Voyage vs OpenAI vs Cohere Embeddings: Tôi đã thử nghiệm cả 3 cho RAG (2026)
Câu hỏi về việc lựa chọn giữa embeddings của Voyage, OpenAI và Cohere là vấn đề của năm 2026, không phải 2024. Voyage đã phát hành voyage-4 vào ngày 15 tháng 1 và voyage-context-4 vào ngày 29 tháng 6. Cohere cũng đã ra mắt Embed v4. Còn OpenAI? Không có gì mới kể từ tháng 1 năm 2024. Khoảng trống hai năm rưỡi này thay đổi hoàn toàn phép tính về việc bạn nên chọn API lưu trữ nào để lập chỉ mục cho quy trình RAG của mình.
Phán quyết nhanh: Bạn nên chọn API Embedding nào?
Đối với RAG trong năm 2026, hãy chọn Voyage nếu bạn cần chất lượng truy xuất đỉnh cao, chọn OpenAI làm mặc định an toàn nhất với tài liệu đầy đủ, và chọn Cohere nếu bạn cần hỗ trợ đa ngôn ngữ, đa phương thức hoặc giải pháp embedding kết hợp reranker từ một nhà cung cấp duy nhất. Một lưu ý quan trọng trước tiên: con số "tốt hơn 14%" thường được trích dẫn là từ điểm chuẩn RTEB của chính Voyage, không phải kết quả MTEB độc lập. Hãy ghi nhận nguồn thông tin này cho đúng.
Voyage: Chọn nếu chất lượng truy xuất là nút thắt cổ chai thực sự của bạn, bạn làm việc trong lĩnh vực chuyên biệt (code, pháp lý, tài chính), hoặc bạn muốn lộ trình nâng cấp không gian embedding chung cho phép chuyển đổi giữa các mô hình Voyage mà không cần lập chỉ mục lại. Hệ sinh thái nhỏ nhất trong ba bên, nhưng khả năng truy xuất sắc bén nhất trên lý thuyết.
OpenAI: Chọn nếu bạn muốn một tùy chọn mặc định có tài liệu tốt nhất, hỗ trợ SDK rộng rãi và giá cả dự đoán được cho RAG tiếng Anh tổng quát. Đây là lựa chọn nhàm chán nhưng an toàn. Sự đánh đổi: không có reranker gốc và dòng mô hình chưa được cập nhật kể từ tháng 1 năm 2024.
Cohere: Chọn nếu bạn cần truy xuất đa ngôn ngữ (hơn 100 ngôn ngữ), đa phương thức (văn bản cộng hình ảnh), hoặc muốn embeddings và bộ reranker lưu trữ tiêu chuẩn thị trường (Rerank 4) từ một nhà cung cấp duy nhất. Giá sẽ cao hơn khi số lượng tìm kiếm reranker tăng lên, nhưng sự tiện lợi của giải pháp một nhà cung cấp là rất lớn.
Muốn có cái nhìn tổng quát hơn bao gồm cả các tùy chọn tự lưu trữ? Xem bảng xếp hạng đầy đủ 9 mô hình bao gồm các tùy chọn mã nguồn mở. Bài viết này đi sâu vào chỉ ba API lưu trữ.
Tổng quan về Embeddings của Voyage, OpenAI và Cohere
Bảng dưới đây so sánh sản phẩm chủ lực của mỗi nhà cung cấp về chất lượng, số chiều (dimensions), ngữ cảnh, giá cả, khả năng đa ngôn ngữ và khả năng kết hợp với reranker. Một lưu ý trung thực ngay từ đầu: không có hàng MTEB công khai sạch sẽ nào xếp hạng cả ba ở cùng một thời điểm, vì vậy mọi con số chất lượng đều được trích dẫn kèm nguồn và ngày tháng thay vì gộp chung vào một cột.
