嵌入与重排模型比价
EMBEDDINGS检索选型RAG 与检索场景的两类基础模型：嵌入模型（embedding，负责召回）与重排模型（reranker，负责精排）。本页对比价格、向量维度、最大输入、MTEB 均分、是否开源与许可证、多语言支持。两者计价口径不同，分开成两张表。
数据日期
2026-10-27 19:00
上游数据时间 2026-10-19（北京时间）· 与上游不一致时以上游为准
当前收录 37 个检索模型（ 28 个嵌入 + 9 个重排），覆盖 11 家厂商。 其中 12 个开放权重、 33 个支持多语言、 16 个披露了 MTEB 均分。 托管 API 里每百万 tokens 最低是 $0.02 / 1M tokens（text-embedding-3-small）。
嵌入模型
28
负责向量召回
重排模型
9
负责结果精排
开放权重
12
可自建部署，无按量 API 成本
托管最低价
$0.02 / 1M tokens
text-embedding-3-small
MTEB 最高均分
75.22
Qwen3-Embedding-8B
筛选与排序
文本嵌入模型
28 个 · 9 个开放权重 · 24 个多语言把文本压成向量，用于召回阶段。MTEB 均分是上游给出的公开基准成绩，12 个模型没有披露。排序按计价口径分段：先「每百万 tokens」再「每千次检索」最后「自建 / 免费」，同一口径内部才按价格比较，不像同一个量纲那样跨口径排名。
| 排序 | 模型 | 厂商 | 价格 | 向量维度 | 最大输入 (tokens) | MTEB 均分 | 开源与许可证 | 多语言 | 补充说明（计价与版本口径） | 来源 |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 |
text-embedding-3-small
OpenAI · 2024-01-25 · text-embedding-3-small
|
OpenAI | $0.02 / 1M tokens | 1,536 | 8,192 | 62.3 | 闭源 · Proprietary | 多语言 | $0.02 per 1M input tokens. The default budget choice for English RAG. | 来源 → |
| 2 |
voyage-3-lite
Voyage AI · 2024-09-18 · voyage-3-lite
|
Voyage AI | $0.02 / 1M tokens | 512 | 32,000 | 60 | 闭源 · Proprietary | 多语言 | $0.02 per 1M input tokens. Listed under older models. | 来源 → |
| 3 |
voyage-4-lite
Voyage AI · 2026-01-15 · voyage-4-lite
|
Voyage AI | $0.02 / 1M tokens | 1,024 | 32,000 | — | 闭源 · Proprietary | 多语言 | $0.02 per 1M tokens after 200M free tokens per account. Up to 1M tokens per batch request. | 来源 → |
| 4 |
text-embedding-005
Google · 2024-11-18 · text-embedding-005
|
$0.025 / 1M tokens | 768 | 2,048 | — | 闭源 · Proprietary | 以英文为主 | $0.000025 per 1,000 input units on Vertex AI ($0.00002 batch). Vertex AI only. | 来源 → | |
| 5 |
jina-embeddings-v3
Jina AI · 2024-09-18 · jina-embeddings-v3
|
Jina AI | $0.05 / 1M tokens | 1,024 | 8,192 | 65.5 | 开源 · CC-BY-NC-4.0 | 多语言 | $0.05 per 1M tokens via the Jina API. Weights are CC-BY-NC-4.0, so commercial self-hosting needs a license… | 来源 → |
| 6 |
jina-embeddings-v5-text-small
Jina AI · 2026-02-18 · jina-embeddings-v5-text-small
|
Jina AI | $0.05 / 1M tokens | 1,024 | 32,768 | 71.7 | 开源 · CC-BY-NC-4.0 | 多语言 | $0.05 per 1M tokens via the Jina API after a one-time 10M free tokens. Also served through Elastic Inference… | 来源 → |
| 7 |
voyage-3
Voyage AI · 2024-09-18 · voyage-3
|
Voyage AI | $0.06 / 1M tokens | 1,024 | 32,000 | 63.5 | 闭源 · Proprietary | 多语言 | $0.06 per 1M input tokens. Listed under older models. | 来源 → |
| 8 |
voyage-4
Voyage AI · 2026-01-15 · voyage-4
|
Voyage AI | $0.06 / 1M tokens | 1,024 | 32,000 | — | 闭源 · Proprietary | 多语言 | $0.06 per 1M tokens after 200M free tokens per account. | 来源 → |
