Modelos de Embedding: OpenAI vs Gemini vs Voyage

Avaliamos 15 modelos de embedding de texto em inglês e uma linha de base BM25 em mais de 500 consultas manualmente curadas em três domínios de recuperação: contratos legais (CUAD), suporte ao cliente (IBM TechQA) e saúde (MedRAG PubMed).

O Voyage-3.5 ocupa o primeiro lugar no geral. O Perplexity Embed V1 0.6b atinge o nível médio-alto no menor ponto de preço em nossa avaliação.

Resultados do benchmark de modelos de embedding

Métricas explicadas

nDCG@3: Ganho cumulativo descontado normalizado no corte 3. Com um documento relevante por consulta, é 1 / log2(rank + 1) quando o documento ouro cai nos top 3, e 0 caso contrário. Rank 1 pontua 1.000, rank 2 pontua 0.631, rank 3 pontua 0.500. Usamos nDCG@3 como a métrica principal porque pipelines de produção RAG alimentam os top 3 a 5 chunks para o LLM, e o viés de primazia faz com que o rank 1 importe desproporcionalmente.

nDCG@10: Mesma fórmula com corte 10.

Recall@10: Fração de consultas onde o documento ouro aparece nos top 10.

MRR@10: Recíproca média no corte 10. Ouro no rank 1 pontua 1.000, rank 2 pontua 0.500, e rank 10 pontua 0.100. Intenção semelhante ao nDCG@3, mas com uma penalidade de rank mais acentuada.

Top-1 hit: Fração de consultas onde o documento relevante ao ouro é o único resultado principal. A métrica mais estrita e a mais próxima de um fluxo de trabalho de consulta sem LLM.

nDCG@3 por domínio

Legal (CUAD, 246 consultas, 509 contratos): Legal é o único domínio onde o especialista voyage-law-2 vence; seus dados de treinamento ajustados ao CUAD rendem +0.040 nDCG@3 sobre o voyage-4-large. openai/text-embedding-3-large ocupa o 11º lugar com 0.6430, abaixo de seis modelos mais baratos. Piso BM25: 0.5844.

Suporte ao cliente (TechQA, 151 consultas, 28.000 IBM technotes): A lacuna do voyage-4-lite para o próximo modelo é 0.018. gemini-embedding-001 cai para o 7º lugar (0.8856), 0.045 atrás de seu irmão mais novo no TechQA, embora vença os outros dois domínios. Piso BM25: 0.6097.

Saúde (MedRAG-PubMed, 154 consultas, 50.000 resumos): Saúde é o agrupamento mais apertado em nossa avaliação (14 modelos pontuam acima de 0.88) porque o vocabulário médico é denso em palavras-chave, o que empurra a maioria das consultas para o agrupamento principal. Piso BM25: 0.7862, dentro de 0.02 do modelo denso mais fraco. gemini-embedding-001 também supera o gemini-embedding-2-preview por sua maior margem aqui (+0.013).

As inversões no nível do domínio justificam a estrutura de média de 3 domínios: Nenhum domínio único é um proxy justo para "qual modelo é o melhor", e um comprador escolhendo com base em um domínio classificará erroneamente nos outros.

Intervalos de confiança de bootstrap de 95% por modelo para cada célula de domínio, além dos quatro empates pareados que as classificações de estimativa pontual ocultam, estão detalhados na seção de metodologia.

Precisão vs preço: Custo por 1M de tokens

Métricas explicadas

Preço por 1M de tokens de entrada é o preço de lista para embedding de 1M de tokens de entrada, em 2026-04-23. Os preços do Voyage vêm da página de preços direta do Voyage. Modelos servidos pelo OpenRouter usam o instantâneo do catálogo do OpenRouter do mesmo dia. Tokens de consulta e documento são precificados na mesma taxa em todos os fornecedores testados. BM25 é plotado em $0.001/M para renderização em eixo log. O verdadeiro custo de auto-hospedagem é $0.

