Embeddings

La tarificación es por token, similar a la generación de texto pero típicamente 10-100× más barata. Los modelos punteros (OpenAI text-embedding-3-large, Voyage 3, Cohere Embed v3) cuestan 0,05-0,15 € por millón de tokens. Las opciones de pesos abiertos (Jina V3, BGE, MxBai) cuestan efectivamente nada si las corres en tu propia infraestructura. Un corpus RAG típico de 10 millones de tokens (unos 20 000 documentos) cuesta 0,50-1,50 € para embebeer una vez. El re-embebido en cada actualización de modelo es el principal coste recurrente.

El compromiso es dimensión, recall y precio. Los embeddings de mayor dimensión (3 072 o 4 096 dims) capturan más matiz pero cuestan más almacenarlos y buscarlos. Los modelos de menor dimensión (256-768 dims) cuestan diez veces menos y aun así recuperan el documento correcto el 90-95 % de las veces en la mayoría de cargas. Usa el puntero de alta dimensión cuando la calidad de recuperación es crítica (búsqueda legal, Q&A médico); usa un modelo económico cuando puedas tolerar algún resultado perdido ocasional.

Cuidado con el tamaño de los chunks: la mayoría de los modelos de embeddings rinden mejor en chunks de 200-500 tokens. Embebeer un documento entero de 50 páginas como un solo vector pierde el significado por sección. Embebeer demasiado pequeño (por debajo de 50 tokens) hace que los chunks individuales se vuelvan ruido. Elige un chunker que respete los límites de párrafo y añade un pequeño solapamiento (10-20 %) entre chunks.

Cuidado con el desajuste multilingüe: no todos los modelos de embeddings hablan todos los idiomas por igual. Si tu corpus es multilingüe, elige un modelo cuyos datos de entrenamiento cubran tus idiomas — Jina V3, Cohere Multilingual y Voyage Multilingual son los valores por defecto seguros.

Las selecciones principales arriba cubren el puntero de mayor recall, el modelo de producción más barato, la opción de mayor dimensión y el indexador más rápido.