| 9 |
embed-v5.0-fast
Cohere · 2026-09-30 · embed-v5.0-fast
|
Cohere | $0.08 / 1M tokens | 2,048 | 128,000 | — | 闭源 · Proprietary | 多语言 | $0.08 per 1M text tokens, $0.40 per 1M image tokens (the same image rate as Pro). Same six output dimensions… | 来源 → |
| 10 |
embed-english-v3.0
Cohere · 2023-11-02 · embed-english-v3.0
|
Cohere | $0.1 / 1M tokens | 1,024 | 512 | 64.5 | 闭源 · Proprietary | 以英文为主 | $0.10 per 1M input tokens at last listing. Not shown on the current public pricing page. | 来源 → |
| 11 |
embed-multilingual-v3.0
Cohere · 2023-11-02 · embed-multilingual-v3.0
|
Cohere | $0.1 / 1M tokens | 1,024 | 512 | 64 | 闭源 · Proprietary | 多语言 | $0.10 per 1M input tokens at last listing. Cohere's public pricing page now shows only Embed 4, so confirm… | 来源 → |
| 12 |
mistral-embed
Mistral · 2023-12-11 · mistral-embed
|
Mistral | $0.1 / 1M tokens | 1,024 | 8,000 | 60.7 | 闭源 · Proprietary | 多语言 | $0.10 per 1M input tokens via la Plateforme. | 来源 → |
| 13 |
embed-v4.0
Cohere · 2025-04-15 · embed-v4.0
|
Cohere | $0.12 / 1M tokens | 1,536 | 128,000 | — | 闭源 · Proprietary | 多语言 | $0.12 per 1M text tokens, $0.47 per 1M image tokens. Output dimensions 256, 512, 1024, or 1536 (default). | 来源 → |
| 14 |
embed-v5.0-pro
Cohere · 2026-09-30 · embed-v5.0-pro
|
Cohere | $0.12 / 1M tokens | 2,048 | 128,000 | — | 闭源 · Proprietary | 多语言 | $0.12 per 1M text tokens, $0.40 per 1M image tokens. Output dimensions 256, 512, 768, 1024, 1536, or 2048… | 来源 → |
| 15 |
voyage-4-large
Voyage AI · 2026-01-15 · voyage-4-large
|
Voyage AI | $0.12 / 1M tokens | 1,024 | 32,000 | — | 闭源 · Proprietary | 多语言 | $0.12 per 1M tokens after 200M free tokens per account. Batch API is 33% cheaper. Output dimensions 256, 512… | 来源 → |
| 16 |
voyage-code-4
Voyage AI · 2026-08-13 · voyage-code-4
|
Voyage AI | $0.12 / 1M tokens | 1,024 | 32,000 | — | 闭源 · Proprietary | 多语言 | $0.12 per 1M tokens, a third below voyage-code-3. Output dimensions 256, 512, 1024 (default), or 2048. | 来源 → |
| 17 |
text-embedding-3-large
OpenAI · 2024-01-25 · text-embedding-3-large
|
OpenAI | $0.13 / 1M tokens | 3,072 | 8,192 | 64.6 | 闭源 · Proprietary | 多语言 | $0.13 per 1M input tokens. Reducible-dimensions: pass `dimensions` to truncate to 256/1024/etc with minor… | 来源 → |
| 18 |
gemini-embedding-001
Google · 2025-07-14 · gemini-embedding-001
|
$0.15 / 1M tokens | 3,072 | 2,048 | 68.3 | 闭源 · Proprietary | 多语言 | $0.15 per 1M input tokens on Vertex AI ($0.12 batch). The Gemini API pricing page now lists only Gemini… | 来源 → | |
