Voyage vs OpenAI vs Cohere 嵌入模型：我為 RAG 測試了這三者 (2026)

Voyage vs OpenAI vs Cohere 嵌入模型：我為 RAG 測試了這三者 (2026)

Voyage 與 OpenAI 與 Cohere 嵌入模型的比較是 2026 年的問題，而非 2024 年的。Voyage 於 1 月 15 日發布了 voyage-4，並於 6 月 29 日發布了 voyage-context-4。Cohere 發布了 Embed v4。OpenAI 呢？自 2024 年 1 月以來沒有新動靜。這兩年半的空窗期改變了你應該將 RAG 管道索引至哪個託管 API 的計算邏輯。

快速結論：你該選擇哪個嵌入模型 API？

對於 2026 年的 RAG，若追求極致檢索品質請選 Voyage；若想要最安全且文件完善的預設選項請選 OpenAI；若需要多語言、多模態，或希望從單一供應商獲得嵌入模型加重排序器請選 Cohere。首先有一個注意事項：廣被引用的「提升 14%」數據來自 Voyage 自家的 RTEB 基準測試，並非獨立的 MTEB 結果。請據此歸因。

Voyage，如果你的實際瓶頸在於檢索品質、你在專業領域（程式碼、法律、金融）工作，或者你想要共享嵌入空間的升級路徑（讓你無需重新索引即可切換 Voyage 模型），請選擇它。雖然是三者中生態系最小的，但在紙面數據上擁有最銳利的檢索能力。

OpenAI，如果你想要文件最完善、SDK 支援最廣泛，且對於一般英文 RAG 有可預測定價的預設選項，請選擇它。這是個無聊但安全的選擇。代價是：沒有原生重排序器，且模型系列自 2024 年 1 月以來未曾更新。

Cohere，如果你需要多語言檢索（100+ 種語言）、多模態（文字加圖像），或者希望從單一供應商獲得嵌入模型和市場標準的託管重排序器（Rerank 4），請選擇它。當重排序搜尋次數累積時價格較高，但單一供應商的堆疊非常方便。

想要包含自託管選項在內的更廣泛視角嗎？請參閱 包含開源選項在內的完整 9 大模型排名。本文將深入探討這三個託管 API。

Voyage、OpenAI 和 Cohere 嵌入模型一覽

下表比較了各供應商旗艦模型在品質、維度、上下文、價格、多語言強度和重排序器搭配方面的表現。先說句實話：目前沒有一項乾淨且公平公開的 MTEB 數據能在同一時間點排名這三者，因此每個品質數字都標註了其來源和日期，而不是硬塞進同一欄位。

價格截至 2026 年 7 月，因此在承諾之前請再次確認供應商定價頁面，因為嵌入模型價格在 2026 年上半年變動了兩次。維度也影響成本：截斷得越小，你在 向量資料庫中儲存這些嵌入模型 的成本就越低。

Voyage AI：頂級檢索品質（如果你能重新嵌入）

Voyage AI 在其自有基準測試中提供了三者中最銳利的檢索品質，加上共享嵌入空間，讓你可以無需重新索引即可在 voyage-4 不同模型大小之間切換。voyage-4 系列於 2026 年 1 月 15 日推出：voyage-4-large 為 $0.12/M，voyage-4 為 $0.06，voyage-4-lite 為 $0.02。

這三種尺寸均使用混合專家 (Mixture-of-Experts) 架構並共享一個嵌入空間，因此從 lite 升級到 large 不需要強制全面重新索引。接著是 voyage-context-4（2026 年 6 月 29 日，$0.12/M，較 context-3 的 $0.18 下降），它產生上下文感知的分塊嵌入：每個分塊編碼其周圍的文件上下文，每個分塊視窗為 32K，文件上下文為 120K。Voyage 將其嵌入模型與 $0.05/M 的 rerank-2.5 搭配使用。

這裡必須附上每個 Voyage 聲伴隨的誠實說明：標題所述的「voyage-4-large 比 OpenAI 高出約 14.05%，比 Cohere 高出約 8.20%」是 Voyage 自家的 RTEB 結果（29 個數據集的基準測試，nDCG@10），在 1 月 15 日的發布部落格中自行報告。這並非獨立的 MTEB 分數。這就是為什麼 單靠 MTEB 數字無法為你決定這一點。

使用 Voyage 進行嵌入只需幾行程式碼：

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

如果檢索品質是阻碍你 RAG 的因素，請選擇 Voyage。誠實的局限：它是三者中 生態系最小 的，14% 的數據是供應商報告的，且切換到 Voyage 意味著重新嵌入你的整個語料庫。

OpenAI 嵌入模型：安全的預設選項（但無重排序器）

OpenAI 是最安全、文件最完善的預設選項：text-embedding-3-large 擁有所有嵌入模型 API 中最廣泛的 SDK 和工具支援，定價可預測且英文檢索能力紮實。當你想要零驚喜且每個框架都已開箱即用支援時，這是首選。

text-embedding-3-large 運行價格為 $0.12/M（批次處理 $0.065），透過 Matryoshka 截斷支援高達 3072 維，並處理 8191 token 的上下文。預算版兄弟 text-embedding-3-small 價格為 $0.02/M，維度為 1536，對於一般 RAG 表現良好。

