Embeddings em 2026: os melhores modelos para busca e RAG

Os melhores modelos de embeddings são os que encontram a resposta de forma confiável: comece pelo text-embedding-3-small da OpenAI como referência de baixo custo para texto, compare o Voyage 4 na recuperação de informações e escolha o Google Gemini Embedding 2 quando as fontes incluírem áudio ou vídeo. O modelo small da OpenAI parte de $0.02 por milhão de tokens de entrada, mas o compromisso maior está no índice vetorial: se você trocar por um modelo incompatível, precisará reconstruí-lo.

Um modelo de embeddings transforma conteúdo em um vetor, uma lista de números que permite à busca encontrar significados relacionados mesmo quando as palavras são diferentes. Em um bot de suporte, isso significa associar “não consigo entrar na minha conta” ao artigo certo sobre problemas de login. A geração aumentada por recuperação, ou RAG, entrega essa fonte recuperada ao modelo que vai redigir a resposta.

Especificações, preços e licenças conferidos nas páginas oficiais dos fabricantes em 15 de outubro de 2026. Este comparativo se baseia na documentação; não é um benchmark de precisão ou latência feito com testes práticos. As recomendações abaixo são pontos de partida para sua própria avaliação. A tabela de preços da OpenAI é a fonte do valor citado na abertura.

Modelos de embeddings: comparação rápida

Use o modelo mais barato que atenda aos requisitos de recuperação e ajuste a seleção quando os idiomas, os formatos das fontes ou as restrições de implantação exigirem. As sete famílias abaixo abrangem APIs gerenciadas, implantação privada e pesos disponíveis para download.

Os preços são as tarifas pagas padrão, em USD por milhão de tokens de texto de entrada, exceto nas linhas que indicam hospedagem própria. Não incluem o banco vetorial, a geração de respostas nem o reranking, que consiste em reavaliar os candidatos recuperados com outro modelo. Cada provedor tokeniza o texto de maneira diferente, então o mesmo documento pode gerar quantidades diferentes de tokens cobrados.

“Pesos abertos” significa que os arquivos do modelo estão disponíveis para você executá-lo por conta própria. Isso não torna gratuitos o processamento, a implantação ou a manutenção. Da mesma forma, “multilíngue” não significa ter a mesma precisão em todos os idiomas: teste os pares de idiomas de consulta e documento que seus clientes realmente usam.

Os modelos que vale comparar

1. OpenAI text-embedding-3: um ponto de partida prático para texto

Os modelos text-embedding-3-small e text-embedding-3-large da OpenAI geram embeddings de texto por uma API hospedada. O small é minha recomendação inicial para quem está lançando uma busca convencional em uma central de ajuda ou um bot de suporte. Ele oferece uma referência de baixo custo sem exigir servidores próprios para o modelo. O large entra na comparação quando o small deixa de encontrar trechos relevantes de forma recorrente; pagar por ele antes de reunir esses exemplos é pular a parte mais útil da decisão.

Dimensões: o padrão do small é 1,536; o do large, 3,072. Ambos permitem vetores menores pelo parâmetro dimensions.
Entrada máxima: 8,192 tokens por entrada em qualquer um dos modelos.
Idiomas e modalidades: texto multilíngue; nenhum dos dois aceita imagens, áudio ou vídeo. A documentação citada não informa uma contagem completa dos idiomas aceitos.
Onde executar: na API de embeddings hospedada da OpenAI. Especificações, modalidades.
Melhor uso: aplicações centradas em texto cujo desenvolvedor precisa estabelecer rapidamente uma referência mensurável.
Diferencial: a mesma API permite comparar small e large e configurar o tamanho da saída.
Preço: $0.02 por milhão de tokens de entrada no small; $0.13 no large, pelas tarifas padrão conferidas em 15 de outubro de 2026. Preços.
Teste grátis: não se pressupõe crédito inicial de API; planeje o orçamento considerando uso pago.

A limitação está no formato de entrada. Ao extrair apenas o texto de um PDF de solução de problemas, você pode perder a captura de tela que mostra qual botão apertar. Nenhum dos modelos de embeddings da OpenAI recupera essa informação visual. Use embeddings de texto quando a resposta sobreviver à extração; compare um modelo multimodal quando a aparência da página fizer parte da resposta.