| 19 |
voyage-3-large
Voyage AI · 2025-01-07 · voyage-3-large
|
Voyage AI | $0.18 / 1M tokens | 1,024 | 32,000 | 67 | 闭源 · Proprietary | 多语言 | $0.18 per 1M input tokens. Listed under older models, with no free-token allowance. | 来源 → |
| 20 |
voyage-code-3
Voyage AI · 2024-12-05 · voyage-code-3
|
Voyage AI | $0.18 / 1M tokens | 1,024 | 32,000 | — | 闭源 · Proprietary | 多语言 | $0.18 per 1M input tokens. Listed under older models. | 来源 → |
| 21 |
gemini-embedding-2
Google · 2026-04-22 · gemini-embedding-2
|
$0.2 / 1M tokens | 3,072 | 8,192 | — | 闭源 · Proprietary | 多语言 | $0.20 per 1M text tokens on the Gemini API and Vertex AI; images $0.45, audio $6.50, video $12.00 per 1M… | 来源 → | |
| 22 |
Nemotron-3-Embed-1B
NVIDIA · 2026-07-16 · nemotron-3-embed-1b
|
NVIDIA | 开放权重（自建） | 2,048 | 32,768 | — | 开源 · OpenMDW-1.1 | 多语言 | Open weights on Hugging Face. Free to self-host. | 来源 → |
| 23 |
Qwen3-Embedding-8B
Alibaba Qwen · 2025-06-05 · qwen3-embedding-8b
|
Alibaba Qwen | 开放权重（自建） | 4,096 | 32,000 | 75.22 | 开源 · Apache-2.0 | 多语言 | Open weights. Free to self-host. 0.6B and 4B siblings share the recipe. | 来源 → |
| 24 |
bge-m3
BAAI · 2024-01-30 · bge-m3
|
BAAI | 开放权重（自建） | 1,024 | 8,192 | 64.5 | 开源 · MIT | 多语言 | Open weights. Free to self-host. Available through most inference providers (Together, DeepInfra, Replicate). | 来源 → |
| 25 |
embeddinggemma-300m
Google · 2025-09-04 · embeddinggemma-300m
|
开放权重（自建） | 768 | 2,048 | 69.67 | 开源 · Gemma Terms of Use | 多语言 | Open weights on Hugging Face (license acceptance required). Free to self-host. | 来源 → | |
| 26 |
mxbai-embed-large-v1
Mixedbread · 2024-03-07 · mxbai-embed-large-v1
|
Mixedbread | 开放权重（自建） | 1,024 | 512 | 64.7 | 开源 · Apache-2.0 | 以英文为主 | Open weights. Free to self-host. Also available through the paid Mixedbread API. | 来源 → |
| 27 |
nomic-embed-text-v1.5
Nomic AI · 2024-02-14 · nomic-embed-text-v1.5
|
Nomic AI | 开放权重（自建） | 768 | 8,192 | 62.3 | 开源 · Apache-2.0 | 以英文为主 | Open weights. Free to self-host. Hosted through Nomic Atlas; Nomic does not publish a per-token rate. | 来源 → |
| 28 |
voyage-4-nano
Voyage AI · 2026-01-15 · voyage-4-nano
|
Voyage AI | 开放权重（自建） | 2,048 | 32,000 | — | 开源 · Apache-2.0 | 多语言 | Open weights on Hugging Face. Free to self-host. | 来源 → |
重排模型
9 个 · 3 个开放权重 · 9 个多语言对召回结果重新打分排序，用于精排阶段。重排模型不输出向量，所以「向量维度」统一显示「不适用」；上游也只有少数重排模型披露了检索质量分数。排序按计价口径分段：先「每百万 tokens」再「每千次检索」最后「自建 / 免费」，同一口径内部才按价格比较，不像同一个量纲那样跨口径排名。
| 排序 | 模型 | 厂商 | 价格 | 向量维度 | 最大输入 (tokens) | MTEB 均分 | 开源与许可证 | 多语言 | 补充说明（计价与版本口径） | 来源 |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 |
