Paso 04 de 22

Embeddings

Convierte texto, imágenes o audio en vectores que capturan el significado. El modelo de embeddings decide qué significa "parecido" en tu búsqueda. Cambiarlo después obliga a volver a generar todos los embeddings.

Por Andrew Miller · Comprobado el 19 oct 2026 · Cómo hacemos las reseñas

Cómo elegir

Datos multilingües o con mucho código: elige un modelo evaluado con ese tipo de datos, no con prosa en inglés.
Datos privados o gran volumen: un modelo abierto alojado por ti evita las tarifas por token.
Contenido mixto: un modelo de embeddings multimodal pone imágenes y texto en un mismo espacio.

Qué tener en cuenta

Las preguntas que distinguen las opciones, por orden de importancia.

01
Calidad de recuperación con tus propias preguntas
La única pregunta que importa es si una consulta devuelve pasajes que de verdad la responden. En la clasificación MTEB eso es la columna Retr., no Mean (Task) ni el rango Borda, que mezclan tareas de clasificación, clustering y similitud de frases que un sistema RAG nunca ejecuta; Octen-Embedding-8B es séptimo en la clasificación general de la pestaña multilingüe y, sin embargo, puntúa más en recuperación que Qwen3-Embedding-8B, cuarto (71.61 frente a 70.88). Usa los benchmarks para hacer una preselección; usa tu propia evaluación de recuperación para elegir.
02
Encaje con tu dominio
Los benchmarks generales dicen poco sobre contratos, historias clínicas o números de pieza. Comprueba cómo manejan los candidatos tus términos técnicos, abreviaturas y conceptos muy parecidos que deben mantenerse separados, como dos códigos de producto similares. Las pestañas por dominio de la clasificación (Code, Legal, Medical, Finance, Chemical) orientan mejor que la puntuación general, y los modelos que aceptan instrucciones de tarea suelen ganar unos puntos cuando se les da una.
03
Idiomas, incluida la búsqueda entre idiomas
Prueba tanto la recuperación en el mismo idioma (una pregunta en alemán sobre documentos en alemán) como la recuperación entre idiomas (una pregunta en inglés sobre documentos en japonés) si tus usuarios la necesitan. En MTEB, compara la pestaña Multilingual (MMTEB, 131 tareas en más de 250 idiomas) con la pestaña de inglés y con la pestaña de cada idioma de tus mercados; la puntuación en inglés de un modelo puede favorecerlo. Afirmar '100+ idiomas' no dice nada de la calidad en ninguno de ellos.
04
Longitud de entrada que encaje con tus fragmentos
La entrada máxima (Max tokens en la clasificación) debe cubrir tu fragmento más largo más cualquier título o encabezado que antepongas, o el texto se corta, a menudo sin avisar: all-MiniLM-L6-v2 se detiene en 256 piezas de palabra. Un límite mayor no ayuda por sí solo, ya que un único vector para un pasaje largo mezcla varios temas; sobre todo te da margen para elegir el tamaño de fragmento con libertad.
05
Dimensiones: coste de almacenamiento, no una puntuación de calidad
Más dimensiones significan más almacenamiento, memoria y cómputo de búsqueda por vector, y no garantizan una mejor recuperación. Muchos modelos actuales usan entrenamiento Matryoshka, así que puedes quedarte solo con los primeros 256 o 512 números con una pérdida modesta: Gemini Embedding 2 va de 128 a 3.072 y renormaliza automáticamente los vectores truncados, mientras que EmbeddingGemma 2 te pide que los renormalices tú. La salida en int8 o binaria, que ofrecen Voyage y Cohere, reduce aún más el almacenamiento; prueba el recall con el tamaño que vayas a almacenar de verdad.
06
Velocidad y coste en todo el ciclo de vida
Cuenta cuatro costes: generar los embeddings del corpus inicial, volver a generarlos con las actualizaciones, la latencia de las consultas y las tarifas de alojamiento o de API. Los precios de API para texto van de $0.02 a $0.20 por millón de tokens (de Jina v5 nano a Gemini Embedding 2), con descuentos por lotes del 33 al 50% en Voyage, OpenAI y Google. Los modelos abiertos evitan las tarifas, pero necesitan GPUs dimensionadas según la cifra Memory (MB) de la clasificación: alrededor de 1,1 GB para Qwen3-Embedding-0.6B frente a 14,4 GB para el de 8B.
07
Despliegue y privacidad
Decide pronto si los documentos y las consultas pueden salir de tu infraestructura. Si no, necesitas pesos abiertos que puedas ejecutar tú, y la licencia debe permitir tu uso: Qwen3-Embedding y EmbeddingGemma 2 son Apache 2.0, mientras que los pesos de Jina v5 y Nemotron ColEmbed V2 son no comerciales. Las APIs alojadas eliminan trabajo de operación, pero añaden un proveedor que ve cada consulta.
08
Entradas admitidas
Los modelos solo de texto necesitan que todo se convierta antes a texto. Si tu corpus incluye páginas escaneadas, diapositivas, fotos, audio o vídeo, plantéate un modelo multimodal que genere sus embeddings directamente (consulta la guía por tipo de datos más abajo), y comprueba que se evaluó con ese tipo de entrada: MTEB tiene pestañas separadas para imágenes (MIEB), documentos visuales (ViDoRe), audio (MAEB) y vídeo (MVEB).
09
Requisitos de uso que rompen la recuperación si se ignoran
Lee la ficha del modelo antes de indexar. Muchos modelos esperan un prefijo o una instrucción para las consultas y un prefijo distinto (o ninguno) para los documentos; algunos necesitan vectores normalizados y especifican similitud de coseno o producto escalar; EmbeddingGemma 2 advierte de que float16 corrompe la salida sin avisar. Los vectores de consulta y de documento deben venir del mismo modelo y del mismo espacio de embeddings, aunque coincidan las dimensiones, así que cambiar de modelo suele obligar a volver a generar todos los embeddings; el espacio compartido entre tamaños de Voyage 4 es una rara excepción.