Também é preciso separar o tamanho do modelo do tamanho do vetor. O large com menos dimensões de saída pode caber em uma restrição de armazenamento existente, mas isso não o torna intercambiável com o small. Vetores com o mesmo comprimento atendem ao mesmo esquema de dados; isso não prova que os dois modelos organizam o significado da mesma maneira.

Monte a referência inicial sem esconder falhas de recuperação

Mantenha a configuração inicial simples o suficiente para explicar por que cada resultado apareceu.

1. 1

   Prepare trechos que contenham respostas

   Divida a central de ajuda por assunto ou seção. Guarde, junto de cada trecho, o título do documento, a URL da fonte, as permissões do cliente e um ID estável do trecho. Evite juntar instruções sem relação apenas para preencher a janela de contexto do modelo.

2. 2

   Fixe a configuração dos embeddings

   Escolha text-embedding-3-small e registre a dimensão de saída. Gere os embeddings de todos os trechos armazenados com essa configuração e crie o índice vetorial com a dimensão correspondente. Preserve o texto original separadamente.

3. 3

   Teste a busca antes de gerar respostas

   Gere o embedding de cada pergunta de teste com a mesma configuração, recupere os trechos mais próximos e examine os resultados. Uma resposta gerada que parece plausível pode esconder a seleção de uma fonte errada na recuperação.

4. 4

   Compare uma alternativa com as mesmas perguntas

   Crie um índice separado para o large ou o Voyage. Mantenha fixos os trechos de origem e as marcações de relevância. Adote a alternativa apenas quando a melhora fizer diferença para sua aplicação.

2. Voyage AI 4: uma API para comparar com foco em recuperação

A família Voyage 4 da Voyage AI oferece embeddings de texto por API hospedada e merece ser comparada à sua referência quando a qualidade da recuperação é central para o produto. Comece pelo voyage-4; depois, avalie o lite para latência e custo ou o large como a opção de uso geral que o fabricante posiciona como a de maior qualidade. Uma busca em documentação técnica, em que clientes descrevem a mesma falha com palavras diferentes, é um teste mais útil do que uma coleção de correspondências fáceis de palavras-chave.

Dimensões: 1,024 por padrão; 256, 512 e 2,048 também estão disponíveis em voyage-4-lite, voyage-4 e voyage-4-large.
Entrada máxima: 32,000 tokens em cada um desses modelos.
Idiomas e modalidades: texto multilíngue; a tabela de modelos não informa uma contagem completa de idiomas. Estes não são os modelos multimodais da Voyage, que formam outra linha.
Onde executar: na API de embeddings hospedada da Voyage AI. Especificações dos modelos.
Melhor uso: desenvolvedores dispostos a comparar a recuperação antes de escolher a API.
Diferencial: embeddings compatíveis entre os modelos de uso geral da família Voyage 4.
Preço: por milhão de tokens de entrada, $0.02 no 4-lite, $0.06 no 4 e $0.12 no 4-large, conferidos em 15 de outubro de 2026. Preços.
Teste grátis: a página de preços informa uma franquia inicial de 200 milhões de tokens gratuitos para os modelos atuais de uso geral; confira a franquia do modelo que você utilizar.

Essa compatibilidade tem valor operacional. A Voyage documenta um espaço de embeddings compartilhado entre os modelos dessa família, o que permite avaliar outra variante para as consultas sem necessariamente reconstruir todos os vetores dos documentos. Mantenha as dimensões de saída consistentes e meça exatamente a combinação de modelos para documentos e consultas que pretende usar. Não estenda essa promessa a qualquer modelo com o nome Voyage.

O cuidado principal é o truncamento silencioso: a configuração truncation da API vem ativada por padrão. Um documento longo pode gerar um vetor válido mesmo com a parte final descartada. Use truncation=false durante o desenvolvimento da ingestão para que entradas grandes demais falhem de forma visível; depois, corrija a divisão em trechos. Um limite de contexto amplo dá espaço para passagens coerentes, mas não justifica transformar um manual inteiro em um único resultado de busca. Comportamento da API.

Para uma base composta apenas de código, o fabricante também oferece voyage-code-4; compare o especialista com o modelo de uso geral em perguntas sobre o repositório. Não acrescente um modelo especializado só porque alguns artigos de suporte contêm exemplos de código.