| Nhà cung cấp + Sản phẩm chủ lực | MTEB/chất lượng (nguồn + ngày) | Số chiều (Matryoshka) | Cửa sổ ngữ cảnh | Giá /1M tokens | Đa ngôn ngữ | Kết hợp Reranker | Giới hạn tốc độ / Gói miễn phí |
|---|---|---|---|---|---|---|---|
| Voyage, voyage-4-large | RTEB nDCG@10, Voyage báo cáo T1/2026 (nhà cung cấp, không độc lập) | 2048 / 1024 / 512 / 256 | ~32K (xác nhận trên trang docs) | $0.12 | Tốt | rerank-2.5 ($0.05/M) | 200M tokens miễn phí |
| OpenAI, text-embedding-3-large | MTEB ~64.6 trung bình EN, OpenAI T1/2024 | lên đến 3072 | 8191 | $0.13 ($0.065 batch) | Khá | Không (kết hợp bên ngoài) | Các tầng RPM/TPM tiêu chuẩn |
| Cohere, embed-v4.0 | Điểm chuẩn đa phương thức nội bộ, Cohere 2026 | 256 / 512 / 1024 / 1536 | 128K | $0.12 | Dẫn đầu (100+ ngôn ngữ) | Rerank 4 ($2.00–2.50/1K lượt tìm kiếm) | Key dùng thử |
| Lựa chọn tiết kiệm | n/a | 512–1536 | n/a | $0.02 mỗi loại | n/a | n/a | voyage-4-lite $0.02 / text-embedding-3-small $0.02 |
Giá cả tính đến tháng 7 năm 2026, vì vậy hãy xác nhận lại trên các trang giá của nhà cung cấp trước khi cam kết, vì giá embedding đã thay đổi hai lần trong nửa đầu năm 2026. Số chiều cũng ảnh hưởng đến chi phí: bạn cắt giảm càng nhiều thì việc lưu trữ các embeddings này trong cơ sở dữ liệu vector càng rẻ.
Voyage AI: Truy xuất Đỉnh Cao Nhất (Nếu Bạn Có Thể Embed Lại)
Voyage AI cung cấp chất lượng truy xuất sắc bén nhất trong ba bên theo các điểm chuẩn của chính họ, cùng với không gian embedding chung cho phép bạn chuyển đổi giữa các kích thước mô hình voyage-4 mà không cần lập chỉ mục lại. Dòng voyage-4 ra mắt ngày 15 tháng 1 năm 2026: voyage-4-large với giá $0.12/M, voyage-4 với giá $0.06, voyage-4-lite với giá $0.02.
Cả ba kích thước đều sử dụng kiến trúc Mixture-of-Experts và chia sẻ một không gian embedding, vì vậy việc nâng cấp từ lite lên large không bắt buộc phải lập chỉ mục lại toàn bộ. Sau đó là voyage-context-4 (ra mắt ngày 29 tháng 6 năm 2026, giá $0.12/M, giảm từ $0.18 của context-3), tạo ra các embeddings chunk có ngữ cảnh: mỗi chunk mã hóa ngữ cảnh tài liệu xung quanh, với cửa sổ 32K mỗi chunk và ngữ cảnh tài liệu 120K. Voyage kết hợp các bộ embedder của họ với rerank-2.5 với giá $0.05/M.
Đây là lưu ý trung thực phải đi kèm với mọi tuyên bố của Voyage: tiêu đề "voyage-4-large vượt trội hơn OpenAI ~14.05% và Cohere ~8.20%" là kết quả RTEB của chính Voyage (điểm chuẩn 29 bộ dữ liệu, nDCG@10), được tự báo cáo trong bài blog ra mắt ngày 15 tháng 1. Đây không phải là điểm MTEB độc lập. Đó là lý do tại sao chỉ dựa vào điểm MTEB không thể quyết định điều này cho bạn.
Việc embed với Voyage chỉ vài dòng code:
import voyageai
vo = voyageai.Client()
result = vo.embed(
["your chunk text here"],
model="voyage-4-large",
input_type="document",
)Chọn Voyage nếu chất lượng truy xuất là thứ đang kìm hãm RAG của bạn. Hạn chế trung thực: đây là hệ sinh thái nhỏ nhất trong ba bên, con số 14% do nhà cung cấp tự báo cáo, và chuyển sang Voyage nghĩa là phải embed lại toàn bộ kho dữ liệu của bạn.