Média de nDCG@3 de 3 domínios é a média não ponderada do nDCG@3 por domínio nos três corpora. Cada domínio contribui igualmente para a média, independentemente da contagem de consultas.

• Para plataformas RAG focadas em custo, o pplx-embed-v1-0.6b é a escolha clara. A $0.004/M, é 30-50x mais barato que qualquer um dos principais comerciais e entrega 92% da qualidade do voyage-3.5 (0.8604 / 0.9429). Nenhum outro modelo em nossa avaliação compete em seu ponto de preço.

• Para RAG empresarial focado em qualidade, o voyage-3.5 via SDK direto do Voyage leva o ponto Pareto superior. Você troca uma integração API extra (versus uma stack apenas OpenRouter) por um modelo marginalmente melhor que o principal do Voyage pela metade do preço. O instinto de "sempre escolher o mais novo e maior" está errado dentro do catálogo do Voyage.

• Para implantações OSS / auto-hospedáveis / on-prem, o qwen3-embedding-8b vence. É o embedder não trivial mais barato em nossa avaliação a $0.010/M, iguala ou supera todas as outras famílias de codificadores OSS que testamos e vem com pesos auto-hospedáveis.

• Os principais premium (openai-3-large, gemini-2-preview, voyage-4-large, gemini-001) todos perdem para o voyage-3.5 na média de 3 domínios, mesmo que o voyage-3.5 seja 2-3x mais barato que qualquer um deles.

Principais descobertas do benchmark de embedding

voyage-3.5 vence a média de 3 domínios e supera o principal voyage-4-large pela metade do preço

O voyage-3.5 média 0.9429 nDCG@3 em legal, suporte ao cliente e saúde. O principal voyage-4-large média 0.9416 a $0.12 por 1M de tokens, 2x o preço de $0.06 do voyage-3.5. O principal vence o TechQA por 0.002 e vence o MedRAG por 0.032. Perde o CUAD por 0.037 (0.8730 vs 0.9102), o suficiente para que sua média de 3 domínios fique abaixo do voyage-3.5. Dentro da linha do Voyage, o modelo intermediário mais antigo é a escolha geral melhor. O principal só ganha seu prêmio na saúde.

O Voyage ocupou o primeiro lugar em todos os três domínios e varreu o top-2 no CUAD e TechQA. No MedRAG, o gemini-embedding-001 entrou em 2º lugar (0.9814, atrás dos 0.9855 do voyage-4-large), à frente de todos os outros modelos do Voyage. O gemini-001 também atinge o terceiro lugar no CUAD. Nenhum outro modelo não-Voyage atinge o top-2 em nenhum domínio único.

Um modelo legado Gemini supera seu irmão mais novo "preview" em dois de três domínios

O google/gemini-embedding-001 (lançado em junho de 2025) supera o google/gemini-embedding-2-preview tanto no CUAD (0.8980 vs 0.8958) quanto no MedRAG (0.9814 vs 0.9685). O modelo mais novo vence apenas o TechQA (0.9301 vs 0.8856), uma lacuna de 0.04 que vem com um aumento de preço de 33% ($0.20 vs $0.15 por 1M de tokens de entrada). A estrutura de "atualização multimodal mais nova" do Gemini 2 não se sustenta na recuperação de texto em inglês em corpora legais ou de saúde.

Para cargas de trabalho RAG nesses dois domínios hoje, o gemini-embedding-001 é a escolha correta Gemini. A inversão no MedRAG (001 em 2º, 2-preview em 3º) é grande o suficiente para que um comprador que opte pelo modelo "mais novo" perca qualidade mensurável.