3. Google Gemini Embedding 2: a opção multimodal mais abrangente

O Google Gemini Embedding 2 é a opção gerenciada a considerar quando a busca precisa conectar texto a imagens, áudio, vídeo ou páginas de PDF. Um sistema de suporte que reúne guias escritos e demonstrações gravadas do produto pode manter esses tipos de fonte no mesmo espaço de embeddings. Escolha-o quando essas modalidades trouxerem evidências úteis e compare a recuperação nas suas fontes; uma central de ajuda composta apenas de texto não ganha automaticamente por ter mais formatos de entrada à disposição.

Dimensões: de 128 a 3,072; o Google recomenda 768, 1,536 ou 3,072.
Entrada máxima: 8,192 tokens.
Idiomas e modalidades: mais de 100 idiomas; texto, imagens, áudio, vídeo e PDF.
Onde executar: na Gemini API, com o ID de modelo estável gemini-embedding-2. Ficha do modelo, recursos.
Melhor uso: busca gerenciada em fontes que não podem ser representadas adequadamente apenas pelo texto extraído.
Diferencial: áudio e vídeo se juntam a texto e imagens no mesmo espaço vetorial.
Preço: as tarifas padrão por milhão de tokens de entrada são $0.20 para texto, $0.45 para imagem, $6.50 para áudio e $12.00 para vídeo, conferidas em 15 de outubro de 2026. Preços.
Teste grátis: há uma camada gratuita da API, sujeita aos respectivos limites de uso.

A limitação está nas regras de ingestão de cada modalidade. O Google permite até 6 imagens, 180 segundos de áudio, 120 segundos de vídeo ou um PDF de até 6 páginas por requisição, respeitados os limites gerais de entrada. O processamento de vídeo usa no máximo 32 quadros e não processa a faixa de áudio. Uma demonstração narrada, portanto, exige um plano explícito tanto para a explicação falada quanto para as imagens. Limites de entrada.

Armazene a marcação de tempo ou a referência de página junto de cada item convertido em embedding. Encontrar o vídeo certo é menos útil do que abrir o momento relevante; recuperar o PDF certo é menos útil do que identificar a página que contém a resposta. A divisão em trechos e os metadados determinam essa experiência de navegação.

Há um detalhe de migração importante para quem já usa Google: gemini-embedding-001 e gemini-embedding-2 têm espaços de embeddings incompatíveis. Manter o mesmo número de dimensões não preserva a compatibilidade. O Google exige explicitamente que os embeddings da base existente sejam gerados de novo ao migrar entre eles. Orientações de migração.

4. Cohere Embed 5: documentos empresariais e flexibilidade de implantação

O Cohere Embed 5 é uma opção para equipes que precisam buscar em documentos longos, tabelas, gráficos e páginas que misturam texto e imagens. A família atual é formada por embed-v5.0-pro e embed-v5.0-fast. Para um assistente de suporte interno que consulta manuais com estrutura visual, compare a recuperação que considera a página com a extração de texto já usada; o que importa é saber se a instrução correta sobrevive ao processo de ingestão.

Dimensões: 2,048 por padrão; também aceita 256, 512, 768, 1,024 e 1,536.
Entrada máxima: 128K tokens tanto no Pro quanto no Fast.
Idiomas e modalidades: mais de 100 idiomas; texto, imagens e entradas que combinam texto e imagens, incluindo representações de páginas de documentos.
Onde executar: Cohere API, Model Vault, Microsoft Foundry e Amazon SageMaker; também há suporte a implantação privada comercial na sua VPC ou em infraestrutura local. Especificações, implantação e cobertura de idiomas.
Melhor uso: busca em documentos empresariais que exija alternativas a uma API pública compartilhada.
Diferencial: Pro e Fast compartilham um espaço de embeddings, permitindo consultar com Fast uma base indexada com Pro.
Preço: $0.08 por milhão de tokens de texto no Fast ou $0.12 no Pro; ambos informam $0.40 por milhão de tokens de imagem, conforme verificação em 15 de outubro de 2026. Preços de texto, preços de imagem.
Teste grátis: as chaves de API de teste são gratuitas, têm limite de requisições e não podem ser usadas em produção nem para fins comerciais.

