Converta texto em vetores para busca semântica, recuperação e clustering.
Seleções 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
US$ 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
US$ 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
Não oferecido no momento
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
Não oferecido no momento
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
Não oferecido no momento
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
Não oferecido no momento
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
Não oferecido no momento
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
Não oferecido no momento
Voyage AI
Voyage's general-purpose embedding model. 1024 dims, 32k context, strong retrieval performance.
embeddingretrievalgeneral
Não oferecido no momento
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
Não oferecido no momento
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
Não oferecido no momento
Cohere's multilingual embedding model. Supports 100+ languages with separate search and classification modes.
cohereembeddingmultilingual
Não oferecido no momento
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
Não oferecido no momento
Jina's frontier multilingual embedding model. 570M params, 8192 ctx, 89 languages, Matryoshka dims 128-1024.
jinaembeddingmultilingual
Não oferecido no momento
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
Não oferecido no momento
Other
Mixedbread's open-source 335M embedding model. Top MTEB benchmark for English retrieval at release.
mixedbreadembeddingopen-weights
Não oferecido no momento
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
Não oferecido no momento
Voyage AI
Voyage's code-specialized embedding model. Up to 32k context, Matryoshka 256-2048 dims, int8/binary support.
embeddingcoderetrieval
Não oferecido no momento
As páginas permanecem online, mas os modelos não podem ser executados no momento.
Os modelos de embeddings transformam texto — ou por vezes imagens, código ou áudio — num vetor de comprimento fixo de números em vírgula flutuante. Inputs semelhantes ficam próximos no espaço de embeddings, inputs diferentes ficam longe. Recorra a embeddings para construir pesquisa semântica, retrieval-augmented generation (RAG), recomendações ou clustering.
O pricing é por token, semelhante à geração de texto mas tipicamente 10-100× mais barato. No Railwail, o OpenAI text-embedding-3-large custa 0,156 USD e o text-embedding-3-small 0,024 USD por milhão de tokens. As opções open-weights (Jina V3, BGE, MxBai) só custam computação na sua própria infraestrutura. Um corpus RAG típico de 10 milhões de tokens (cerca de 20.000 documentos) custa assim cerca de 1,56 USD (large) ou 0,24 USD (small) para fazer embedding uma vez. O re-embedding a cada upgrade de modelo é o principal custo a longo prazo.
O compromisso é dimensão, recall e preço. Embeddings de dimensão maior (3.072 ou 4.096 dim) captam mais nuance mas custam mais a armazenar e a pesquisar. Os modelos de dimensão menor (256-768 dim) custam dez vezes menos e ainda recuperam o documento certo 90-95% das vezes na maior parte das cargas. Use o flagship de dimensão alta quando a qualidade do retrieval for missão crítica (pesquisa jurídica, Q&A médica); use um modelo económico quando puder tolerar o resultado ocasional em falta.
Atenção ao tamanho dos chunks: a maior parte dos modelos de embeddings rende melhor em chunks de 200-500 tokens. Fazer embedding de um documento inteiro de 50 páginas como um único vetor faz perder o significado por secção. Fazer embedding demasiado pequeno (abaixo de 50 tokens) torna os chunks individuais ruidosos. Escolha um chunker que respeite as fronteiras de parágrafo e adicione uma pequena sobreposição (10-20%) entre chunks.
Atenção ao mismatch multilingue: nem todos os modelos de embeddings falam todas as línguas com a mesma competência. Se o corpus é multilingue, escolha um modelo cujos dados de treino cubram as suas línguas — Jina V3, Cohere Multilingual e Voyage Multilingual são os defaults seguros.
As top picks acima cobrem o flagship de maior recall, o modelo de produção mais barato, a opção de dimensão mais alta e o indexador mais rápido.
O Voyage 3 e o OpenAI text-embedding-3-large lideram atualmente o benchmark MTEB para retrieval geral em inglês. O Cohere Embed v3 multilingual lidera em pesquisa cross-lingual. Para código, o Voyage Code 3 e o CodeRankEmbed lideram. Faça um teste recall@k no seu próprio corpus antes de se comprometer.
No Railwail, o OpenAI text-embedding-3-small custa 0,024 USD e o text-embedding-3-large 0,156 USD por milhão de tokens. Os modelos open-weights (BGE, Jina V3, MxBai) só custam computação em self-hosting. Faça o embedding do corpus uma vez e amortize em milhões de consultas.
A maior parte dos modelos otimiza para chunks de 200-500 tokens. Use um chunker que respeite as fronteiras dos parágrafos, com 10-20% de sobreposição entre chunks adjacentes. Para queries muito curtas (frases isoladas), alguns modelos de embeddings suportam também um modo 'query' vs 'document' que melhora a qualidade do retrieval.
Os tamanhos padrão são 384, 768, 1.024, 1.536 e 3.072 dimensões. Dimensões mais altas captam mais nuance mas custam mais a armazenar e a pesquisar. Muitos flagships suportam agora a representação Matryoshka — faça embedding a 3.072 e depois trunque a qualquer dimensão menor sem voltar a fazer embedding.
Os flagships multilingues (Jina V3, Cohere Multilingual v3, Voyage Multilingual) cobrem 100+ línguas com forte retrieval cross-lingual. Os modelos só-inglês perdem 30-60% de recall em texto não inglês. Escolha sempre um modelo multilingue se o seu corpus ou as suas queries não forem só em inglês.
Sim — modelos de embedding dedicados a código (Voyage Code 3, CodeRankEmbed, Jina Code) superam os modelos genéricos em 15-30% em benchmarks de pesquisa de código. Percebem sintaxe, naming de identificadores e similaridade cross-language. Use-os ao construir 'encontrar código semelhante' ou ferramentas de PR review.
Sim — variantes CLIP e SigLIP fazem embedding de imagens e texto num espaço partilhado, pelo que pode pesquisar imagens por query de texto. O Jina V3 também entrega uma variante multimodal. Para pesquisa pura image-image, encoders de visão dedicados como o DINOv2 superam o CLIP.
Pgvector para workflows nativos em Postgres, Qdrant ou Weaviate para stand-alone em alta escala, Pinecone para simplicidade gerida, Milvus para escala muito grande on-prem. Os embeddings do Railwail são compatíveis com todos — escolha o que se adapta à sua infraestrutura existente.
Todos os modelos disponíveis através de uma API compatível com OpenAI. Créditos pré-pagos em USD, sem assinatura.