Qué enfoque para qué datos

Cada tipo de contenido necesita modelos distintos. Muchos sistemas usan más de uno y enrutan según el tipo de datos.

Enfoques por tipo de datos
Tus datos	Enfoque	Empieza con
Documentos de texto	Fragmenta por secciones, genera los embeddings con un buen modelo de texto y añade búsqueda por palabras clave para los términos exactos. Haz la preselección con la columna Retr. de la pestaña del idioma que necesites.	Qwen3-Embedding and Qwen3-Reranker, voyage-4-large, text-embedding-3-large, EmbeddingGemma 2
Código	Divide por función o clase, guarda la ruta del archivo y las firmas como metadatos, y usa un modelo puntuado en la pestaña Code de la clasificación. Qwen3-Embedding-8B saca 80.69 ahí; EmbeddingGemma 2 declara 78.68 con una fracción del tamaño.	Qwen3-Embedding and Qwen3-Reranker, EmbeddingGemma 2
Tablas y hojas de cálculo	Procesa las tablas con un parser que entienda tablas y luego genera el embedding de cada tabla, o de grupos de filas, en Markdown con la fila de encabezado repetida y un pie breve. Los embeddings encuentran la tabla correcta; las cifras exactas y los agregados se responden mejor consultando los propios datos (SQL o un dataframe) una vez encontrada.	Docling, Cohere Embed 5, Qwen3-Embedding and Qwen3-Reranker
PDFs escaneados, diapositivas e imágenes de páginas	Hay dos vías. Convertir las páginas a texto con un modelo de OCR y generar el embedding del texto, lo que mantiene pequeño el almacenamiento y funciona con cualquier base de datos vectorial. O generar directamente el embedding de la imagen de la página, con un modelo de interacción tardía (el más preciso en ViDoRe, con mucho más almacenamiento) o con un modelo multimodal de un solo vector; compáralos en la pestaña ViDoRe v3.	Nemotron ColEmbed V2, Qwen3-VL-Embedding, Cohere Embed 5, PaddleOCR-VL-1.6
Imágenes naturales	Usa un modelo de embeddings multimodal que ponga imágenes y texto en un mismo espacio para que las consultas de texto encuentren fotos; revisa las pestañas MIEB, donde el pequeño y abierto EmbeddingGemma 2 es quinto en MIEB (lite) con 63.52. Añade descripciones generadas como texto si también necesitas búsqueda por palabras clave.	Qwen3-VL-Embedding, EmbeddingGemma 2, Gemini Embedding 2, Jina Embeddings v5
Vídeo	Genera embeddings de segmentos cortos en lugar de archivos enteros, con marcas de tiempo como metadatos, usando un modelo que acepte vídeo de forma nativa; revisa la pestaña de vídeo y texto MVEB, que encabeza Qwen3-VL-Embedding-8B. Transcribe la banda sonora y genera también su embedding como texto.	Marengo 3.5, Qwen3-VL-Embedding, Gemini Embedding 2
Audio y voz	Para la voz, transcribe y genera el embedding de la transcripción, con marcas de tiempo y etiquetas de hablante; es más barato y más fácil de buscar. Usa embeddings de audio nativos, comparados en la pestaña MAEB, para sonidos que no son voz, música o tono.	Whisper large-v3-turbo, Parakeet TDT 0.6B v3, EmbeddingGemma 2, Gemini Embedding 2
Multilingüe y entre idiomas	Usa un modelo multilingüe y prueba directamente las consultas entre idiomas; compara la pestaña Multilingual y las de cada idioma, y usa la columna Bitext como señal secundaria. Evita traducir los documentos antes de generar los embeddings salvo que las pruebas demuestren que ayuda.	Qwen3-Embedding and Qwen3-Reranker, Jina Embeddings v5, Cohere Embed 5, Gemini Embedding 2