A janela de contexto longa é útil quando um trecho depende do contexto ao redor, mas não resolve o projeto da recuperação. Se um trecho retornado contiver um manual inteiro, o modelo de respostas ainda terá de localizar a passagem relevante. Compare uma representação de contexto longo com trechos por seção antes de escolher a entrada maior só porque ela cabe.

A Cohere também oferece representações de saída float, int8 e binárias. Elas definem como os números do vetor são armazenados; representações menores podem alterar o consumo de memória e o comportamento da recuperação. Confira o que o banco de dados e a implementação de recuperação escolhidos aceitam e, então, meça a própria configuração comprimida. Um resultado obtido com vetores float de tamanho completo não valida automaticamente um índice binário menor.

O fabricante ainda documenta o embed-v4.0, com contexto de 128K e 1,536 dimensões por padrão. Trata-se de um modelo existente que deve ser avaliado por suas próprias características; essas não são as especificações da família atual. A implantação privada também não transforma o Embed 5 em um download sob licença Apache: os termos comerciais de implantação continuam fazendo parte da contratação.

5. Qwen3-Embedding: uma família aberta e configurável para texto

O Qwen3-Embedding oferece modelos de embeddings de texto para download em diferentes tamanhos. É um forte candidato à hospedagem própria quando a localização dos dados ou o controle da execução determina a arquitetura. Para uma empresa que busca em documentos privados de engenharia, comece pela menor variante que atenda à meta de relevância. Ir direto ao maior checkpoint pode transformar a escolha de embeddings em um projeto de infraestrutura antes de você saber se ele melhora as respostas.

Dimensões: os tamanhos máximos de saída são 1,024 para 0.6B, 2,560 para 4B e 4,096 para 8B; a família permite ajustar as dimensões.
Entrada máxima: 32K tokens nessas variantes.
Idiomas e modalidades: mais de 100 idiomas, com suporte a recuperação de código; entrada de texto. Trata-se do Qwen3-Embedding, não da família separada Qwen3-VL.
Onde executar: em infraestrutura própria, com os exemplos do fabricante para Sentence Transformers, Transformers, vLLM ou Text Embeddings Inference. Ficha do modelo.
Licença: Apache 2.0. Arquivo da licença.
Melhor uso: recuperação de texto multilíngue em infraestrutura própria, com controle sobre o tamanho do modelo e da saída.
Diferencial: instruções de tarefa permitem especificar o trabalho de recuperação.
Preço: pesos abertos, hospedagem própria; não há um preço universal de infraestrutura por milhão de tokens.
Teste grátis: pesos disponíveis para download; o ambiente de execução e o processamento ficam por sua conta.

O limite prático está no custo de servir o modelo e no comportamento sob carga. Meça separadamente a vazão de indexação e a latência das consultas interativas. O processamento inicial de uma base pode esperar em uma fila; um cliente aguardando uma resposta de suporte sente cada atraso extra de inferência. O tamanho dos lotes, o comprimento das entradas, o hardware e a concorrência determinam se o modelo maior cabe no produto.

Siga as instruções de recuperação da ficha do modelo. A formatação da consulta faz parte da configuração avaliada, então registre-a junto do checkpoint e das dimensões de saída. Um benchmark com determinado formato de instrução não valida um prompt diferente em produção. Mantenha estáveis as convenções de documentos e consultas ao comparar candidatos.

A hospedagem própria faz mais sentido quando o controle, por si só, tem valor ou quando a carga de trabalho medida justifica a operação. Ela não é automaticamente a maneira mais barata de gerar embeddings para uma central de ajuda pequena. Uma conta muito baixa de tokens em uma API hospedada pode custar menos que o tempo gasto mantendo um serviço de modelos, mesmo antes de considerar o hardware.

6. BAAI BGE-M3: recuperação aberta além de um único vetor denso

O BGE-M3 da BAAI é o modelo aberto a considerar quando você quer recuperação densa, esparsa e multivetorial no mesmo modelo. Vetores densos capturam similaridade semântica; representações esparsas atribuem pesos a características lexicais; a recuperação multivetorial mantém mais de um vetor para um pareamento mais rico. Uma base de suporte com identificadores de produtos e códigos de erro é um bom cenário para comparar essas abordagens: a proximidade de significado, sozinha, pode retornar o identificador exato errado.

