Zet tekst om in vectoren voor semantisch zoeken, retrieval en clustering.
Snelkeuzes
2 modellen
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
US$ 0,156/1M 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
US$ 0,024/1M 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
Momenteel niet beschikbaar
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
Momenteel niet beschikbaar
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
Momenteel niet beschikbaar
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
Momenteel niet beschikbaar
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
Momenteel niet beschikbaar
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
Momenteel niet beschikbaar
Voyage AI
Voyage's general-purpose embedding model. 1024 dims, 32k context, strong retrieval performance.
embeddingretrievalgeneral
Momenteel niet beschikbaar
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
Momenteel niet beschikbaar
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
Momenteel niet beschikbaar
Cohere's multilingual embedding model. Supports 100+ languages with separate search and classification modes.
cohereembeddingmultilingual
Momenteel niet beschikbaar
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
Momenteel niet beschikbaar
Jina's frontier multilingual embedding model. 570M params, 8192 ctx, 89 languages, Matryoshka dims 128-1024.
jinaembeddingmultilingual
Momenteel niet beschikbaar
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
Momenteel niet beschikbaar
Other
Mixedbread's open-source 335M embedding model. Top MTEB benchmark for English retrieval at release.
mixedbreadembeddingopen-weights
Momenteel niet beschikbaar
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
Momenteel niet beschikbaar
Voyage AI
Voyage's code-specialized embedding model. Up to 32k context, Matryoshka 256-2048 dims, int8/binary support.
embeddingcoderetrieval
Momenteel niet beschikbaar
Hun pagina's blijven online, maar de modellen kunnen momenteel niet worden uitgevoerd.
Embedding-modellen zetten tekst — of soms afbeeldingen, code of audio — om in een vector met vaste lengte van floating-pointgetallen. Vergelijkbare invoer landt dicht bij elkaar in de embeddingruimte, ongelijksoortige invoer ver uit elkaar. Je grijpt naar embeddings bij het bouwen van semantisch zoeken, retrieval-augmented generation (RAG), aanbevelingen of clustering.
De prijs is per token, vergelijkbaar met tekstgeneratie maar doorgaans 10-100× goedkoper. Op Railwail kost OpenAI text-embedding-3-large 0,156 USD en text-embedding-3-small 0,024 USD per miljoen tokens. Open-weights opties (Jina V3, BGE, MxBai) kosten alleen rekenkracht als je ze op eigen infrastructuur draait. Een typische RAG-corpus van 10 miljoen tokens (rond 20.000 documenten) kost daarmee ongeveer 1,56 USD (large) of 0,24 USD (small) om eenmalig te embedden. Opnieuw embedden bij elke modelupgrade is de belangrijkste long-tail-kost.
De afweging is dimensie, recall en prijs. Hogerdimensionele embeddings (3.072 of 4.096 dim) vangen meer nuance maar kosten meer in opslag en zoeken. Lagerdimensionele modellen (256-768 dim) kosten tien keer minder en vinden in de meeste werklasten nog steeds 90-95% van de tijd het juiste document. Gebruik het hoge-dim-flagship wanneer retrievalkwaliteit mission-critical is (juridisch zoeken, medische Q&A); gebruik een budgetmodel wanneer je af en toe een gemist resultaat kan tolereren.
Pas op met chunkgrootte: de meeste embeddingmodellen presteren het best op chunks van 200-500 tokens. Een document van 50 pagina's als één vector embedden vernietigt de betekenis per sectie. Te klein embedden (onder 50 tokens) maakt individuele chunks ruizig. Kies een chunker die alinea-grenzen respecteert en een kleine overlap (10-20%) tussen chunks toevoegt.
Pas op met meertalige mismatch: niet elk embeddingmodel spreekt elke taal even goed. Als je corpus meertalig is, kies een model waarvan de trainingsdata jouw talen dekt — Jina V3, Cohere Multilingual en Voyage Multilingual zijn de veilige defaults.
De topkeuzes hierboven dekken het hoogste-recall-flagship, het goedkoopste productiemodel, de optie met de hoogste dimensies en de snelste indexer.
Voyage 3 en OpenAI text-embedding-3-large leiden momenteel de MTEB-benchmark voor algemeen Engels retrieval. Cohere Embed v3 multilingual leidt voor cross-language zoeken. Voor code leiden Voyage Code 3 en CodeRankEmbed. Draai een recall@k-test op je eigen corpus voordat je je vastlegt.
Op Railwail kost OpenAI text-embedding-3-small 0,024 USD en text-embedding-3-large 0,156 USD per miljoen tokens. Open-weights modellen (BGE, Jina V3, MxBai) kosten self-hosted alleen rekenkracht. Embed de corpus één keer en schrijf de kosten af over miljoenen queries.
De meeste modellen optimaliseren voor chunks van 200-500 tokens. Gebruik een chunker die alinea-grenzen respecteert, met 10-20% overlap tussen aangrenzende chunks. Voor heel korte queries (enkele zinnen) ondersteunen sommige embeddingmodellen ook een 'query'-vs-'document'-modus die de retrievalkwaliteit verbetert.
Standaardmaten zijn 384, 768, 1.024, 1.536 en 3.072 dimensies. Hogere dimensies vangen meer nuance maar kosten meer in opslag en zoeken. Veel flagships ondersteunen nu Matryoshka-representatie — embed op 3.072 en kap af naar elke kleinere maat zonder opnieuw te embedden.
Meertalige flagships (Jina V3, Cohere Multilingual v3, Voyage Multilingual) dekken 100+ talen met sterke cross-language retrieval. Engelstalige modellen verliezen 30-60% recall op niet-Engelse tekst. Kies altijd een meertalig model als je corpus of queries niet alleen Engels zijn.
Ja — toegewijde code-embeddingmodellen (Voyage Code 3, CodeRankEmbed, Jina Code) presteren 15-30% beter dan algemene modellen op codezoekbenchmarks. Ze begrijpen syntaxis, identifier-naamgeving en gelijkenis tussen talen. Gebruik ze bij het bouwen van 'vind vergelijkbare code' of PR-review-tools.
Ja — CLIP- en SigLIP-varianten embedden beeld en tekst in een gedeelde ruimte, zodat je afbeeldingen via tekstquery kunt zoeken. Jina V3 levert ook een multimodale variant. Voor pure image-image-zoek presteren toegewijde vision encoders als DINOv2 beter dan CLIP.
Pgvector voor Postgres-native workflows, Qdrant of Weaviate voor stand-alone op grote schaal, Pinecone voor managed eenvoud, Milvus voor zeer grote schaal on-prem. Railwail-embeddings zijn met alle compatibel — kies degene die past bij je bestaande infrastructuur.
Elk beschikbaar model via één OpenAI-compatibele API. Prepaid credits in USD, geen abonnement.