OpenAI Embeddings: Mặc Định An Toàn (Không Có Reranker)
OpenAI là mặc định an toàn nhất, có tài liệu đầy đủ nhất: text-embedding-3-large có hỗ trợ SDK và công cụ rộng rãi nhất trong bất kỳ API embedding nào, với giá cả dự đoán được và khả năng truy xuất tiếng Anh vững chắc. Đây là lựa chọn khi bạn muốn không có bất ngờ và mọi framework đều đã hỗ trợ nó ngay từ đầu.
text-embedding-3-large chạy với giá $0.13/M ($0.065 cho batch), hỗ trợ lên đến 3072 chiều thông qua cắt ngắn Matryoshka và xử lý ngữ cảnh 8191 token. Người anh em tiết kiệm, text-embedding-3-small, có giá $0.02/M ở 1536 chiều và hoạt động tốt cho RAG tổng quát.
Hai sự thật mà không trang đối thủ nào đề cập. Thứ nhất: không có text-embedding-4 — tài liệu embeddings của OpenAI vẫn chỉ liệt kê dòng series 3. Dòng này chưa được cập nhật kể từ tháng 1 năm 2024, vì vậy bạn sẽ đang lập chỉ mục trên một mô hình cũ khoảng 2.5 năm trong khi Voyage và Cohere đã phát hành các phiên bản 2026. Thứ hai: OpenAI không cung cấp reranker gốc. Các đội cần reranker sẽ kết hợp embeddings của OpenAI với Cohere Rerank hoặc một cross-encoder. Tính đến tháng 7 năm 2026, không có endpoint rerank nào của OpenAI, vì vậy đừng thiết kế kiến trúc dựa trên giả định đó.
Khả năng đa ngôn ngữ ở mức khá (MIRACL cải thiện lên ~54.9% khi ra mắt) nhưng OpenAI không phải là người dẫn đầu về đa ngôn ngữ. Trong quyết định giữa voyage-4-large và text-embedding-3-large, OpenAI đánh đổi hiệu suất truy xuất đỉnh cao để lấy sự ổn định và bề rộng hệ sinh thái.
Chọn OpenAI nếu bạn muốn mặc định nhàm chán, đáng tin cậy cho RAG tiếng Anh tổng quát với tài liệu tốt nhất. Hạn chế trung thực: không có reranker và một mô hình đã tĩnh lặng trong 2.5 năm trong khi lĩnh vực này vẫn tiến bộ.
Cohere Embed v4: Đa Phương Thức + Reranker Lưu Trữ Tốt Nhất
Cohere Embed v4 là người dẫn đầu về đa ngôn ngữ và đa phương thức, và là bên duy nhất trong ba bên kết hợp tự nhiên với reranker lưu trữ tiêu chuẩn thị trường. Nếu kho dữ liệu của bạn trải dài trên 100+ ngôn ngữ hoặc kết hợp văn bản và hình ảnh, đây là lựa chọn phù hợp nhất.
embed-v4.0 chạy với giá $0.12/M, xử lý ngữ cảnh 128K token và hỗ trợ đầu vào đa phương thức (văn bản, hình ảnh và tài liệu xen kẽ). Số chiều là 256/512/1024/1536 thông qua Matryoshka, với 1536 là mặc định. Dòng v3 chỉ hỗ trợ văn bản ở 1024 chiều, vì vậy v4 là một bước tiến thực sự về cả phương thức và ngữ cảnh.
Lý do thực sự để chọn Cohere là ngăn xếp công nghệ: kết hợp Embed v4 với Rerank 4 và bạn có cả embedding lẫn reranking từ một nhà cung cấp. Rerank 4 Fast có giá $2.00 cho mỗi 1.000 lượt tìm kiếm, Rerank 4 Pro là $2.50 cho mỗi 1.000, trong đó một lượt tìm kiếm tương đương với một truy vấn đối với tối đa 100 tài liệu. Đối với các doanh nghiệp cần sự cô lập, các gói dành riêng Model Vault của Cohere chạy từ $2.500–6.500/tháng, nhưng đó là tùy chọn doanh nghiệp, không phải mặc định.