Dimensões: 1,024 no embedding denso; as saídas esparsas e multivetoriais têm estruturas diferentes.
Entrada máxima: 8,192 tokens.
Idiomas e modalidades: mais de 100 idiomas; texto.
Onde executar: em infraestrutura própria, com a implementação FlagEmbedding do fabricante. Ficha do modelo.
Licença: MIT, conforme os metadados da ficha do modelo do fabricante.
Melhor uso: desenvolvedores preparados para avaliar recuperação híbrida, que combina sinais lexicais e semânticos.
Diferencial: várias representações para recuperação em uma única família de modelos.
Preço: pesos abertos, hospedagem própria; processamento e armazenamento ficam por sua conta.
Teste grátis: pesos disponíveis para download; isso não implica uma franquia em serviço hospedado.

A limitação é que gerar várias representações não faz o banco de dados usá-las. Se você salvar apenas o vetor denso e executar uma busca densa, terá construído um sistema de recuperação densa. Aproveitar a saída esparsa ou multivetorial exige indexação e pontuação compatíveis, além de definir como combinar os resultados.

Comece pela recuperação densa e acrescente o sinal lexical nas perguntas em que ele deve ajudar: nomes exatos de peças, mensagens de erro e identificadores. Verifique se esses ganhos prejudicam a correspondência com paráfrases mais amplas. Só acrescente um reranker depois de conseguir examinar os candidatos que ele deverá corrigir.

O BGE-M3 merece estar na seleção por essa flexibilidade, não porque um benchmark antigo de lançamento prove que ele supera todas as APIs atuais. Se você só precisa de embeddings densos convencionais, compare-o com o Qwen e a referência hospedada antes de aceitar mais complexidade na recuperação.

7. Google EmbeddingGemma: busca local em duas gerações distintas

O Google EmbeddingGemma 2 é o candidato local quando a aplicação precisa buscar texto e mídia no dispositivo do usuário. Uma ferramenta de conhecimento para desktop poderia indexar notas junto de capturas de tela ou gravações sem enviar cada item a uma API de embeddings hospedada. O modelo atual e o embeddinggemma-300m original diferem nos formatos de entrada aceitos, no comprimento do contexto e na licença; por isso, fixe o repositório exato na sua build.

Dimensões: o EmbeddingGemma 2 gera 768 dimensões, com opções de 512, 256 e 128.
Entrada máxima: 8,192 tokens.
Idiomas e modalidades: mais de 100 idiomas; texto, incluindo código, imagens, vídeo e áudio.
Onde executar: localmente ou em infraestrutura própria; o fabricante fornece exemplos com Sentence Transformers. Seus 740M de parâmetros totais incluem codificadores de visão e áudio que podem ser carregados seletivamente. Ficha do modelo.
Licença: Apache 2.0 para o EmbeddingGemma 2, conforme a ficha desse modelo.
Melhor uso: aplicações locais ou offline que precisem de embeddings multimodais.
Diferencial: carregar apenas os codificadores das modalidades de que a aplicação precisa.
Preço: pesos abertos, hospedagem própria; os recursos do dispositivo e qualquer infraestrutura hospedada continuam por sua conta.
Teste grátis: pesos disponíveis para download.

O EmbeddingGemma-300m original continua sendo uma opção distinta, exclusiva para texto: 300M de parâmetros, limite de entrada de 2,048 tokens, 768 dimensões com alternativas de 512/256/128 e treinamento em mais de 100 idiomas falados. Ele roda com Sentence Transformers, mas o repositório exige aceitar os Termos de Uso do Gemma do Google. Não aplique a licença Apache do EmbeddingGemma 2 a esse checkpoint anterior. Modelo original e termos.

A limitação está nos recursos do dispositivo. Memória disponível, comportamento térmico e outras tarefas da aplicação em execução ao mesmo tempo importam mais do que o simples fato de o arquivo do modelo conseguir carregar. Teste a indexação em segundo plano enquanto o usuário realiza uma tarefa normal em primeiro plano. Mesmo um modelo compacto pode prejudicar a experiência se a ingestão monopolizar o dispositivo.

Para vetores reduzidos, siga as instruções de normalização do Google e mantenha alinhadas as dimensões das consultas e dos documentos. Preserve também os prefixos de tarefa. Essas configurações fazem parte da implantação do modelo; não são registros opcionais a serem reconstruídos depois de uma mudança na qualidade da recuperação.