jina-reranker-v2-base-multilingual
Jina AI · 2024-07-04 · jina-reranker-v2
|
Jina AI | $0.05 / 1M tokens | —（不适用） | 1,024 | — | 开源 · CC-BY-NC-4.0 | 多语言 | $0.05 per 1M tokens via Jina API. Weights are CC-BY-NC-4.0. | 来源 → |
| 2 |
jina-reranker-v3.5
Jina AI · 2026-07-27 · jina-reranker-v3.5
|
Jina AI | $0.05 / 1M tokens | —（不适用） | 131,072 | — | 开源 · CC-BY-NC-4.0 | 多语言 | $0.05 per 1M tokens via the Jina API. | 来源 → |
| 3 |
rerank-2
Voyage AI · 2024-08-09 · rerank-2
|
Voyage AI | $0.05 / 1M tokens | —（不适用） | 16,000 | — | 闭源 · Proprietary | 多语言 | $0.05 per 1M tokens (query + documents combined). Listed under older models. | 来源 → |
| 4 |
rerank-2.5
Voyage AI · 2025-08-11 · rerank-2.5
|
Voyage AI | $0.05 / 1M tokens | —（不适用） | 32,000 | — | 闭源 · Proprietary | 多语言 | $0.05 per 1M tokens (query tokens times documents plus document tokens). | 来源 → |
| 5 |
rerank-3
Voyage AI · 2026-09-30 · rerank-3
|
Voyage AI | $0.05 / 1M tokens | —（不适用） | 32,000 | — | 闭源 · Proprietary | 多语言 | $0.05 per 1M tokens (query tokens times documents plus document tokens), the same rate as rerank-2.5. First… | 来源 → |
| 6 |
rerank-v3.5
Cohere · 2024-12-03 · rerank-v3.5
|
Cohere | $2 / 1k 次检索 | —（不适用） | 4,096 | — | 闭源 · Proprietary | 多语言 | $2 per 1k searches at last listing. Cohere's public pricing page now lists only Rerank 4 per-search rates. | 来源 → |
| 7 |
rerank-v4.0-fast
Cohere · 2025-12-11 · rerank-v4.0-fast
|
Cohere | $2 / 1k 次检索 | —（不适用） | 32,768 | — | 闭源 · Proprietary | 多语言 | $2 per 1k searches at last listing. Only the Model Vault dedicated rate ($5/hour for a Medium instance)… | 来源 → |
| 8 |
rerank-v4.0-pro
Cohere · 2025-12-11 · rerank-v4.0-pro
|
Cohere | $2.5 / 1k 次检索 | —（不适用） | 32,768 | — | 闭源 · Proprietary | 多语言 | $2.50 per 1k searches at last listing. Cohere's public pricing page now shows only Model Vault… | 来源 → |
| 9 |
Qwen3-Reranker-4B
Alibaba Qwen · 2025-06-05 · qwen3-reranker-4b
|
Alibaba Qwen | 开放权重（自建） | —（不适用） | 32,000 | — | 开源 · Apache-2.0 | 多语言 | Open weights. Free to self-host. 0.6B and 8B sizes also available. | 来源 → |
维度 · 价格 · MTEB 速览
按向量维度分组（仅嵌入模型）
| 向量维度 | 模型数 | 代表模型 | 价格区间（每百万 tokens） | 该维度 MTEB 最高 | 开放权重数 |
|---|---|---|---|---|---|
| 4,096 | 1 | Qwen3-Embedding-8B | — | 75.22 | 1 |
| 3,072 | 3 | text-embedding-3-large、gemini-embedding-2、gemini-embedding-001 | $0.13 ~ $0.2 | 68.3 | 0 |
| 2,048 | 4 | voyage-4-nano、embed-v5.0-pro、embed-v5.0-fast | $0.08 ~ $0.12 | — | 2 |
| 1,536 | 2 | text-embedding-3-small、embed-v4.0 | $0.02 ~ $0.12 | 62.3 | 0 |
| 1,024 | 14 | voyage-4-large、voyage-4、voyage-4-lite | $0.02 ~ $0.18 | 71.7 | 4 |
