Converti testo in vettori per ricerca semantica, retrieval e clustering.
Scelte rapide
2 modelli
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 USD/1M 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 USD/1M 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
Attualmente non disponibile
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
Attualmente non disponibile
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
Attualmente non disponibile
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
Attualmente non disponibile
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
Attualmente non disponibile
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
Attualmente non disponibile
Voyage AI
Voyage's general-purpose embedding model. 1024 dims, 32k context, strong retrieval performance.
embeddingretrievalgeneral
Attualmente non disponibile
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
Attualmente non disponibile
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
Attualmente non disponibile
Cohere's multilingual embedding model. Supports 100+ languages with separate search and classification modes.
cohereembeddingmultilingual
Attualmente non disponibile
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
Attualmente non disponibile
Jina's frontier multilingual embedding model. 570M params, 8192 ctx, 89 languages, Matryoshka dims 128-1024.
jinaembeddingmultilingual
Attualmente non disponibile
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
Attualmente non disponibile
Other
Mixedbread's open-source 335M embedding model. Top MTEB benchmark for English retrieval at release.
mixedbreadembeddingopen-weights
Attualmente non disponibile
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
Attualmente non disponibile
Voyage AI
Voyage's code-specialized embedding model. Up to 32k context, Matryoshka 256-2048 dims, int8/binary support.
embeddingcoderetrieval
Attualmente non disponibile
Le loro pagine rimangono online, ma non possono essere eseguiti al momento.
I modelli embedding trasformano testo — o a volte immagini, codice o audio — in un vettore di numeri in virgola mobile di lunghezza fissa. Input simili finiscono vicini nello spazio degli embedding, input dissimili lontani. Si ricorre agli embedding per costruire ricerca semantica, retrieval-augmented generation (RAG), raccomandazioni o clustering.
Il pricing è per token, simile alla generazione di testo ma tipicamente 10-100× più economico. Su Railwail OpenAI text-embedding-3-large costa 0,156 USD e text-embedding-3-small 0,024 USD per milione di token. Le opzioni open-weights (Jina V3, BGE, MxBai) costano solo il calcolo sulla propria infrastruttura. Un corpus RAG tipico di 10 milioni di token (circa 20.000 documenti) costa quindi circa 1,56 USD (large) o 0,24 USD (small) da embeddare una volta. Il ri-embedding a ogni upgrade del modello è il principale costo long-tail.
Il compromesso è dimensione, recall e prezzo. Embedding a dimensione più alta (3.072 o 4.096 dim) catturano più sfumature ma costano di più da memorizzare e cercare. I modelli a dimensione più bassa (256-768 dim) costano dieci volte meno e recuperano comunque il documento giusto il 90-95% delle volte nella maggior parte dei carichi di lavoro. Usate il flagship ad alta dimensione quando la qualità del retrieval è mission-critical (ricerca legale, Q&A medico); usate un modello economico quando potete tollerare il risultato mancato occasionale.
Attenzione alla dimensione dei chunk: la maggior parte dei modelli embedding rende meglio su chunk di 200-500 token. Embeddare un intero documento di 50 pagine come un singolo vettore fa perdere il significato per sezione. Embeddare troppo piccolo (sotto i 50 token) e i singoli chunk diventano rumorosi. Scegliete un chunker che rispetti i confini dei paragrafi e aggiunga una piccola sovrapposizione (10-20%) tra chunk.
Attenzione al mismatch multilingue: non tutti i modelli embedding parlano ogni lingua allo stesso modo. Se il vostro corpus è multilingue, scegliete un modello i cui dati di training coprano le vostre lingue — Jina V3, Cohere Multilingual e Voyage Multilingual sono i default sicuri.
Le top picks qui sopra coprono il flagship con il recall più alto, il modello di produzione più economico, l'opzione a dimensione più alta e l'indicizzatore più veloce.
Voyage 3 e OpenAI text-embedding-3-large guidano oggi il benchmark MTEB per il retrieval generico in inglese. Cohere Embed v3 multilingual guida per la ricerca cross-lingual. Per il codice, Voyage Code 3 e CodeRankEmbed guidano. Eseguite un test recall@k sul vostro corpus prima di impegnarvi.
Su Railwail OpenAI text-embedding-3-small costa 0,024 USD e text-embedding-3-large 0,156 USD per milione di token. I modelli open-weights (BGE, Jina V3, MxBai) costano solo il calcolo se self-hosted. Fate l'embedding del corpus una volta e ammortizzatelo su milioni di query.
La maggior parte dei modelli ottimizza per chunk di 200-500 token. Usate un chunker che rispetti i confini dei paragrafi, con il 10-20% di sovrapposizione tra chunk adiacenti. Per query molto brevi (singole frasi), alcuni modelli embedding supportano anche una modalità 'query' vs 'document' che migliora la qualità del retrieval.
Le dimensioni standard sono 384, 768, 1.024, 1.536 e 3.072. Dimensioni più alte catturano più sfumature ma costano di più da memorizzare e cercare. Molti flagship oggi supportano la rappresentazione Matryoshka — embeddate a 3.072 poi troncate a qualsiasi dimensione minore senza ri-embeddare.
I flagship multilingue (Jina V3, Cohere Multilingual v3, Voyage Multilingual) coprono 100+ lingue con forte retrieval cross-lingual. I modelli solo-inglese perdono il 30-60% di recall sul testo non-inglese. Scegliete sempre un modello multilingue se il vostro corpus o le query non sono solo in inglese.
Sì — i modelli embedding dedicati al codice (Voyage Code 3, CodeRankEmbed, Jina Code) superano i modelli generici del 15-30% sui benchmark di ricerca codice. Comprendono sintassi, naming degli identificatori e similarità cross-language. Usateli quando costruite 'trova codice simile' o tool di PR review.
Sì — le varianti CLIP e SigLIP embeddano immagini e testo in uno spazio condiviso, così potete cercare immagini con query testuali. Jina V3 offre anche una variante multimodale. Per la ricerca pura image-image, encoder visuali dedicati come DINOv2 superano CLIP.
Pgvector per workflow Postgres-native, Qdrant o Weaviate per stand-alone ad alta scala, Pinecone per la semplicità gestita, Milvus per scala molto grande on-prem. Gli embedding Railwail sono compatibili con tutti — scegliete quello che corrisponde alla vostra infrastruttura esistente.
Tutti i modelli disponibili tramite un'API compatibile con OpenAI. Crediti prepagati in USD, nessun abbonamento.