Cómo leer la clasificación MTEB

Para RAG y búsqueda en documentos, empieza por la columna Retr. de la pestaña que corresponda a tus idiomas, no por la media general; estas columnas valoran modelos de embeddings, no bases de datos vectoriales.

Rank (Borda): Cada tarea 'vota' a los modelos según su posición relativa en ella; el modelo con más votos en el conjunto de tareas queda primero.; Premia la regularidad general, no la recuperación. Dos puestos contiguos pueden esconder una diferencia grande o insignificante, así que mira las puntuaciones.
Parámetros (totales y activos): Tamaño del modelo, incluidos los pesos de embeddings. Los parámetros activos solo difieren en los modelos mixture-of-experts.; Una aproximación a la memoria y la velocidad. La etiqueta Pareto de la tabla marca los modelos a los que no supera ningún rival más pequeño; compruébala antes de pagar por un modelo de 8B.
Openness: Una puntuación de 0 a 6 por pesos abiertos, licencia abierta, código de entrenamiento abierto, datos de entrenamiento abiertos, un artículo y una ficha del modelo.; Tener pesos abiertos no significa por sí solo que se permita el uso comercial; lee la licencia. Las APIs cerradas puntúan bajo aquí por definición.
Zero-shot %: La proporción de tareas del benchmark con cuyos datos de entrenamiento no se entrenó el modelo. 'NA' significa desconocido.; No es una puntuación de precisión. Por debajo de un 80% aproximadamente, parte de la puntuación refleja tareas que el modelo ya ha visto; en la pestaña de inglés, varios de los cinco primeros modelos están entre el 48% y el 51%.
Mean (Task): Media simple de todas las tareas del benchmark.; Fácil de comparar, pero sesgada hacia los tipos de tarea con más conjuntos de datos: en la pestaña multilingüe, 43 de las 131 tareas son de clasificación y 18 de recuperación.
Mean (TaskType): Media dentro de cada categoría (clasificación, recuperación, etc.) y luego una media con igual peso de las categorías.; Más justa entre categorías que Mean (Task), pero sigue incluyendo tareas irrelevantes para la búsqueda. Cuenta con que salga varios puntos más baja.
Mean (Public) y Mean (Private): Medias sobre las tareas publicadas abiertamente y sobre las tareas reservadas que el benchmark mantiene en privado, en benchmarks como RTEB que incluyen ambas.; Un modelo mucho mejor en las tareas públicas que en las privadas puede estar ajustado al benchmark. Las puntuaciones privadas son la señal más honesta.
Retr.: Recuperación: encontrar los documentos relevantes para una consulta en un corpus grande, puntuada sobre todo con nDCG@10 (lo arriba que aparecen los documentos correctos entre los diez primeros).; Prioriza esta columna para RAG. Después confírmalo en las pestañas de dominio e idioma más cercanas a tus datos.
Rerank: Reordenar una lista corta de candidatos para una consulta.; Señal secundaria útil para la búsqueda. Un modelo reranker dedicado suele superar aquí a un modelo de embeddings.
Class. y MultiClass.: Clasificación: asignar una o varias etiquetas de un conjunto fijo, usando los embeddings como características.; Relevante si vas a etiquetar o encaminar contenido con embeddings; no es una medida de recuperación.
Clust.: Clustering: agrupar textos sin etiquetas; se puntúa frente a grupos de referencia.; Relevante para descubrir temas y eliminar duplicados, no para responder preguntas.
PairClass.: Clasificación de pares: decidir la relación entre dos textos, por ejemplo si son duplicados o paráfrasis.; Orienta para la detección de duplicados. Dice poco sobre la recuperación de pasajes a partir de consultas.
STS: Similitud textual semántica: valorar en una escala lo parecidas que son dos frases.; Un STS alto no basta para asegurar una buena recuperación; las preguntas y las respuestas no son paráfrasis unas de otras.
Bitext: Minería de bitextos: emparejar frases con sus traducciones en otros idiomas.; Una señal aproximada de alineación entre idiomas; aun así, prueba directamente la recuperación entre idiomas.
Summ.: Resumen (pestaña de inglés): puntúa lo bien que los embeddings ordenan resúmenes automáticos frente a referencias humanas.; Evalúa resúmenes; no mide la capacidad de un modelo para generarlos, y apenas importa para la búsqueda.
Instr Rerank: Reordenación guiada por una instrucción libre añadida a la consulta.; La mayoría de modelos puntúan entre 0 y 12 aquí; ignórala salvo que pienses en una búsqueda guiada por instrucciones.
Dimensión del embedding: Longitud del vector que produce el modelo (la clasificación muestra la dimensión por defecto o la máxima).; Un coste de almacenamiento, no una puntuación de calidad. Comprueba si admite tamaños Matryoshka más pequeños.
Max tokens: La entrada más larga que el modelo lee de una vez.; Debe superar tu tamaño de fragmento; más allá de eso, más grande no es mejor para la recuperación.
Memory (MB): Memoria necesaria para cargar los pesos, en la descarga CSV y en la página de cada modelo.; Dimensiona tu GPU o CPU a partir de esta cifra. Vacía en las APIs cerradas.

