Convierte texto en vectores para búsqueda semántica, recuperación y agrupamiento.
Selecciones rápidas
2 modelos
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
USD 0.156/1M entrada
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
USD 0.024/1M entrada
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
Actualmente no disponible
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
Actualmente no disponible
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
Actualmente no disponible
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
Actualmente no disponible
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
Actualmente no disponible
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
Actualmente no disponible
Voyage AI
Voyage's general-purpose embedding model. 1024 dims, 32k context, strong retrieval performance.
embeddingretrievalgeneral
Actualmente no disponible
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
Actualmente no disponible
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
Actualmente no disponible
Cohere's multilingual embedding model. Supports 100+ languages with separate search and classification modes.
cohereembeddingmultilingual
Actualmente no disponible
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
Actualmente no disponible
Jina's frontier multilingual embedding model. 570M params, 8192 ctx, 89 languages, Matryoshka dims 128-1024.
jinaembeddingmultilingual
Actualmente no disponible
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
Actualmente no disponible
Other
Mixedbread's open-source 335M embedding model. Top MTEB benchmark for English retrieval at release.
mixedbreadembeddingopen-weights
Actualmente no disponible
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
Actualmente no disponible
Voyage AI
Voyage's code-specialized embedding model. Up to 32k context, Matryoshka 256-2048 dims, int8/binary support.
embeddingcoderetrieval
Actualmente no disponible
Sus páginas siguen en línea, pero no se pueden ejecutar en este momento.
Los modelos de embeddings convierten texto — o a veces imágenes, código o audio — en un vector de números en coma flotante de longitud fija. Las entradas similares acaban cerca unas de otras en el espacio de embedding, las distintas acaban lejos. Recurres a embeddings cuando construyes búsqueda semántica, generación aumentada por recuperación (RAG), recomendaciones o clustering.
La tarificación es por token, similar a la generación de texto pero típicamente 10-100× más barata. En Railwail, OpenAI text-embedding-3-large cuesta 0,156 USD y text-embedding-3-small 0,024 USD por millón de tokens. Las opciones de pesos abiertos (Jina V3, BGE, MxBai) solo cuestan cómputo si las corres en tu propia infraestructura. Un corpus RAG típico de 10 millones de tokens (unos 20 000 documentos) cuesta por tanto unos 1,56 USD (large) o 0,24 USD (small) para embeber 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.
Voyage 3 y OpenAI text-embedding-3-large lideran actualmente el benchmark MTEB para recuperación general en inglés. Cohere Embed v3 multilingual lidera para búsqueda interlingüística. Para código, Voyage Code 3 y CodeRankEmbed lideran. Ejecuta una prueba de recall@k en tu propio corpus antes de comprometerte.
En Railwail, OpenAI text-embedding-3-small cuesta 0,024 USD y text-embedding-3-large 0,156 USD por millón de tokens. Los modelos de pesos abiertos (BGE, Jina V3, MxBai) solo cuestan cómputo si los alojas tú. Embebe el corpus una vez y amortízalo en millones de consultas.
La mayoría de los modelos optimizan para chunks de 200-500 tokens. Usa un chunker que respete los límites de párrafo, con 10-20 % de solapamiento entre chunks adyacentes. Para consultas muy cortas (frases sueltas), algunos modelos de embeddings también admiten un modo «query» vs «document» que mejora la calidad de la recuperación.
Los tamaños estándar son 384, 768, 1 024, 1 536 y 3 072 dimensiones. Mayores dimensiones capturan más matiz pero cuestan más almacenarlas y buscarlas. Muchos punteros ahora admiten representación matrioshka — embebee a 3 072 y luego trunca a cualquier tamaño menor sin re-embebeer.
Los punteros multilingües (Jina V3, Cohere Multilingual v3, Voyage Multilingual) cubren más de 100 idiomas con fuerte recuperación interlingüística. Los modelos solo en inglés pierden 30-60 % de recall en texto no inglés. Elige siempre un modelo multilingüe si tu corpus o consultas no son solo en inglés.
Sí — los modelos dedicados de embeddings de código (Voyage Code 3, CodeRankEmbed, Jina Code) superan a los generales en un 15-30 % en los benchmarks de búsqueda de código. Comprenden sintaxis, nomenclatura de identificadores y similitud entre lenguajes. Úsalos cuando construyas «buscar código similar» o herramientas de revisión de PR.
Sí — las variantes CLIP y SigLIP embebeen imágenes y texto en un espacio compartido, así que puedes buscar imágenes por consulta de texto. Jina V3 también entrega una variante multimodal. Para búsqueda pura imagen-imagen, los codificadores de visión dedicados como DINOv2 superan a CLIP.
Pgvector para flujos nativos de Postgres, Qdrant o Weaviate para gran escala independiente, Pinecone para simplicidad gestionada, Milvus para muy gran escala on-premise. Los embeddings de Railwail son compatibles con todas — elige la que coincida con tu infraestructura existente.
Todos los modelos disponibles a través de una API compatible con OpenAI. Créditos prepagados en USD, sin suscripción.