Como escolher para sua busca ou bot de suporte

Use um requisito concreto para eliminar candidatos antes de comparar a qualidade. A pergunta decisiva é qual falha tornaria a aplicação inviável: não encontrar a resposta, perder evidências visuais, enviar dados a um local inaceitável ou responder devagar demais.

Quais modelos de embeddings escolher para texto?

Comece com OpenAI small e Voyage 4 para uma aplicação de texto com API hospedada. Acrescente o OpenAI large se quiser comparar dentro da API existente; inclua a Cohere quando a estrutura dos documentos e a implantação privada forem importantes. Só escolha a alternativa se ela corrigir as falhas que seus usuários enfrentam, com latência e custo total aceitáveis.

Para suporte multilíngue, inclua exemplos entre idiomas: uma pergunta em espanhol respondida por um artigo em inglês, nomes locais de produtos, mensagens que misturam idiomas e termos transliterados. “Aceita mais de 100 idiomas” não comprova que o par de idiomas mais valioso para você funciona bem.

Quais modelos de embeddings de código aberto vale comparar?

Compare o Qwen3-Embedding para recuperação de texto configurável, o BGE-M3 quando a recuperação lexical e a semântica forem importantes, e o EmbeddingGemma 2 para entradas multimodais locais. A licença se aplica ao checkpoint exato. Trate a hospedagem própria como uma decisão de implantação com custo operacional mensurável, não como sinônimo de uso gratuito de API.

Se a base contém instruções fotografadas, diagramas ou demonstrações gravadas, decida conscientemente entre extrair o texto e preservar a modalidade da fonte. A extração de texto pode ser suficiente e mais fácil de depurar. Use recuperação multimodal quando a informação visual ou de áudio que ficaria de fora mudar a resposta.

Quais modelos de embeddings rodar localmente?

O EmbeddingGemma 2 é o primeiro candidato multimodal local desta seleção; a variante menor do Qwen e o BGE-M3 entram na comparação para texto. Meça no hardware que atenderá aos usuários. Um resultado obtido em uma estação de desenvolvimento diz pouco sobre o notebook ou servidor pequeno que terá de lidar com indexação e consultas ao mesmo tempo.

A regra de decisão: fique com o candidato mais simples que atenda aos requisitos de relevância, latência, implantação e idiomas. Troque quando uma alternativa avaliada corrigir uma falha importante e trouxer benefício suficiente para justificar a migração.

Consulte o MTEB e depois teste com seus próprios dados

Use o ranking do MTEB para identificar candidatos, não para eleger um vencedor universal. O MTEB, Massive Text Embedding Benchmark, abrange tarefas como recuperação, classificação, agrupamento e similaridade. Seu ranking também oferece recortes por idioma, domínio e modalidade. Uma pontuação em um conjunto de tarefas não é automaticamente comparável à de outro conjunto.

Para RAG, examine resultados de recuperação relevantes para seus idiomas e seu domínio. Para fontes visuais, consulte um benchmark adequado de recuperação multimodal ou de documentos. Registre a versão e as configurações do benchmark antes de usar qualquer resultado para fundamentar uma decisão. Este artigo não cita pontuações numéricas de rankings.

Uma boa avaliação inicial é um conjunto anotado de 100 perguntas reais, com os trechos de origem que deveriam responder a cada uma. Essa é uma sugestão de amostra inicial, não uma alegação de certeza estatística. Inclua perguntas sem resposta válida, formulações ambíguas, identificadores exatos e as combinações de idiomas que você atende.

Mantenha fixos os trechos de origem, as permissões, a quantidade de resultados recuperados e qualquer reranker ao comparar modelos. Caso contrário, não será possível saber se a melhora veio do modelo ou do restante do pipeline. Com um corte de dez resultados, recall@10 mede quanto do material relevante aparece nesse conjunto; nDCG@10 recompensa a colocação dos resultados mais relevantes nas primeiras posições.

Depois, examine as falhas manualmente. O trecho certo estava ausente, ficou mal posicionado, foi filtrado pelas permissões ou sofreu danos na extração? Trocar por um modelo melhor não corrige uma passagem que nunca entrou no índice. Meça separadamente a latência das consultas e a vazão de ingestão e repita os casos difíceis depois de mudar dimensões ou compressão.