OpenAI text-embedding-3-large é intermediário em legal e suporte ao cliente

O openai/text-embedding-3-large ocupa o 11º lugar de 15 modelos densos no CUAD com 0.6430 nDCG@3. Oito modelos estritamente mais baratos o superam em contratos legais: ambos os principais da série Voyage 4 de $0.12, o voyage-3.5 pela metade do preço, o voyage-4-lite a 1/6 do preço, ambas as variantes de embedding Qwen3, intfloat/e5-large-v2 a 1/13 do preço, e perplexity/pplx-embed-v1-0.6b (0.8031) a 1/32 do preço. O principal da OpenAI é o 9º no TechQA (0.8581) e o 11º no MedRAG (0.9296). A saúde o coloca em um agrupamento principal apertado (variação do 2º ao 11º: 0.05 nDCG@3). Em legal, a lacuna é ampla e cara.

A $0.13 por 1M de tokens de entrada, é 32x mais caro que o pplx-embed-v1-0.6b. Equipes que optam pela OpenAI porque "é a escolha segura" estão pagando um prêmio que os dados de 3 domínios não justificam.

pplx-embed-v1-0.6b atinge o nível superior a um trigésimo do preço de principais comparáveis

O perplexity/pplx-embed-v1-0.6b a $0.004 por 1M de tokens média 0.8604 nDCG@3 nos três domínios, atrás apenas dos quatro modelos do Voyage, das duas variantes Gemini e do qwen/qwen3-embedding-8b. Supera todos os modelos OpenAI e OSS na lista. Também supera o openai/text-embedding-3-large por 0.16 nDCG@3 no CUAD, perde por 0.012 no TechQA (0.8457 vs 0.8581) e vence por 0.003 no MedRAG. O próximo modelo top-10 mais barato é o qwen/qwen3-embedding-8b a $0.010 (2.5x mais), também servido via OpenRouter.

Para plataformas RAG focadas em custo onde o embedding é um item de linha material, o pplx-0.6b é a escolha clara. A lacuna de 30-50x para preços de principais não compra nada na qualidade de recuperação, essencialmente nesses três domínios.

BM25 está dentro de 0.02 do modelo denso mais fraco em resumos médicos

No MedRAG-PubMed, o BM25 pontua 0.7862 nDCG@3 contra o baai/bge-m3 (modo denso) em 0.8038, uma lacuna de 0.02. A busca lexical fica dentro de 0.15 de sete dos quinze modelos densos neste corpus (bge-m3, e5-base-v2, openai-3-small, e5-large-v2, openai-3-large, pplx-0.6b, qwen3-4b). A razão é estrutural: consultas médicas são densas em palavras-chave por design (nomes de drogas, nomes de doenças, termos de desenho de estudo, símbolos de genes), e esses tokens carregam a maior parte do sinal de recuperação. Um classificador estilo Lucene os corresponde diretamente sem precisar de contexto semântico.

Um reranker em cima do BM25 é uma alternativa plausível e mais barata a um embedder denso premium para corpora densos em palavras-chave: a lacuna de recuperação que o BM25 deixa (0.2 nDCG@3 para o nível principal no MedRAG) é o tipo de lacuna que um reranker Cohere ou Voyage pode fechar. No CUAD, a lacuna do BM25 para o melhor modelo denso é 0.33, no TechQA 0.36, no MedRAG 0.20. A densidade do vocabulário do domínio é o maior determinante de quanto embeddings densos ajudam.

Especialistas de domínio vs generalistas entre fornecedores

O Voyage precifica o voyage-law-2 em $0.12/M, idêntico ao voyage-4-large. Os dois modelos compartilham fornecedor, tokenizer, SDK e esquema de invocação assimétrico. Apenas a ênfase nos dados de treinamento difere. Executar ambos contra generalistas em CUAD, TechQA e MedRAG isola o efeito do treinamento legal.

No CUAD, o voyage-law-2 ocupa o 1º lugar em 0.9126: 0.0024 acima do voyage-3.5, 0.0146 acima do gemini-embedding-001, 0.040 acima do voyage-4-large, 0.097 acima do qwen3-embedding-8b e 0.270 acima do openai/text-embedding-3-large (0.6430). No TechQA, o voyage-law-2 ocupa o 4º lugar em 0.9020, 0.064 atrás do voyage-4-large e 0.063 atrás do voyage-3.5. No MedRAG, ocupa o 6º lugar em 0.9409, 0.045 atrás do voyage-4-large e 0.041 atrás do gemini-embedding-001. O treinamento legal aumenta o nDCG@3 no CUAD e o reduz nos outros dois domínios.

