Text in Vektoren umwandeln – für semantische Suche, Retrieval und Clustering.
Schnellwahl
2 Modelle
OpenAI's highest-quality embedding model. Returns 3072-dim vectors by default and supports reducing dimensions via the dimensions parameter. Outperforms text-embedding-3-small and the older ada-002 on MTEB and multilingual MIRACL retrieval benchmarks, for cases where accuracy matters more than cost.
embeddingretrievalrag
$ 0,156/1 Mio. In
OpenAI's small, low-cost embedding model. Returns 1536-dim vectors by default and supports shortening output dimensions via the dimensions parameter without retraining. Replaced text-embedding-ada-002 with better retrieval quality at a fraction of the price, and is the default choice for general-purpose semantic search and RAG.
embeddingretrievalrag
$ 0,024/1 Mio. In
Hugging Face
BAAI (Beijing Academy of AI) open-weight English embedding model with 335M parameters. Returns 1024-dim vectors and was a top MTEB English retrieval model on release. The v1.5 update improved similarity distribution so it works well without a query instruction prefix for symmetric tasks. A widely used open alternative to hosted embeddings.
embeddingretrievalrag
Derzeit nicht im Angebot
Hugging Face
BAAI multilingual embedding model covering 100+ languages with an 8192-token context. M3 stands for its multi-functionality (dense, sparse and ColBERT-style multi-vector retrieval), multilinguality and multi-granularity over long documents. Returns 1024-dim dense vectors and is a strong open choice for cross-lingual and long-text retrieval.
embeddingretrievalrag
Derzeit nicht im Angebot
Meta AI 650M-parameter protein language model trained on UniRef50 sequences. Feed it an amino-acid sequence and the per-residue hidden states act as learned protein embeddings, used for structure prediction, variant-effect and function tasks. This 33-layer checkpoint is the common balance of quality and cost in the ESM-2 family.
scienceembeddingresearch
Derzeit nicht im Angebot
Hugging Face
Nomic AI open embedding model with a fully reproducible training pipeline (open weights, data and code). Supports an 8192-token context and Matryoshka representation learning, so you can truncate the 768-dim output down to 64 dims with graceful quality loss. Uses task prefixes like search_query and search_document.
embeddingretrievalrag
Derzeit nicht im Angebot
Hugging Face
Sentence-transformers model fine-tuned from Microsoft PubMedBERT on PubMed title-abstract pairs by the NeuML team. Produces 768-dim sentence embeddings tuned for biomedical semantic search and similarity, and is the embedding backbone behind the paperai and txtai medical search tools.
scienceembeddingresearch
Derzeit nicht im Angebot
Hugging Face
AllenAI document-level embedding model for scientific papers. Built on SciBERT and trained on the citation graph so that papers citing each other land close together. Feed it a title plus abstract and it returns one 768-dim vector per paper, useful for recommendation, clustering and citation-based retrieval.
scienceembeddingresearch
Derzeit nicht im Angebot
Voyage AI
Voyage's general-purpose embedding model. 1024 dims, 32k context, strong retrieval performance.
embeddingretrievalgeneral
Derzeit nicht im Angebot
Hugging Face
DMIS-Lab (Korea University) BERT-base initialized from English BERT and further pretrained on PubMed abstracts. Used as a feature extractor it yields 768-dim contextual embeddings tuned for biomedical text mining tasks such as NER, relation extraction and biomedical question answering.
scienceembeddingresearch
Derzeit nicht im Angebot
Microsoft
Microsoft BiomedBERT (formerly PubMedBERT) pretrained from scratch on PubMed abstracts with a domain-specific vocabulary, rather than adapting a general model. As a feature extractor it gives 768-dim biomedical embeddings and set the original state of the art on the BLURB biomedical NLP benchmark.
scienceembeddingresearch
Derzeit nicht im Angebot
Cohere's multilingual embedding model. Supports 100+ languages with separate search and classification modes.