Chọn Cohere nếu bạn cần đa ngôn ngữ, đa phương thức hoặc ngăn xếp embed-plus-rerank từ một nhà cung cấp duy nhất. Hạn chế trung thực: giá sẽ cao hơn khi số lượt tìm kiếm reranker tăng lên, và đối với văn bản chỉ bằng tiếng Anh, chất lượng embedding mỗi token của nó không rõ ràng là vượt trội hơn Voyage.
Chúng Tôi Đã Thử Nghiệm Cả Ba Trên Cùng Một Bộ Dữ Liệu
Chúng tôi đã chạy lại bộ dữ liệu RAG nội bộ của mình chỉ với ba API chủ lực, và phát hiện chính khiến chúng tôi ngạc nhiên: một bộ reranker tác động đến Recall@10 nhiều hơn là khoảng cách giữa bất kỳ hai bộ embedder nào. Dưới đây là thiết lập và các con số.
Bộ dữ liệu là cùng một tập hợp ~10.000 tài liệu kỹ thuật và vé hỗ trợ bằng tiếng Anh mà chúng tôi đã sử dụng trong điểm chuẩn hub, vì vậy các con số保持一致 across the cluster. Nhưng đây là phần chỉ dành cho API: chính xác là voyage-4-large, text-embedding-3-large và cohere embed-v4.0. Chúng tôi không thử nghiệm lại các mô hình mã nguồn mở ở đây; đó là nhiệm vụ của hub. Chúng tôi chấm điểm Recall@10 và nDCG@10 dựa trên bộ ~120 truy vấn được gắn nhãn thủ công, đo độ trễ embedding p95 trên lô 1.000 chunk và tính toán chi phí hiệu quả trên mỗi 1M token ở khối lượng của chúng tôi.
| Mô hình | Recall@10 | nDCG@10 | Độ trễ p95 (lô 1K) | Chi phí hiệu quả $/1M |
|---|---|---|---|---|
| voyage-4-large | 0.89 | 0.81 | 240 ms | $0.12 |
| text-embedding-3-large | 0.86 | 0.78 | 180 ms | $0.13 |
| cohere embed-v4.0 | 0.85 | 0.77 | 210 ms | $0.12 |
voyage-4-large dẫn đầu về Recall@10 trên bộ dữ liệu của chúng tôi (0.89 so với 0.86), nhưng chỉ khoảng 3 điểm so với OpenAI, không phải 14% như tiêu đề RTEB của Voyage ám chỉ. Trong lĩnh vực của chúng tôi, khoảng cách thực tế nhỏ hơn nhiều. Việc cắt ngắn text-embedding-3-large từ 3072 xuống 1024 chiều chỉ tốn khoảng 3 điểm Recall@10 (xuống 0.83) trong khi giảm lưu trữ vector-DB của chúng tôi khoảng 3 lần. Lợi thế của Cohere xuất hiện ở tập con vé không phải tiếng Anh của chúng tôi, không phải trên tiếng Anh. Và bộ reranker? Thêm Cohere Rerank 4 (hoặc voyage rerank-2.5) đã nâng Recall@10 lên khoảng 6 điểm trên cả ba bộ embedder. Trên bộ dữ liệu của chúng tôi, một bộ reranker tác động đến Recall@10 nhiều hơn là việc chuyển đổi bộ embedder.
Câu Hỏi Về Reranker: Tại Sao Lựa Chọn Embedder Không Phải Là Tất Cả
Bộ embedder của bạn chỉ là một lớp, không phải toàn bộ ngăn xếp truy xuất. Một bộ reranker chấm điểm lại các ứng cử viên hàng đầu mà bộ embedder trả về, và trong bài kiểm tra của chúng tôi, nó tác động đến Recall@10 nhiều hơn là việc hoán đổi các bộ embedder. Đó là lý do tại sao "API embedding nào là tốt nhất" là câu hỏi đầu tiên sai lầm nếu bạn chưa thêm bộ reranker.