競爭對手頁面未提及兩個事實。第一：沒有 text-embedding-4 —— OpenAI 的 嵌入模型文件 仍然只列出 3 系列。該產品線自 2024 年 1 月以來未曾更新，因此你將使用一個約 2.5 年前的模型進行索引，而 Voyage 和 Cohere 已發布 2026 年版。第二：OpenAI 沒有原生重排序器。需要的團隊會將 OpenAI 嵌入模型與 Cohere Rerank 或交叉編碼器搭配使用。截至 2026 年 7 月，沒有 OpenAI 重排序端點，所以不要圍繞它設計架構。

多語言能力尚可（MIRACL 在發布時提升至約 54.9%），但 OpenAI 並非多語言領導者。在 voyage-4-large 與 text-embedding-3-large 的決策中，OpenAI 用峰值檢索換取了穩定性和生態系廣度。

如果你想要一個無聊、可靠的一般英文 RAG 預設選項且拥有最佳文件，請選擇 OpenAI。誠實的局限：沒有重排序器，且在領域前進時模型已靜止 2.5 年。

Cohere Embed v4：多模態 + 最佳託管重排序器

Cohere Embed v4 是多語言和多模態的領導者，也是三者中唯一原生搭配市場標準託管重排序器的產品。如果你的語料庫跨越 100+ 種語言或混合文字和圖像，這是最強的契合點。

embed-v4.0 運行價格為 $0.12/M，處理 128K token 上下文，並支援多模態輸入（文字、圖像和交錯文件）。透過 Matryoshka 維度為 256/512/1024/1536，預設為 1536。v3 系列僅限文字且為 1024 維，因此 v4 在多模態和上下文方面都是真正的升級。

選擇 Cohere 的真正原因是其堆疊：將 Embed v4 與 Rerank 4 搭配，你可以從單一供應商獲得嵌入加重排序。Rerank 4 Fast 為每 1,000 次搜尋 $2.00，Rerank 4 Pro 為每 1,000 次搜尋 $2.50，其中一次搜尋等於針對最多 100 個文件的一次查詢。對於需要隔離的企業，Cohere 的 Model Vault 專用層級每月運行 $2,500–6,500，但那是企業選項，而非預設選項。

如果你需要多語言、多模態，或單一供應商的嵌入加重排序堆疊，請選擇 Cohere。誠實的局限：一旦重排序搜尋次數累積，價格會變 更貴，且在純英文文字上，其每 token 嵌入品質並未明顯勝過 Voyage。

我們在相同語料庫上測試了這三者

我們針對這三個旗艦 API 重新運行了內部 RAG 語料庫測試， headline 發現讓我們驚訝：重排序器對 Recall@10 的影響比任何兩個嵌入模型之間的差距還要大。以下是設置和數據。

語料庫與我們在中心基準測試中使用的相同，約 10,000 份英文技術文件和支援工單，因此集群中的數字保持一致。但這只是 API 切片：確切地說是 voyage-4-large、text-embedding-3-large 和 cohere embed-v4.0。我們在此未重新測試開源模型；那是中心測試的工作。我們針對手動標記的約 120 個查詢集評分 Recall@10 和 nDCG@10，在 1,000 個分塊批次上測量 p95 嵌入延遲，並根據我們的用量計算每 1M tokens 的有效成本。

voyage-4-large 在我們的集合中領先 Recall@10 (0.89 vs 0.86)，但比 OpenAI 高出約 3 個百分點，而非 Voyage RTEB 標題暗示的 14%。在我們的領域中，實際差距小得多。將 text-embedding-3-large 從 3072 維截斷到 1024 維僅損失約 3 個百分點的 Recall@10 (降至 0.83)，同時將我們的向量資料庫儲存減少約 3 倍。Cohere 的優勢出現在我們的非英文工單子集上，而非英文部分。那重排序器呢？添加 Cohere Rerank 4（或 voyage rerank-2.5）使所有三個嵌入模型的 Recall@10 提升了約 6 個百分點。在我們的語料庫中，重排序器對 Recall@10 的影響比切換嵌入模型更大。

重排序器問題：為什麼嵌入模型選擇不是全部故事

你的嵌入模型只是一層，而非整個檢索堆疊。重排序器會對嵌入模型返回的頂部候選者重新評分，在我們的測試中，它對 Recall@10 的影響比交換嵌入模型更大。這就是為什麼如果你尚未添加重排序器，「哪個嵌入模型 API 最好」不是第一個正確的問題。

將嵌入加重排序視為一個堆疊。嵌入模型在你的語料庫中撒下大網；重排序器對捕獲物進行排序。選擇 OpenAI 作為嵌入模型，你仍需要在其他地方使用重排序器，通常是 Cohere Rerank，這將單一供應商選擇變成了雙供應商選擇。關於這一切的協調，請參閱 RAG 堆疊的其餘部分。