Onde armazenar e consultar os vetores

O Pinecone é um banco vetorial gerenciado que armazena vetores gerados em outros lugares e também hospeda alguns modelos de embeddings pela sua API de inferência. Seu catálogo de modelos lista llama-text-embed-v2, multilingual-e5-large e pinecone-sparse-english-v0 como opções de embeddings via inferência. Essa é uma escolha diferente de chamar Gemini, OpenAI ou Voyage por conta própria e enviar os vetores resultantes.

Use a geração integrada de embeddings quando o modelo disponível passar na sua avaliação e você quiser que o serviço cuide da conversão de texto em vetor. Envie seus próprios vetores quando precisar controlar o modelo, o pré-processamento de mídia ou um codificador em infraestrutura própria. A documentação de indexação do Pinecone distingue esses caminhos.

Em um bot de suporte, preserve o texto de origem, IDs estáveis, metadados de controle de acesso e citações junto da arquitetura de recuperação. Similaridade entre embeddings não equivale a autorização. Sua aplicação deve restringir a recuperação ao material que o usuário tem permissão para ver, independentemente do banco escolhido.

O comparativo dos melhores bancos vetoriais trata da escolha de armazenamento; o artigo sobre preços do Pinecone detalha essa cobrança separada. Se o assistente decide quando buscar, reformula perguntas ou faz buscas complementares, o guia de RAG agêntico explica esse fluxo. O modelo de embeddings fornece a representação; o sistema de recuperação decide como usá-la.

As dimensões mudam a necessidade de armazenamento

Escolha as dimensões dos vetores pensando no banco de dados. Com precisão float32, cada número ocupa quatro bytes. Para um milhão de vetores, 1,536 dimensões exigem, portanto, 6.144 GB de valores vetoriais brutos; 3,072 dimensões exigem 12.288 GB. Esses cálculos usam gigabytes decimais e não incluem metadados, estruturas de índice, réplicas nem outros custos adicionais de armazenamento do banco.

Por isso, uma saída menor pode fazer diferença mesmo quando os tokens de embeddings são baratos. Também é por isso que não se deve confundir a quantidade de parâmetros do modelo com as dimensões dos vetores: uma afeta o codificador executado; a outra afeta cada representação armazenada e consultada.

Teste a redução de dimensões com o método aceito pelo fabricante. Não corte arbitrariamente vetores de um modelo que não documenta suporte a isso. Quando houver exigência de normalização, aplique-a de forma consistente. Depois, avalie os próprios vetores reduzidos: economizar armazenamento só é útil enquanto a aplicação continuar recuperando as evidências necessárias.

Trocar de modelo significa migrar um índice

Reserve orçamento para reconstruir a base quando o novo modelo usar um espaço de embeddings incompatível. Trocar o nome da API usada nas consultas e manter os vetores antigos dos documentos costuma quebrar a correspondência, mesmo que os dois modelos retornem o mesmo número de dimensões. A migração de embedding-001 para embedding-2 documentada pelo Google é um exemplo explícito.

Há exceções com limites declarados: a família de uso geral 4 da Voyage e o par Embed 5 Pro/Fast da Cohere documentam espaços compartilhados. Essas declarações permitem combinações específicas entre modelos, não misturas arbitrárias entre provedores. Teste a combinação e alinhe as configurações de dimensão e representação.

Estime o custo de gerar novamente os embeddings com a quantidade real de tokens de entrada. Como ilustração, um milhão de trechos com média de 500 tokens somam 500 milhões de tokens. Pela tarifa padrão de texto publicada para o Gemini Embedding 2, essa geração de embeddings custa $100. A conta não inclui gravações no banco, armazenamento simultâneo dos índices, pré-processamento, consultas, engenharia nem descontos. Fonte da tarifa.

A cobrança por tokens pode ser a parte fácil. Você também precisa dos documentos de origem, das configurações de ingestão e de capacidade suficiente para manter o sistema em produção disponível enquanto o substituto é construído. Registre o ID do modelo, as dimensões, a normalização, a versão da divisão em trechos e as instruções de consulta e documento junto de cada versão do índice.

1. 1

   Crie um índice separado para o candidato

   Gere novamente os embeddings dos trechos de origem preservados com a nova configuração. Mantenha o índice existente atendendo às requisições. Use IDs estáveis de documento para comparar os registros correspondentes.

