Convertissez du texte en vecteurs pour la recherche sémantique, la récupération et le clustering.
Sélection rapide
2 modèles
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 $US/1M entrée
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 $US/1M entrée
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
Actuellement non proposé
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
Actuellement non proposé
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
Actuellement non proposé
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
Actuellement non proposé
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
Actuellement non proposé
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
Actuellement non proposé
Voyage AI
Voyage's general-purpose embedding model. 1024 dims, 32k context, strong retrieval performance.
embeddingretrievalgeneral
Actuellement non proposé
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
Actuellement non proposé
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
Actuellement non proposé
Cohere's multilingual embedding model. Supports 100+ languages with separate search and classification modes.
cohereembeddingmultilingual
Actuellement non proposé
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
Actuellement non proposé
Jina's frontier multilingual embedding model. 570M params, 8192 ctx, 89 languages, Matryoshka dims 128-1024.
jinaembeddingmultilingual
Actuellement non proposé
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
Actuellement non proposé
Other
Mixedbread's open-source 335M embedding model. Top MTEB benchmark for English retrieval at release.
mixedbreadembeddingopen-weights
Actuellement non proposé
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
Actuellement non proposé
Voyage AI
Voyage's code-specialized embedding model. Up to 32k context, Matryoshka 256-2048 dims, int8/binary support.
embeddingcoderetrieval
Actuellement non proposé
Leurs pages restent en ligne, mais les modèles ne peuvent pas être exécutés pour le moment.
Les modèles d'embeddings transforment du texte — ou parfois des images, du code ou de l'audio — en un vecteur de nombres à virgule flottante de longueur fixe. Les entrées similaires atterrissent proches l'une de l'autre dans l'espace d'embedding, les entrées dissemblables atterrissent loin. On y a recours pour construire de la recherche sémantique, de la génération augmentée par retrieval (RAG), des recommandations ou du clustering.
La tarification est au token, similaire à la génération de texte mais typiquement 10 à 100× moins chère. Sur Railwail, OpenAI text-embedding-3-large coûte 0,156 USD et text-embedding-3-small 0,024 USD par million de tokens. Les options open-weights (Jina V3, BGE, MxBai) ne coûtent que le calcul sur sa propre infrastructure. Un corpus RAG typique de 10 millions de tokens (environ 20 000 documents) coûte donc environ 1,56 USD (large) ou 0,24 USD (small) à embedder une fois. Le re-embedding à chaque montée de version du modèle est le principal coût récurrent.
Le compromis est dimension, rappel et prix. Les embeddings de plus haute dimension (3 072 ou 4 096 dims) capturent plus de nuance mais coûtent plus à stocker et chercher. Les modèles de plus basse dimension (256 à 768 dims) coûtent dix fois moins et récupèrent quand même le bon document dans 90 à 95 % des cas sur la plupart des charges. Utilisez le phare haute dimension quand la qualité de retrieval est critique (recherche juridique, Q&R médical) ; utilisez un modèle économique quand vous pouvez tolérer un résultat manqué occasionnel.
Attention à la taille des chunks : la plupart des modèles d'embedding performent au mieux sur des chunks de 200 à 500 tokens. Embedder un document de 50 pages entier comme un seul vecteur perd le sens par section. Embedder trop petit (sous 50 tokens) rend les chunks individuels bruités. Choisissez un chunker qui respecte les frontières de paragraphe et ajoute un petit overlap (10 à 20 %) entre les chunks.
Attention au mismatch multilingue : tous les modèles d'embedding ne parlent pas toutes les langues à égalité. Si votre corpus est multilingue, choisissez un modèle dont les données d'entraînement couvrent vos langues — Jina V3, Cohere Multilingual et Voyage Multilingual sont les défauts sûrs.
Les top picks ci-dessus couvrent le phare au plus haut rappel, le modèle de production le moins cher, l'option de plus haute dimension et l'indexeur le plus rapide.
Voyage 3 et OpenAI text-embedding-3-large mènent actuellement sur le benchmark MTEB pour la recherche anglaise généraliste. Cohere Embed v3 multilingual mène sur la recherche cross-lingue. Pour le code, Voyage Code 3 et CodeRankEmbed mènent. Lancez un test de rappel@k sur votre propre corpus avant de vous engager.
Sur Railwail, OpenAI text-embedding-3-small coûte 0,024 USD et text-embedding-3-large 0,156 USD par million de tokens. Les modèles open-weights (BGE, Jina V3, MxBai) ne coûtent que le calcul en auto-hébergement. Embeddez le corpus une fois et amortissez sur des millions de requêtes.
La plupart des modèles optimisent pour des chunks de 200 à 500 tokens. Utilisez un chunker qui respecte les frontières de paragraphe, avec 10 à 20 % d'overlap entre chunks adjacents. Pour des requêtes très courtes (phrases uniques), certains modèles d'embedding prennent aussi en charge un mode « query » vs « document » qui améliore la qualité du retrieval.
Les tailles standards sont 384, 768, 1 024, 1 536 et 3 072 dimensions. Les dimensions plus hautes capturent plus de nuance mais coûtent plus à stocker et chercher. Beaucoup de phares prennent maintenant en charge la représentation matriochka — embeddez à 3 072 puis tronquez à n'importe quelle taille plus petite sans ré-embedder.
Les phares multilingues (Jina V3, Cohere Multilingual v3, Voyage Multilingual) couvrent 100+ langues avec un fort retrieval cross-lingue. Les modèles anglais seul perdent 30 à 60 % de rappel sur le texte non anglais. Choisissez toujours un modèle multilingue si votre corpus ou vos requêtes ne sont pas exclusivement en anglais.
Oui — les modèles d'embedding code dédiés (Voyage Code 3, CodeRankEmbed, Jina Code) surpassent les modèles généralistes de 15 à 30 % sur les benchmarks de recherche de code. Ils comprennent la syntaxe, le nommage d'identifiants et la similarité cross-langage. Utilisez-les quand vous construisez du « trouve du code similaire » ou de l'outillage de PR review.
Oui — les variantes CLIP et SigLIP embeddent images et texte dans un espace partagé, vous pouvez donc chercher des images par requête textuelle. Jina V3 livre aussi une variante multimodale. Pour la recherche pure image-image, les encodeurs vision dédiés comme DINOv2 surpassent CLIP.
Pgvector pour les workflows natifs Postgres, Qdrant ou Weaviate pour le standalone à grande échelle, Pinecone pour la simplicité managée, Milvus pour le très grand on-prem. Les embeddings Railwail sont compatibles avec toutes — choisissez celle qui correspond à votre infrastructure existante.
Tous les modèles disponibles via une API compatible OpenAI. Crédits prépayés en USD, sans abonnement.