Cómo probarlo con tus propios datos

Reúne entre 50 y 100 preguntas reales o realistas y marca el pasaje o los pasajes que responden a cada una.
Incluye casos difíciles: abreviaturas y sinónimos, identificadores exactos como números de pedido o de pieza, preguntas ambiguas, otros idiomas y documentos que algunos usuarios no pueden ver.
Indexa los mismos fragmentos con cada modelo preseleccionado, usando los prefijos de consulta y de documento y la normalización recomendados para cada modelo.
Mide Recall@k (¿hay un pasaje correcto entre los k primeros?) y una métrica de ordenación como nDCG@10 o MRR, en total y por tipo de pregunta.
Mide la latencia p95 de las consultas con una concurrencia realista y con los filtros de metadatos que usarás en producción.
Calcula el coste total: indexación inicial, almacenamiento de vectores con la dimensión y la precisión elegidas, consultas al mes y regeneración de embeddings para las actualizaciones.
Comprueba la calidad de las respuestas de principio a fin en una muestra, ya que un pasaje recuperado solo sirve si el modelo puede responder a partir de él.
Evalúa todo el pipeline de recuperación, no solo el modelo: la fragmentación, los metadatos añadidos, la búsqueda híbrida por palabras clave y un reranker suelen mover los resultados tanto como cambiar de modelo de embeddings.

En qué se diferencian las opciones

Las APIs alojadas (voyage-4-large, Cohere Embed 5, Gemini Embedding 2, text-embedding-3-large de OpenAI) cobran por token y no necesitan GPUs, pero tus datos van al proveedor y no puedes fijar el modelo para siempre. Los modelos de pesos abiertos (Qwen3-Embedding, EmbeddingGemma 2, Qwen3-VL-Embedding) son gratuitos de ejecutar y privados, a cambio de servirlos tú; sus tamaños van desde unos cientos de millones de parámetros que funcionan en la CPU de un portátil hasta 8.000 millones que necesitan una GPU de centro de datos.