2. 2

   Repita a avaliação e examine as regressões

   Compare o candidato com as mesmas consultas anotadas. Além da relevância, confira permissões, destinos das citações, documentos ausentes e latência das consultas. Leve em conta os documentos alterados durante o processamento da base existente.

3. 3

   Troque o modelo e o índice juntos

   Direcione as consultas ao novo codificador e ao índice correspondente em uma única mudança de configuração. Preserve o par antigo por tempo suficiente para reverter caso o comportamento em produção seja diferente do observado na avaliação.

Como os modelos foram selecionados

Estas sete famílias de modelos têm papéis claros na decisão sobre busca, RAG e bots de suporte tratada aqui. A seleção considerou os limites de entrada publicados, dimensões, modalidades, cobertura de idiomas, opções de implantação, licenças e preços atuais. As páginas dos fabricantes foram consultadas na data de verificação; os exemplos de armazenamento e custo foram calculados a partir das premissas informadas.

Nenhum modelo passou por benchmark ou teste de carga para este artigo. A ordem propõe um caminho de avaliação para um desenvolvedor típico com foco inicial em texto; não representa um ranking de precisão medida. Famílias especializadas em código, em domínios específicos e outras famílias multimodais não receberam fichas separadas no ranking; inclua-as na sua seleção quando essa especialidade determinar a aplicação.

Escolhas que vale evitar

Evite OpenAI text-embedding-3 para recuperação direta de imagens ou áudio. Essa família trabalha com texto. Extrair palavras é uma arquitetura válida, mas deixa de fora qualquer informação que exista apenas nos elementos visuais ou no som da fonte.

Evite adotar automaticamente os modelos antigos Voyage 3 como ponto de partida de um novo projeto. A documentação atual da Voyage recomenda a família mais recente. Mantenha uma implantação existente e já avaliada até haver motivo para pagar o custo da migração.

Evite usar Qwen3-Embedding-8B como padrão em notebooks sem medições prévias. Primeiro estabeleça os limites de latência e recursos do dispositivo; depois avalie se o checkpoint maior justifica seu custo operacional.

Evite escolher BGE-M3 para “busca híbrida” se você só vai armazenar a saída densa. Para obter esse recurso, o projeto de recuperação precisa consumir a representação adicional.

Evite tratar todos os checkpoints do EmbeddingGemma como Apache 2.0. A ficha atual do EmbeddingGemma 2 informa Apache 2.0; o repositório original de 300M usa os termos do Gemma. A versão exata importa tanto na implantação quanto na recuperação.

Perguntas frequentes

Quais são os melhores modelos de embeddings para RAG?

Comece com o OpenAI text-embedding-3-small como referência de baixo custo para texto por API hospedada e compare o Voyage 4 com suas próprias perguntas. Gemini Embedding 2 ou Cohere Embed 5 entram na comparação quando a modalidade da fonte muda a resposta. Qwen3-Embedding, BGE-M3 e EmbeddingGemma são os candidatos à hospedagem própria desta seleção. O vencedor útil é o modelo que recupera de forma confiável as evidências que você marcou como corretas.

Quais modelos de embeddings têm acesso gratuito?

Para avaliar APIs hospedadas, o Gemini oferece uma camada gratuita, a Voyage informa franquias iniciais de tokens e a Cohere fornece chaves de teste com limite de requisições que excluem produção e uso comercial. Confira a franquia do modelo exato e os termos de produção antes de depender do acesso gratuito em uma aplicação voltada a clientes.

Quais modelos de embeddings gratuitos usar em RAG?

Para RAG de texto em infraestrutura própria, compare Qwen3-Embedding e BGE-M3; para RAG multimodal local, inclua o EmbeddingGemma 2. Os pesos disponíveis para download permitem operar o codificador por conta própria, mas inferência, armazenamento e manutenção continuam consumindo recursos. Mantenha a licença associada ao checkpoint exato e inclua esses custos operacionais na comparação com uma API hospedada.

Seu próximo passo: reúna as perguntas de suporte que a busca atual não resolve e marque os trechos que deveriam respondê-las. Use o checklist de auditoria de fluxos de trabalho com IA para empresas para definir o fluxo e os critérios de sucesso antes de processar a base inteira.