cohereembeddingmultilingual
Derzeit nicht im Angebot
Hugging Face
Alibaba (Tongyi Lab) general text embedding model. The v1.5 release extends the context to 8192 tokens and returns 1024-dim vectors, scoring competitively on MTEB while handling much longer inputs than typical 512-token encoders. A practical open model when documents exceed the usual short-context limit.
embeddingretrievalrag
Derzeit nicht im Angebot
Jina's frontier multilingual embedding model. 570M params, 8192 ctx, 89 languages, Matryoshka dims 128-1024.
jinaembeddingmultilingual
Derzeit nicht im Angebot
Hugging Face
Microsoft E5 multilingual embedding model with 560M parameters, initialized from XLM-RoBERTa-large and trained with weakly supervised contrastive learning. Covers around 100 languages and returns 1024-dim vectors. It expects query: and passage: prefixes on inputs and is a popular open model for multilingual semantic search.
embeddingretrievalrag
Derzeit nicht im Angebot
Other
Mixedbread's open-source 335M embedding model. Top MTEB benchmark for English retrieval at release.
mixedbreadembeddingopen-weights
Derzeit nicht im Angebot
Hugging Face
AllenAI BERT-base pretrained from scratch on 1.14M scientific papers (mostly biomedical and computer science) with its own scientific WordPiece vocabulary. Used as a feature extractor it gives 768-dim contextual embeddings tuned to scientific text, outperforming general BERT on tasks like NER and relation extraction in research corpora.
scienceembeddingresearch
Derzeit nicht im Angebot
Voyage AI
Voyage's code-specialized embedding model. Up to 32k context, Matryoshka 256-2048 dims, int8/binary support.
embeddingcoderetrieval
Derzeit nicht im Angebot
Die Seiten bleiben erreichbar, die Modelle lassen sich aber gerade nicht ausführen.
Embedding-Modelle verwandeln Text — oder manchmal Bilder, Code oder Audio — in einen Vektor fester Länge aus Fließkommazahlen. Ähnliche Eingaben landen im Embedding-Raum nah beieinander, unähnliche weit voneinander entfernt. Du greifst zu Embeddings, wenn du semantische Suche, Retrieval-Augmented Generation (RAG), Empfehlungen oder Clustering baust.
Die Abrechnung läuft pro Token, ähnlich wie bei Textgenerierung, aber typischerweise 10–100× günstiger. Auf Railwail kostet OpenAI text-embedding-3-large 0,156 USD und text-embedding-3-small 0,024 USD pro Million Tokens. Open-Weights-Optionen (Jina V3, BGE, MxBai) kosten auf eigener Infrastruktur nur Rechenzeit. Ein typischer RAG-Korpus von 10 Mio. Tokens (rund 20.000 Dokumente) kostet damit einmalig rund 1,56 USD (large) oder 0,24 USD (small) zum Embedden. Das Neu-Embedden bei jedem Modell-Upgrade ist der eigentliche Long-Tail-Kostenfaktor.
Der Trade-off heißt Dimension, Recall und Preis. Höherdimensionale Embeddings (3.072 oder 4.096 Dimensionen) erfassen mehr Nuance, kosten aber mehr beim Speichern und Suchen. Niedrigerdimensionale Modelle (256–768 Dimensionen) kosten zehnmal weniger und finden bei den meisten Workloads das richtige Dokument in 90–95 % der Fälle. Nimm das High-Dim-Flagship, wenn die Retrieval-Qualität geschäftskritisch ist (juristische Suche, medizinische Q&A); nimm ein Budget-Modell, wenn du den gelegentlichen verfehlten Treffer tolerieren kannst.