| Nhà cung cấp | Reranker gốc? | Mô hình Reranker + giá | Ghi chú |
|---|---|---|---|
| Voyage | Có | rerank-2.5 $0.05/M, rerank-2.5-lite $0.02/M | Rẻ, kết hợp với bất kỳ embedder nào |
| OpenAI | Không | Không | Phải kết hợp với Cohere Rerank hoặc cross-encoder |
| Cohere | Có | Rerank 4 Fast $2.00/1K, Rerank 4 Pro $2.50/1K | Reranker lưu trữ tiêu chuẩn thị trường |
Hãy nghĩ về embedding cộng với rerank như một ngăn xếp. Bộ embedder thả một tấm lưới rộng khắp kho dữ liệu của bạn; bộ reranker sắp xếp những gì bắt được. Chọn OpenAI cho embeddings và bạn vẫn cần một bộ reranker ở nơi khác, thường là Cohere Rerank, biến lựa chọn một nhà cung cấp thành hai nhà cung cấp. Để biết về sự phối hợp xung quanh tất cả những điều này, xem phần còn lại của ngăn xếp RAG.
Chuyển Đổi Nhà Cung Cấp: Chi Phí Re-Embedding Mà Ít Ai Đề Cập
Chuyển đổi nhà cung cấp embedding nghĩa là phải embed lại toàn bộ kho dữ liệu của bạn. Các embeddings không thể thay thế cho nhau giữa các nhà cung cấp, vì vậy một vector của Voyage và một vector của OpenAI tồn tại trong các không gian khác nhau. Đó là một chi phí di chuyển thực tế mà hầu như không trang so sánh nào định lượng.
Ngoại lệ đáng biết: không gian embedding chung của Voyage cho phép bạn hoán đổi giữa các mô hình Voyage (từ lite sang large) mà không cần lập chỉ mục lại. Tuy nhiên, giữa các nhà cung cấp, hãy lên kế hoạch cho việc embed lại toàn bộ những gì bạn đã lập chỉ mục. Hãy dự trù chi phí token cho việc mã hóa lại toàn bộ kho dữ liệu của bạn trước khi chuyển đổi, không phải sau đó. Nếu tổng chi tiêu LLM là mối quan tâm thực sự của bạn, xem cách các gói đăng ký so sánh về chi phí. Thích tự lưu trữ thay vì trả tiền theo token? Xem hướng dẫn của chúng tôi về chạy các mô hình embedding cục bộ với Ollama. Và nếu bạn muốn bỏ qua hoàn toàn embeddings và mua dịch vụ truy xuất dưới dạng API tìm kiếm được quản lý, đó cũng là một con đường hợp lệ.
Về Tác Giả
Mert Batur Gurbuz là Đồng sáng lập Techsy.io, nơi đội ngũ phát triển các tác nhân AI, hệ thống tự động hóa và quy trình voice/SDR cho khách hàng B2B. Anh ấy đang học tại Đại học Birmingham và viết về ngăn xếp công cụ LLM mà đội ngũ Techsy thực sự sử dụng trong môi trường production. Kết nối trên LinkedIn.
Câu Hỏi Thường Gặp
Voyage có thực sự tốt hơn embeddings của OpenAI không?
Về hiệu suất truy xuất đỉnh cao, có, trên lý thuyết. voyage-4-large báo cáo nDCG@10 cao hơn ~14% so với text-embedding-3-large, nhưng đó là điểm chuẩn RTEB của chính Voyage, không phải độc lập. Trên bộ dữ liệu của chúng tôi, khoảng cách trong lĩnh vực thực tế chỉ khoảng 3 điểm, và một bộ reranker thu hẹp khoảng cách này hơn nữa. Voyage thắng về hiệu suất truy xuất đỉnh cao; OpenAI thắng về hệ sinh thái và sự ổn định.
API embedding nào rẻ nhất?
Hai gói tiết kiệm đang ngang bằng. voyage-4-lite và text-embedding-3-small đều có giá $0.02/M tokens tính đến tháng 7 năm 2026. Đối với chỉ mục RAG tổng quát "đủ dùng" với ngân sách hạn hẹp, cả hai đều hoạt động tốt. Mô hình nhỏ của OpenAI có hỗ trợ công cụ rộng rãi hơn; voyage-4-lite cung cấp cho bạn lộ trình nâng cấp không gian embedding chung lên voyage-4-large sau này.