Uma equipe jurídica que lança recuperação estilo CUAD no openai/text-embedding-3-large opera em 0.6430 nDCG@3 contra o voyage-law-2 em 0.9126, uma lacuna de 0.27. Uma equipe de saúde ou suporte que escolhe o voyage-law-2 porque ficou em primeiro no CUAD perde 0.045 para o voyage-4-large no MedRAG e 0.064 no TechQA. Modelos de embedding especialistas em domínio não são atualizações plug-and-play para recuperação genérica. Uma única recomendação de "melhor modelo" entre indústrias escolhe errado em pelo menos uma direção.

Quando escolher o voyage-law-2: recuperação de contratos em corpora legais comerciais que estruturalmente se assemelham ao CUAD. Quando não: qualquer outra coisa nesta avaliação. O voyage-3.5 é $0.06/M, fica 0.0024 abaixo do voyage-law-2 no CUAD e supera o voyage-law-2 tanto no TechQA quanto no MedRAG.

Veja mais dos nossos benchmarks e insights baseados em dados na Pesquisa Google.

Adicionar como fonte preferencial

Como o pipeline de recuperação de embedding foi avaliado

Cada modelo codifica um vetor de consulta e N vetores de documento via um bi-encoder. Calculamos a similaridade de cosseno entre o vetor de consulta e cada vetor de documento, depois ordenamos os top-k para essa consulta. Com um documento ouro por consulta e relevância binária, o avaliador verifica se o ouro aparece nos top-k e em qual rank. Esse rank alimenta o nDCG@3 (nosso principal), nDCG@10 (para comparabilidade BEIR/MTEB), Recall@10 e taxa de Top-1 hit.

Os codificadores de consulta e documento nem sempre são a mesma função. Alguns modelos são treinados de forma assimétrica: o lado da consulta aplica uma transformação, o lado do documento aplica outra. Invocar esses modelos simetricamente ("apenas passe o texto") degrada silenciosamente a qualidade da recuperação em 0.05-0.45 nDCG@10. Nossa lista se divide em quatro vias:

Por que nDCG@3 como principal. Pipelines de produção RAG alimentam os top 3 a 5 chunks para o LLM, não os top 10. O viés de primazia em LLMs de longo contexto faz com que o rank 1 importe mais que o rank 3, e cada distrator que cai acima do ouro no contexto do LLM é um candidato para confabulação. Rerankers achatariam esse efeito, mas a maioria dos RAGs de produção roda sem um por motivos de custo e latência, então o rank do embedder É o rank final.

No MedRAG, o Recall@10 atingiu o teto de 1.000 para três modelos do Voyage e para o qwen3-8b; o nDCG@3 preservou uma variação de 0.10 nas mesmas consultas. O nDCG@10 mantém a comparabilidade BEIR, mas suaviza as diferenças no topo da lista que importam operacionalmente.

Metodologia do benchmark de modelos de embedding

Corpora (seleção de domínio + por que)

Escolhemos três domínios que estressam propriedades de recuperação diferentes e que cobrem os três RAG empresariais mais comuns. Todo corpus é fixado por SHA256, para que qualquer leitor possa reproduzir a célula exata que executamos.

PM209 (manuais de fabricação) foi descartado: apenas 209 documentos, muito pequeno para evitar o problema de atalho de entidade do BM25 em 150 consultas.

