jina-v5-text-small adicionado
O modelo mais recente nos Benchmarks de modelos de embeddings é jina-v5-text-small.
Benchmarks de Embeddings
Benchmarks transparentes de modelos de embeddings baseados nas próprias avaliações de recuperação da AIMultiple sobre modelos de embeddings comerciais e de código aberto em três domínios RAG empresariais. Ver a metodologia.
MELHOR MODELO
voyage-3.5
nDCG@3 0.943
Melhor custo-benefício
pplx-0.6b
$0.0040 / 1M
Maior modelo
KaLM-Gemma3-12B
11.8B parâmetros
Cobertura
29 modelos
3 domínios de recuperação · 87 avaliações
Benchmarks de modelos de embeddings (nDCG@3)
Classificação
Todos os modelos de embeddings avaliados, ordenados pela média nDCG@3 nos três domínios.
Filtrar e ordenar
# | Modelo | nDCG@3 | CUAD (legal) | TechQA (support) | MedRAG (health) |
|---|---|---|---|---|---|
| 1 |  voyage-3.5 Voyage AI | 0.943 | 0.910 | 0.965 | 0.954 |
| 2 | voyage-4-large Voyage AI | 0.942 | 0.873 | 0.966 | 0.986 |
| 3 |  gemini-2-preview Google | 0.932 | 0.896 | 0.930 | 0.969 |
| 4 |  nvidia-nemotron-8b NVIDIA | 0.925 | 0.860 | 0.952 | 0.963 |
| 5 | gemini-001 Google | 0.922 | 0.898 | 0.886 | 0.981 |
| 6 | voyage-4-lite Voyage AI | 0.921 | 0.859 | 0.948 | 0.956 |
| 7 | voyage-law-2 Voyage AI | 0.919 | 0.913 | 0.902 | 0.941 |
| 8 |  SFR-Embedding-2_R Salesforce | 0.905 | 0.842 | 0.911 | 0.962 |
| 9 |  jina-v5-text-small Jina AI | 0.895 | 0.836 | 0.897 | 0.952 |
| 10 |  harrier-oss-0.6b Microsoft | 0.891 | 0.872 | 0.841 | 0.961 |
Página 1 de 3 | |||||
Preço$0.060
Parâmetros-
LançamentoMai 2025
CUAD (legal)
0.91
TechQA (support)
0.965
MedRAG (health)
0.954
Preço$0.120
Parâmetros-
LançamentoJan 2026
CUAD (legal)
0.873
TechQA (support)
0.966
MedRAG (health)
0.986
Preço$0.200
Parâmetros-
LançamentoMar 2026
CUAD (legal)
0.896
TechQA (support)
0.93
MedRAG (health)
0.969
Preço$0.022
Parâmetros7.5B
LançamentoOut 2025
CUAD (legal)
0.86
TechQA (support)
0.952
MedRAG (health)
0.963
Preço$0.150
Parâmetros-
LançamentoJul 2025
CUAD (legal)
0.898
TechQA (support)
0.886
MedRAG (health)
0.981
Preço$0.020
Parâmetros-
LançamentoJan 2026
CUAD (legal)
0.859
TechQA (support)
0.948
MedRAG (health)
0.956
Preço$0.120
Parâmetros-
LançamentoAbr 2024
CUAD (legal)
0.913
TechQA (support)
0.902
MedRAG (health)
0.941
Preço$0.041
Parâmetros7.1B
LançamentoJun 2024
CUAD (legal)
0.842
TechQA (support)
0.911
MedRAG (health)
0.962
Preço$0.0066
Parâmetros1.6B
LançamentoAbr 2026
CUAD (legal)
0.836
TechQA (support)
0.897
MedRAG (health)
0.952
Preço$0.012
Parâmetros596M
LançamentoMar 2026
CUAD (legal)
0.872
TechQA (support)
0.841
MedRAG (health)
0.961
Página 1 de 3
Benchmarks de modelos de embeddings por data de lançamento
nDCG@3 em relação à data de lançamento de cada modelo
Preço vs. precisão de recuperação
Custo efetivo em relação ao nDCG@3. Os modelos comerciais são precificados pela tabela da sua API e os auto-hospedados pelo custo de GPU amortizado de executá-los numa única H100.
Metodologia
Como os benchmarks de modelos de embeddings são construídos
Os benchmarks de modelos de embeddings pontuam cada modelo pelo nDCG@3, a proporção de consultas em que o documento correto aparece entre os 3 primeiros resultados, e calculam a média da sua posição nos três domínios de recuperação em que foi avaliado. Cada benchmark abaixo alimenta essa pontuação.
AIMultiple
Modelos de embeddingsPrecisão de recuperação de 15 APIs comerciais de embeddings em corpora jurídicos, de suporte e de saúde.AIMultiple
Modelos de embeddings de código abertoPrecisão de recuperação e custo de GPU de 14 modelos de embeddings de código aberto, auto-hospedados numa única H100.Atualizações recentes
Atualizações recentes
Últimas alterações aos Benchmarks de modelos de embeddings, à cobertura de modelos e à metodologia de benchmark da AIMultiple.
Jina AI
jina-v5-text-small
Novo modelo adicionado aos Benchmarks de modelos de embeddings.
Microsoft
harrier-oss-0.6b
Novo modelo adicionado aos Benchmarks de modelos de embeddings.
Google
gemini-2-preview
Novo modelo adicionado aos Benchmarks de modelos de embeddings.
Voyage AI
voyage-4-large
Novo modelo adicionado aos Benchmarks de modelos de embeddings.