Achte auf die Chunk-Größe: Die meisten Embedding-Modelle arbeiten am besten mit Chunks von 200–500 Tokens. Embeddest du ein ganzes 50-Seiten-Dokument als einen Vektor, verlierst du die Bedeutung pro Abschnitt. Embeddest du zu klein (unter 50 Tokens), werden einzelne Chunks verrauscht. Wähle einen Chunker, der Absatzgrenzen respektiert und eine kleine Überlappung (10–20 %) zwischen Chunks setzt.
Achte auf den mehrsprachigen Mismatch: Nicht jedes Embedding-Modell spricht jede Sprache gleich gut. Wenn dein Korpus mehrsprachig ist, wähle ein Modell, dessen Trainingsdaten deine Sprachen abdecken — Jina V3, Cohere Multilingual und Voyage Multilingual sind die sicheren Defaults.
Die Top-Picks oben decken das Recall-Flagship, das günstigste Produktiv-Modell, die höchstdimensionale Option und den schnellsten Indexer ab.
Voyage 3 und OpenAI text-embedding-3-large führen aktuell auf dem MTEB-Benchmark für allgemeines englisches Retrieval. Cohere Embed v3 Multilingual führt bei der sprachübergreifenden Suche. Für Code führen Voyage Code 3 und CodeRankEmbed. Mach einen Recall@k-Test auf deinem eigenen Korpus, bevor du dich festlegst.
Auf Railwail kostet OpenAI text-embedding-3-small 0,024 USD und text-embedding-3-large 0,156 USD pro Million Tokens. Open-Weights-Modelle (BGE, Jina V3, MxBai) kosten selbst gehostet nur Rechenzeit. Embedde den Korpus einmal und amortisiere die Kosten über Millionen von Queries.
Die meisten Modelle sind auf Chunks von 200–500 Tokens optimiert. Nutze einen Chunker, der Absatzgrenzen respektiert, mit 10–20 % Überlappung zwischen benachbarten Chunks. Für sehr kurze Queries (einzelne Sätze) unterstützen manche Embedding-Modelle auch einen 'query'-vs-'document'-Modus, der die Retrieval-Qualität verbessert.
Standard-Größen sind 384, 768, 1.024, 1.536 und 3.072 Dimensionen. Höhere Dimensionen erfassen mehr Nuance, kosten aber mehr beim Speichern und Suchen. Viele Flagships unterstützen jetzt Matryoshka-Repräsentation — embedde mit 3.072 und kürze ohne Neu-Embedding auf jede kleinere Größe.
Mehrsprachige Flagships (Jina V3, Cohere Multilingual v3, Voyage Multilingual) decken 100+ Sprachen mit starkem sprachübergreifendem Retrieval ab. Englisch-only-Modelle verlieren 30–60 % Recall auf nicht-englischem Text. Wähle immer ein mehrsprachiges Modell, wenn dein Korpus oder deine Queries nicht nur englisch sind.
Ja — dedizierte Code-Embedding-Modelle (Voyage Code 3, CodeRankEmbed, Jina Code) schlagen allgemeine Modelle um 15–30 % auf Code-Such-Benchmarks. Sie verstehen Syntax, Identifier-Namensgebung und sprachübergreifende Ähnlichkeit. Nutze sie, wenn du 'finde ähnlichen Code'- oder PR-Review-Tools baust.
Ja — CLIP- und SigLIP-Varianten embedden Bilder und Text in einen geteilten Raum, damit du Bilder per Textanfrage suchen kannst. Jina V3 liefert auch eine multimodale Variante. Für reine Bild-zu-Bild-Suche schlagen dedizierte Vision-Encoder wie DINOv2 CLIP.
Pgvector für Postgres-native Workflows, Qdrant oder Weaviate für High-Scale-Standalone, Pinecone für managed Einfachheit, Milvus für sehr großen Maßstab on-prem. Railwail-Embeddings sind mit allen kompatibel — wähle die, die zu deiner bestehenden Infrastruktur passt.
Alle verfügbaren Modelle über eine OpenAI-kompatible API. Guthaben in USD im Voraus, kein Abo.