Geração de consulta: protocolo de consenso de 3 LLM

Nossas consultas são geradas por LLM sob separação de escritor-validador: o LLM que redige uma consulta nunca julga seu próprio alvo de recuperação, para que o viés de auto-seja estruturalmente excluído. Apenas os dois validadores não-escritores, vendo os 20 candidatos embaralhados sem nenhuma dica sobre qual era o documento de fundamentação do escritor, decidem a aceitação. Além do consenso LLM, revisamos pontualmente cerca de 25% do conjunto de consultas aceitas à mão (revisão do autor da naturalidade da consulta, alinhamento do documento-alvo e conformidade R9, independente do voto do validador).

Toda consulta passou pelo seguinte pipeline antes de entrar no conjunto de produção:

1. Escritor redige uma única consulta fundamentada em um documento amostrado aleatoriamente. O escritor gira entre Claude Sonnet 4.6, Qwen3.6-plus e Gemini 3 Flash preview para que nenhum modelo único domine a impressão digital linguística.
2. Classificador (fixo: Claude Sonnet 4.6) classifica a consulta em uma rubrica de especificidade. Exigimos semantic_bridge ≥ 4 (a consulta deve descrever semanticamente o que o documento afirma, não apenas corresponder ao nome) e unique_referent em 3-5 (as âncoras descritivas devem identificar aproximadamente um a cinco documentos candidatos no corpus, não milhares ou exatamente um).
3. Verificação de hard-negative: Extraímos os 19 documentos distratores top-19 do BM25 mais o alvo e executamos um gate Jaccard de quase-duplicado (>0.5 → rejeite toda a consulta como verdade fundamental ambígua).
4. Validadores (2 modelos, nunca incluindo o escritor) independentemente escolhem o documento-alvo do conjunto embaralhado de 20 candidatos. Ambos os validadores devem concordar com o slot exato do alvo ou a consulta é descartada. "Nenhum dos acima" e "múltiplas respostas corretas" são respostas válidas do validador e também descartam a consulta.
5. Cohen's kappa calculado por par de validadores. Cada consulta teve exatamente 2 avaliadores (os não-escritores do pool de 3 modelos), então os 3 pares possíveis excluídos do escritor nos dão 3 valores kappa separados por domínio. Relatamos individualmente e como uma média ponderada por n.

Cohen's kappa por par com acordo observado po e esperado por acaso pe, calculado em consultas aceitas mais todas as rejeições consensus_fail onde ambos os validadores chegaram a uma decisão. Células mostram n / po / pe / κ:

A média ponderada por n é um resumo descritivo, não uma estatística inferencial. Condensa os três kappas por par em um número ponderado pela quantidade de consultas que cada par julgou; não é em si um valor kappa para um conjunto de dados agrupado, e o IC sobre ele precisaria ser calculado via reamostragem bootstrap no nível da consulta (adiado para v2.1).

Usamos Cohen's kappa (não Fleiss' kappa ou alpha de Krippendorff) porque cada consulta teve exatamente 2 avaliadores: a estrutura natural aqui são 3 cálculos Cohen pareados, pois queremos saber se quaisquer dois modelos específicos concordam, não se um painel de 3 avaliadores coere. O alpha de Krippendorff daria um único número, mas misturaria os três pares juntos e esconderia a variância no nível do par.

CUAD especificamente: claude × qwen atinge κ=0.974 enquanto claude × gemini e gemini × qwen ficam em torno de κ=0.86, o que isola o Gemini-3-flash-preview como o juiz mais ruidoso em contratos legais. Essa informação é um sinal de metodologia que vale a pena destacar, não média.

Promovemos um domínio para produção após a média κ ponderada por n ultrapassar 0.85. Todos os três ultrapassaram. O 0.986 do MedRAG é efetivamente teto: as duas discordâncias em 156 tentativas foram em alvos medicalmente ambíguos onde ambos os validadores foram internamente consistentes, mas um escolheu um resumo relacionado, mas não ouro.