| 768 | 3 | text-embedding-005、embeddinggemma-300m、nomic-embed-text-v1.5 | $0.025 ~ $0.025 | 69.67 | 2 |
| 512 | 1 | voyage-3-lite | $0.02 ~ $0.02 | 60 | 0 |
MTEB 均分前 8
| 排名 | 模型 | 厂商 | MTEB 均分 | 向量维度 | 价格 | 开源与许可证 |
|---|---|---|---|---|---|---|
| 1 |
Qwen3-Embedding-8B
Alibaba Qwen · 2025-06-05 · qwen3-embedding-8b
|
Alibaba Qwen | 75.22 | 4,096 | 开放权重（自建） | 开源 · Apache-2.0 |
| 2 |
jina-embeddings-v5-text-small
Jina AI · 2026-02-18 · jina-embeddings-v5-text-small
|
Jina AI | 71.7 | 1,024 | $0.05 / 1M tokens | 开源 · CC-BY-NC-4.0 |
| 3 |
embeddinggemma-300m
Google · 2025-09-04 · embeddinggemma-300m
|
69.67 | 768 | 开放权重（自建） | 开源 · Gemma Terms of Use | |
| 4 |
gemini-embedding-001
Google · 2025-07-14 · gemini-embedding-001
|
68.3 | 3,072 | $0.15 / 1M tokens | 闭源 · Proprietary | |
| 5 |
voyage-3-large
Voyage AI · 2025-01-07 · voyage-3-large
|
Voyage AI | 67 | 1,024 | $0.18 / 1M tokens | 闭源 · Proprietary |
| 6 |
jina-embeddings-v3
Jina AI · 2024-09-18 · jina-embeddings-v3
|
Jina AI | 65.5 | 1,024 | $0.05 / 1M tokens | 开源 · CC-BY-NC-4.0 |
| 7 |
mxbai-embed-large-v1
Mixedbread · 2024-03-07 · mxbai-embed-large-v1
|
Mixedbread | 64.7 | 1,024 | 开放权重（自建） | 开源 · Apache-2.0 |
| 8 |
text-embedding-3-large
OpenAI · 2024-01-25 · text-embedding-3-large
|
OpenAI | 64.6 | 3,072 | $0.13 / 1M tokens | 闭源 · Proprietary |
数据说明
收录规模37 个模型其中 16 个有 MTEB 均分 · 开放权重模型可自建
数据日期2026-10-27 19:00上游数据时间 2026-10-19（北京时间）；与上游不一致时以上游为准
计价口径每百万 tokens / 每千次检索 / 自建免费按上游计价说明判定；开放权重模型标为「开放权重（自建）」
MTEB 均分上游披露值，缺失显示「—」共 16 个模型有分数，其余未披露；不同版本 MTEB 榜的成绩不可直接比较
向量维度模型默认输出维度部分模型支持 Matryoshka 截断到更低维度以省存储，截断后质量会有小幅下降
常见问题
向量维度越高越好吗？
不是。维度只决定表达容量，不决定表达质量。维度翻倍会让向量库的存储和内存成本同比上升、检索延迟增加，但检索质量是否提升取决于训练数据和目标领域。常见的做法是：先用高维模型 + Matryoshka 截断做实验，找到质量开始明显下降的维度，再定生产配置。本页「按向量维度分组」可以看到同一维度下既有高价闭源模型也有免费开放权重模型，说明维度与价格、质量都不构成单调关系。
MTEB 分数怎么用？
把它当作筛选门槛，而不是选型结论。用法有三条：一、只比同一 MTEB 版本的成绩，跨版本分数的绝对值不可比；二、MTEB 是英文为主的通用检索榜，中文和垂直领域（法律、医疗、代码）的排序常常完全不同；三、分数差距小于 1～2 分时基本落在噪声范围内，此时优先看价格、上下文长度和部署成本。正确做法是用你自己的数据跑一遍召回率，MTEB 只用来把候选集从几十个缩到三五个。
嵌入模型和重排模型要一起用吗？
典型 RAG 架构是两个都用：嵌入模型从百万级文档里召回 50～100 条候选，重排模型再把这批候选精排到前 5～10 条交给大模型。只用嵌入模型召回质量上限有限；只加重排不用嵌入则无法检索。预算有限时，先把嵌入模型换成更好的，收益通常比重排更大。
开放权重和托管 API 怎么算成本？
托管 API 按每百万 tokens 计费，用量小的时候几乎零成本，但大用量会线性增长；开放权重没有按量费用，但要付出 GPU 租用或自建成本，而且只有跑满才划算。粗略的分界点：如果某个开放权重模型的嵌入吞吐能到每秒几千条文本，一台中端 GPU 的月租通常能覆盖每月几亿 tokens 的 API 账单，超过这个量级自建才开始有优势。
为什么重排模型没有向量维度和 MTEB 分数？
重排模型不生成向量，它对「查询 + 文档」成对打分，输出相关性分数，所以没有向量维度这个概念。MTEB 主要评测嵌入模型的检索质量，重排模型有自己的检索评测口径，上游没有给出统一分数，本页就用「—」如实标注，不做推测填充。
报价取自各厂商公开定价页；数据日期 2026-10-27 19:00，上游数据时间 2026-10-19，价格以厂商官方页面为准。