切換供應商：無人提及的重新嵌入成本

切換嵌入模型供應商意味著重新嵌入你的整個語料庫。嵌入模型在不同供應商之間不可互換，因此 Voyage 向量和 OpenAI 向量存在於不同的空間中。這是一個幾乎沒有比較頁面量化的真實遷移成本。

值得知道的例外：Voyage 的共享嵌入空間讓你可以無需重新索引即可在 Voyage 模型（lite 到 large）之間切換。然而，跨供應商時，請計劃對已索引的所有內容進行全面重新嵌入。在切換之前，而非之後，預算重新編碼整個語料庫的 token 成本。如果總 LLM 支出是你真正的擔憂，請參閱 訂閱方案在成本上的比較。喜歡自託管而不是按 token 付費？請參閱我們關於 使用 Ollama 在本地運行嵌入模型 的指南。如果你願意完全跳過嵌入模型並 購買作為託管搜尋 API 的檢索服務，這也是一條有效的路徑。

關於作者

Mert Batur Gurbuz 是 Techsy.io 的聯合創始人，該團隊為 B2B 客戶提供 AI 代理、自動化系統和語音/SDR 管道。他就讀於伯明翰大學，並撰寫有關 Techsy 團隊在生產環境中實際使用的 LLM 工具堆疊的文章。在 LinkedIn 上聯繫。

常見問題

Voyage 真的比 OpenAI 嵌入模型更好嗎？

在峰值檢索方面，紙面上是的。voyage-4-large 報告的 nDCG@10 比 text-embedding-3-large 高約 14%，但那是 Voyage 自家的 RTEB 基準測試，並非獨立測試。在我們的語料庫中，實際領域差距約為 3 個百分點，且重排序器進一步縮小了差距。Voyage 贏在峰值檢索；OpenAI 贏在生態系和穩定性。

哪個嵌入模型 API 最便宜？

兩個預算層級持平。截至 2026 年 7 月，voyage-4-lite 和 text-embedding-3-small 的成本均為 $0.02/M tokens。對於預算緊張的一般 RAG 索引，兩者皆可。OpenAI 的小型模型擁有更廣泛的工具支援；voyage-4-lite 則提供日後升級至 voyage-4-large 的共享嵌入空間路徑。

OpenAI 有重排序器嗎？

沒有。截至 2026 年 7 月，OpenAI 沒有發布重排序端點，只有嵌入模型和聊天模型。如果你的 RAG 管道需要重排序（大多數生產環境受益於此），你需要將 OpenAI 嵌入模型與 Cohere Rerank 4 或類似 BGE 重排序器的交叉編碼器搭配使用。不要假設存在原生 OpenAI 重排序器來設計你的架構。

Cohere Embed v4 在多語言方面比 OpenAI 更好嗎？

是的。Cohere 是三者在多語言和多模態方面的領導者，行銷涵蓋 100+ 種語言，而 OpenAI 的 text-embedding-3-large 表現尚可但未被定位為多語言模型。在我們的測試中，Cohere 最明顯的優勢出現在非英文工單子集上。對於純英文 RAG，它們之間的差距顯著縮小。

我可以切換嵌入模型供應商而不重新索引嗎？

不行。不同供應商的嵌入模型存在於不同的向量空間中，因此切換供應商意味著重新嵌入你的整個語料庫。唯一的例外：Voyage 的共享嵌入空間讓你可以無需重新索引即可在 Voyage 模型（lite 到 large）之間切換。在跨供應商遷移之前，請預算全面重新編碼的 token 成本。

每個供應商的上下文視窗是多少？

它們差異很大。OpenAI 的 text-embedding-3-large 上限為 8191 tokens，Voyage voyage-4-large 約為 32K（請確認當前文件頁面），而 Cohere embed-v4.0 處理 128K。Voyage 的 voyage-context-4 為上下文感知分塊嵌入添加了 120K 文件上下文。對於長文件 RAG，Cohere 和 voyage-context-4 提供最大的餘裕。

Voyage-4 vs voyage-context-4 — RAG 該選哪個？

對於重度分塊或長文件 RAG，請使用 voyage-context-4，因為每個分塊編碼其周圍的文件上下文，這改善了碎片化文字的檢索。對於標準的單段落檢索（分塊已自包含），請使用 voyage-4-large。截至 2026 年 7 月，兩者成本均為 $0.12/M，因此選擇取決於文件結構，而非價格。

哪個最適合程式碼檢索 RAG？

Voyage 通常是程式碼檢索的首選，因为其專門模型針對該領域進行了調整，儘管 Qwen3 等開源模型也是強力競爭者。如果程式碼搜尋是你的主要工作負載，請在你自己的儲存庫上基準測試 Voyage 與開源程式碼嵌入模型。請參閱 包含開源選項在內的完整 9 大模型排名 以獲取開源選擇。

正在建構生產級 RAG 管道並想要對堆疊的第二意見嗎？獲取免費諮詢。