Conjunto de regras de anonimização de entidade R9 (por domínio)

R9 é uma restrição rígida no momento da geração de consulta. Sem ela, o BM25 sobe acima de 0.97 nDCG@10 porque entidades nomeadas atuam como atalhos perfeitos de palavras-chave; embeddings densos não têm vantagem semântica para medir. A regra é adaptada por domínio para que as âncoras que realmente carregam sinal de recuperação nesse domínio permaneçam utilizáveis:

• CUAD estrito. Proíba todas as entidades nomeadas: nomes de partes, nomes de estados dos EUA, pessoal, valores monetários em dólares exatos, nomes de produtos específicos. Force unicidade descritiva: indústria + função + era temporal + faixa monetária + escopo geográfico. O teto BM25 caiu de 0.97 para 0.591 após a aplicação do R9.
• TechQA Opção X. Nomes de produtos IBM permitidos (são o principal sinal de recuperação para um sysadmin) SE a consulta também contiver uma âncora descritiva secundária não produto (classe de sintoma, família de código de erro, era de versão, contexto de implantação). Nomes de clientes, estados dos EUA, pessoal ainda proibidos. Teto BM25: 0.664.
• MedRAG médico-relaxado + seguro de alucinação. Nomes de drogas, termos de doença, anatomia, símbolos de genes mantidos literalmente da fonte porque substituir rótulos de classe de drogas arrisca alucinação farmacológica ("p-cloroanfetamina" é um liberador de serotonina da classe anfetamina, mas traduções de rótulos LLM de drogas mais raras falham silenciosamente). A consulta deve conter ≥2 âncoras não drogas para que a correspondência de palavra-chave pura de nome de droga não carregue o resultado. Teto BM25: 0.809 (propriedade estrutural do domínio, não uma falha de metodologia).

Consultas de exemplo

Para cada exemplo, a consulta é o texto que alimentamos o modelo de embedding. O documento ouro é o único item no corpus (de 509 contratos CUAD, 28.000 technotes TechQA ou 50.000 resumos PubMed) que realmente responde à consulta. A tarefa de recuperação é: embed a consulta, calcule a similaridade de cosseno contra cada documento no corpus e classifique-os. Se o documento ouro cair no rank 1, a consulta pontua 1.000 no nDCG@3; rank 2 pontua 0.631; rank 3 pontua 0.500; abaixo do top-3 pontua 0.

CUAD (legal)

Consulta:

Documento ouro (1 de 509 contratos CUAD): ANIXABIOSCIENCESINC_06_09_2020-EX-10.1-COLLABORATION AGREEMENT. É uma colaboração de 2020 entre uma firma alemã e uma biotech dos EUA para descoberta de drogas COVID-19; o contrato especifica um pagamento de marco devido quando o primeiro paciente entra na Fase I de um ensaio clínico. A consulta não contém nomes de partes, valores monetários ou geografias além de dois tokens de país; o sinal de recuperação é indústria + temporal + estrutura de marco.

TechQA (suporte ao cliente)

Consulta:

Documento ouro (1 de 28.000 IBM technotes): swg1IY43185, que documenta exatamente esse bug do WebSEAL e nomeia o patch que o corrige. O nome do produto IBM (WebSEAL) é permitido sob nossa variante R9 do TechQA, mas o discriminador é o padrão comportamental do bug e a âncora de ordem de solicitação, não apenas o nome do produto.

MedRAG (saúde)

Consulta:

Documento ouro (1 de 50.000 resumos PubMed): PMID:231299, um ensaio clínico comparando taxas de abandono por reação adversa entre cefradina e pivmecilinam em mulheres grávidas com infecções do trato urinário. Nomes de drogas são mantidos porque a comparação droga-versus-droga é o sinal de recuperação, mas a consulta adiciona população de pacientes + duração do tratamento + enquadramento de evento adverso para que uma correspondência BM25 de nome de droga pura não aterrisse o alvo por conta própria.

Protocolo estatístico

Intervalos de confiança de bootstrap de 95% usam 10.000 reamostras, método percentil, seed=2026 no vetor de métrica por consulta. Bootstrap pareado nos mesmos índices de consulta para significância pareada entre modelo A e modelo B (a alegação requer ≥95% das reamostras onde A > B).

