Embedder korpusunuz üzerine geniş bir ağ atar; reranker yakalananı sıralar. Embedding için OpenAI'yi seçerseniz, başka bir yerde hâlâ bir reranker'a ihtiyacınız olur, genellikle Cohere Rerank, bu da tek-sağlayıcı seçimini iki-sağlayıcı bir seçime dönüştürür. Bunun etrafındaki orkestrasyon için RAG yığınının geri kalanına göz atın.

Sağlayıcı Değiştirmek: Kimsenin Bahsetmediği Yeniden Embedding Maliyeti

Embedding sağlayıcısı değiştirmek, tüm korpusunuzu yeniden embedding yapmak anlamına gelir. Embedding'ler sağlayıcılar arasında birbirinin yerine geçemez, bu yüzden bir Voyage vektörü ile bir OpenAI vektörü farklı uzaylarda yaşar. Bu, neredeyse hiçbir karşılaştırma sayfasının rakamsallaştırmadığı gerçek bir geçiş maliyetidir.

Bilinmeye değer istisna: Voyage'ın paylaşılan embedding uzayı, yeniden indeksleme yapmadan Voyage modelleri arasında (lite'tan large'a) geçiş yapmanızı sağlar. Ancak sağlayıcılar arası geçişte, indekslediğiniz her şeyin tam bir yeniden embedding'i için plan yapın. Geçiş yapmadan önce, sonra değil, tüm korpusunuzu yeniden kodlamanın token maliyetini bütçeleyin. Toplam LLM harcaması asıl kaygınızsa, abonelik planlarının maliyet açısından nasıl karşılaştırıldığına göz atın. Token başına ödemek yerine kendi kendinize barındırmayı mı tercih edersiniz? Bu, kendi rehberini hak eden ayrı bir yapım işidir. Ve embedding'i tamamen atlayıp retrieval'ı yönetilen bir arama API'si olarak satın almayı tercih ediyorsanız, bu da geçerli bir yoldur.

Sıkça Sorulan Sorular

Voyage gerçekten OpenAI embedding'lerinden daha mı iyi?

Zirve getirim performansında, kağıt üzerinde evet. voyage-4-large, text-embedding-3-large'a göre yaklaşık %14 daha yüksek nDCG@10 bildiriyor, ama bu Voyage'ın kendi RTEB benchmark'ı, bağımsız değil. Bizim korpusumuzda gerçek-alan farkı yaklaşık 3 puandı ve bir reranker bunu daha da kapatıyor. Voyage zirve getirim performansını kazanıyor; OpenAI ekosistem ve istikrarı kazanıyor.

Hangi embedding API'si en ucuz?

İki bütçe katmanı berabere. voyage-4-lite ve text-embedding-3-small, Temmuz 2026 itibarıyla her ikisi de token başına $0.02/M maliyetinde. Sıkı bir bütçede yeterince iyi bir genel RAG indeksi için, ikisi de işe yarıyor. OpenAI'nin küçük modeli daha geniş araç desteğine sahip; voyage-4-lite size ilerideki voyage-4-large'a paylaşılan-embedding-uzayı yükseltme yolunu veriyor.

OpenAI'nin bir reranker'ı var mı?

Hayır. OpenAI, Temmuz 2026 itibarıyla sadece embedding ve sohbet modelleri sunuyor, hiçbir rerank endpoint'i yok. RAG hattınız reranking gerektiriyorsa, ki çoğu üretim hattı bundan fayda görür, OpenAI embedding'lerini Cohere Rerank 4 veya bir BGE reranker gibi bir cross-encoder ile eşleştirirsiniz. Mimarinizi yerel bir OpenAI reranker'ının var olduğunu varsayarak tasarlamayın.

Cohere Embed v4, çok dillilik için OpenAI'den daha mı iyi?

Evet. Cohere, üçü arasında çok dilli ve çok modlu lider, 100'den fazla dilde pazarlanıyor, oysa OpenAI'nin text-embedding-3-large'ı iyi ama çok dilli bir model olarak konumlandırılmamış. Testimizde, Cohere'in en net avantajı İngilizce dışı destek talebi alt kümesinde ortaya çıktı. Sadece İngilizce RAG için, aralarındaki fark önemli ölçüde daralıyor.

Yeniden indeksleme yapmadan embedding sağlayıcısı değiştirebilir miyim?

Hayır. Farklı sağlayıcılardan gelen embedding'ler farklı vektör uzaylarında yaşar, bu yüzden sağlayıcı değiştirmek tüm korpusunuzu yeniden embedding yapmak anlamına gelir. Tek istisna: Voyage'ın paylaşılan embedding uzayı, yeniden indeksleme yapmadan Voyage modelleri arasında (lite'tan large'a) geçiş yapmanızı sağlar. Sağlayıcılar arası geçiş yapmadan önce tam bir yeniden kodlamanın token maliyetini bütçeleyin.

Her sağlayıcının bağlam penceresi nedir?

Büyük farklılıklar var. OpenAI'nin text-embedding-3-large'ı 8191 token'da tavan yapıyor, Voyage voyage-4-large yaklaşık 32K (güncel dokümantasyon sayfasından teyit edin) ve Cohere embed-v4.0 128K'yı işliyor. Voyage'ın voyage-context-4'ü, bağlamlandırılmış parça embedding'leri için 120K'lık bir doküman bağlamı ekliyor. Uzun-doküman RAG için, Cohere ve voyage-context-4 size en fazla alanı veriyor.

Voyage-4'e karşı voyage-context-4 — RAG için hangisi?

Parçalama-ağırlıklı veya uzun-doküman RAG için voyage-context-4'ü kullanın, çünkü her parça çevresindeki doküman bağlamını kodluyor, bu da parçalanmış metinde getirim performansını iyileştiriyor. Parçaların zaten kendi kendine yeterli olduğu standart tek-pasaj getirim için voyage-4-large'ı kullanın. İkisi de Temmuz 2026 itibarıyla $0.12/M maliyetinde, bu yüzden seçim fiyatla değil doküman yapısıyla ilgili.

Kod-getirimi RAG için en iyisi hangisi?

Voyage, kod getirimi için genellikle tercih edilen seçimdir, çünkü uzmanlaşmış modelleri o alana göre ayarlanmıştır, ancak Qwen3 gibi açık modeller de güçlü rakiplerdir. Kod arama asıl iş yükünüzse, Voyage'ı kendi deponuzda açık kaynak bir kod embedder'ına karşı benchmark'layın. Açık kaynak seçenekler için açık kaynak seçenekleri de içeren tam 9 model sıralamasına bakın.

Üretim RAG hattı mı kuruyorsunuz ve yığın hakkında ikinci bir görüş mü istiyorsunuz? Ücretsiz danışmanlık alın.