OpenAI có bộ reranker không?
Không. OpenAI không cung cấp endpoint rerank nào tính đến tháng 7 năm 2026, chỉ có embeddings và mô hình chat. Nếu quy trình RAG của bạn cần reranking, và hầu hết các quy trình production đều hưởng lợi từ nó, bạn hãy kết hợp embeddings của OpenAI với Cohere Rerank 4 hoặc một cross-encoder như bộ reranker BGE. Đừng thiết kế kiến trúc của bạn với giả định rằng có một bộ reranker gốc của OpenAI.
Cohere Embed v4 có tốt hơn OpenAI cho đa ngôn ngữ không?
Có. Cohere là người dẫn đầu về đa ngôn ngữ và đa phương thức trong ba bên, được tiếp thị trên 100+ ngôn ngữ, trong khi text-embedding-3-large của OpenAI ở mức khá nhưng không được định vị là mô hình đa ngôn ngữ. Trong bài kiểm tra của chúng tôi, lợi thế rõ ràng nhất của Cohere xuất hiện trên tập con vé không phải tiếng Anh. Đối với RAG chỉ bằng tiếng Anh, khoảng cách giữa chúng thu hẹp đáng kể.
Tôi có thể chuyển đổi nhà cung cấp embedding mà không cần lập chỉ mục lại không?
Không. Embeddings từ các nhà cung cấp khác nhau tồn tại trong các không gian vector khác nhau, vì vậy việc chuyển đổi nhà cung cấp nghĩa là phải embed lại toàn bộ kho dữ liệu của bạn. Ngoại lệ duy nhất: không gian embedding chung của Voyage cho phép bạn hoán đổi giữa các mô hình Voyage (từ lite sang large) mà không cần lập chỉ mục lại. Hãy dự trù chi phí token cho việc mã hóa lại toàn bộ trước khi di chuyển giữa các nhà cung cấp.
Cửa sổ ngữ cảnh của mỗi nhà cung cấp là bao nhiêu?
Chúng khác nhau rất nhiều. text-embedding-3-large của OpenAI giới hạn ở 8191 token, voyage-4-large của Voyage khoảng 32K (xác nhận trên trang docs hiện tại), và embed-v4.0 của Cohere xử lý 128K. voyage-context-4 của Voyage thêm ngữ cảnh tài liệu 120K cho các embeddings chunk có ngữ cảnh. Đối với RAG tài liệu dài, Cohere và voyage-context-4 cung cấp cho bạn nhiều dung lượng nhất.
Voyage-4 so với voyage-context-4 — cái nào cho RAG?
Sử dụng voyage-context-4 cho RAG nặng về chunking hoặc tài liệu dài, vì mỗi chunk mã hóa ngữ cảnh tài liệu xung quanh, giúp cải thiện truy xuất trên văn bản phân mảnh. Sử dụng voyage-4-large cho truy xuất đoạn đơn tiêu chuẩn nơi các chunk đã tự chứa đựng. Cả hai đều có giá $0.12/M tính đến tháng 7 năm 2026, vì vậy lựa chọn phụ thuộc vào cấu trúc tài liệu, không phải giá cả.
Cái nào tốt nhất cho RAG truy xuất code?
Voyage thường là lựa chọn cho truy xuất code, vì các mô hình chuyên biệt của họ được tinh chỉnh cho lĩnh vực đó, mặc dù các mô hình mở như Qwen3 cũng là đối thủ mạnh. Nếu tìm kiếm code là khối lượng công việc chính của bạn, hãy benchmark Voyage so với một bộ embedder code mã nguồn mở trên kho lưu trữ của riêng bạn. Xem bảng xếp hạng đầy đủ 9 mô hình bao gồm các tùy chọn mã nguồn mở để biết các lựa chọn mở.
Đang xây dựng quy trình RAG production và muốn ý kiến thứ hai về ngăn xếp? Nhận tư vấn miễn phí.