Execução única por célula (modelo, domínio). Uma camada de variância de 3 execuções entre sessões é adiada para v2.1 por motivos de custo. Chamadas de API de embedding dentro da sessão são determinísticas dentro de algumas partes por milhão de diferença de cosseno, verificadas em verificação pontual; o IC bootstrap, portanto, captura ruído no nível da consulta, que é a principal fonte de variância em n=150-246.

Indexação e pontuação

Sem banco de dados vetorial. Cada modelo codifica cada documento do corpus uma vez; a similaridade de cosseno é calculada diretamente no NumPy como um produto de matriz densa de embeddings normalizados em L2. Isso é exato, não aproximado, então empates de rank são verdadeiros empates de modelo e não artefatos ANN.

Regra de chunking por modelo: modelos de 512-ctx chunk 512+64 sobreposição; modelos de 8K-20K-ctx chunk para contexto sem sobreposição; modelos de 32K+-ctx ingerem o documento completo quando cabe (9% de cauda longa do CUAD excede toda janela de contexto não-Nemotron e recua para chunking; justiça entre modelos é preservada aplicando a mesma política por tamanho de contexto a cada modelo).

A invocação de recuperação assimétrica por modelo é o detalhe de metodologia mais impactante e merece uma seção dedicada. É a razão pela qual gemini-embedding-2-preview pontua 0.46 nDCG@10 sob a amostra de código documentada do OpenRouter versus 0.91 sob o formato Vertex AI do Google. Veja "Como o pipeline de recuperação de embedding foi avaliado" acima para a tabela por família.

Framework de avaliação: ranx como motor de métrica principal; saída estilo trec_eval compatível com submissões de leaderboard MTEB. IC bootstrap calculado por scripts/bootstrap_ci.py sobre as matrizes de métrica por consulta salvas na passagem de avaliação.

Modelos testados

Os preços são de 2026-04-23 do catálogo OpenRouter e da página de preços direta do Voyage.

nDCG@3 por modelo com IC de bootstrap de 95%

Intervalos de confiança de bootstrap de 95% calculados via 10.000 reamostras do vetor de métrica por consulta (método percentil, seed=2026). Larguras de IC de 0.03-0.07 nestes tamanhos de amostra (n=154-246) significam que lacunas de estimativa pontual abaixo de ~0.03 estão dentro do ruído e devem ser tratadas como empates. Ordenado por média de nDCG@3 de 3 domínios:

Quatro empates estatísticos onde as classificações de estimativa pontual não são significativas no IC de 95%:

Limitações

Revisão humana por um autor: Um autor revisou pontualmente cerca de 25% das consultas finais aceitas quanto à naturalidade, alinhamento de alvo e conformidade R9.

Leitura adicional

Explore outros benchmarks RAG, como:

• Top 10 Modelos de Embedding Multilíngues para RAG
• Top 16 Modelos de Embedding Open Source para RAG
• Top Banco de Dados Vetorial para RAG: Qdrant vs Weaviate vs Pinecone
• Benchmark de Reranker: Top 8 Modelos Comparados
• Modelos de Embedding Multimodal: Apple vs Meta vs OpenAI
• RAG Híbrido: Aumentando a Precisão do RAG
• RAG de Grafos vs RAG Vetorial

Cite este benchmark

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

@misc{sar2026,
  author = {Sarı, Ekrem},
  title  = {{Modelos de Embedding: OpenAI vs Gemini vs Voyage}},
  year   = {2026},
  month  = apr,
  howpublished    = {\url{https://aimultiple.com/embedding-models}},
  note   = {AIMultiple. Acessado em 25 Abril 2026}
}

Ekrem Sarı

Pesquisador de IA

Siga-nos

Ekrem é pesquisador de IA na AIMultiple, com foco em automação inteligente, GPUs, agentes de IA e frameworks RAG.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.

Nome

Endereço de email

Comentário

0/450

Postar comentário