La otra división es por tipo de entrada. Los modelos de embeddings de texto producen un vector por pasaje y lideran los benchmarks de texto de MTEB. Los modelos multimodales ponen texto, imágenes, audio o vídeo en un mismo espacio, para que una pregunta escrita pueda encontrar un gráfico o un clip de vídeo. Los modelos de interacción tardía (la familia ColPali, Nemotron ColEmbed V2) guardan un vector por token o por parche de imagen y puntúan la mejor coincidencia para cada token de la consulta; son los más precisos con páginas escaneadas y visuales, pero multiplican el almacenamiento y necesitan una base de datos vectorial que admita puntuación multivector.

11 herramientas comparadas

Ordenadas por nuestra nota. Abre cualquier reseña para ver las fuentes, los precios y el veredicto completo.

Comparativa de herramientas de Embeddings
Herramienta	Nota	Nuestro veredicto	Ideal para	Precio
voyage-4-largemodelo	4.5/5	Un modelo de recuperación sólido con un recurso que sus rivales no tienen, un espacio vectorial compartido, pero su ventaja se apoya en las pruebas de la propia Voyage y puede entrenar con tus datos hasta que un administrador lo desactive.	Equipos que construyen búsqueda de texto o RAG y quieren pagar por calidad al indexar y generar los embeddings de las consultas de forma barata o local.	0,12 $ por 1 millón de tokens; los primeros 200 millones de tokens gratis (no en Batch); Batch API con un 33% de descuento.
Jina Embeddings v5modelo	4.3/5	El espacio vectorial compartido de texto y medios de Jina v5 es la idea más ingeniosa en embeddings pequeños, y una licencia no comercial es el peaje para quien quiera ejecutarlo por su cuenta.	Equipos que crean búsqueda multilingüe o multimodal con modelos pequeños, sobre todo dentro de Elastic.	API de Jina: modelos small a $0,05 por 1M de tokens, nano a $0,02. Pesos gratuitos para uso no comercial; el autoalojamiento comercial necesita una licencia de pago de Elastic.
Gemini Embedding 2modelo	4.3/5	Gemini Embedding 2 es la forma más sencilla de buscar en vídeo y audio con una frase, y una forma demasiado cara de buscar en texto plano.	Desarrolladores que crean búsqueda o recomendaciones sobre medios mixtos como imágenes, grabaciones y vídeo.	Por 1M de tokens: texto $0,20, imagen $0,45, audio $6,50, vídeo $12; Batch a mitad de precio; nivel gratuito con límites (las entradas se usan para mejorar el producto).
EmbeddingGemma 2modelo	4.3/5	EmbeddingGemma 2 hace viable en un teléfono la búsqueda privada y sin conexión entre fotos, notas de voz y código, mientras deja la calidad de recuperación de solo texto casi exactamente donde la dejó la primera versión.	Desarrolladores móviles y de edge que construyen búsquedas privadas o sin conexión sobre texto, código, imágenes y audio.	Gratis bajo Apache 2.0, sujeto a la Gemma Prohibited Use Policy. Aún no hay API alojada de Google ni de los proveedores de inferencia de Hugging Face.
Qwen3-VL-Embeddingmodelo	4.3/5	El modelo de embeddings abierto por el que empezar cuando un mismo índice tiene que contener diapositivas, capturas de pantalla y vídeo junto al texto, con Apache 2.0 zanjando la cuestión de la licencia.	Equipos que autoalojan búsqueda sobre imágenes, vídeo y documentos mixtos con una licencia permisiva.	Gratis bajo Apache 2.0.
Qwen3-Embedding and Qwen3-Rerankermodelo	4.2/5	Un sistema de búsqueda abierto completo con una sola licencia, modelo de embeddings y reordenador juntos, aunque su corona en la clasificación data de junio de 2025.	Equipos que autoalojan búsqueda multilingüe o de código y quieren embeddings y reordenación bajo una sola licencia abierta.	Gratis bajo Apache 2.0. El text-embedding-v4 alojado de Qwen Cloud, basado en Qwen3, cuesta 0,07 $ por 1M de tokens.
Cohere Embed 5modelo	4.2/5	Hecho para documentos empresariales largos y visualmente complejos y ahora con precios públicos, aunque todos los benchmarks que lo favorecen son de la propia Cohere.	Empresas que indexan PDF largos, documentos regulatorios y presentaciones que mezclan texto e imágenes.	API: Pro $0,12 y Fast $0,08 por 1M de tokens de texto; imágenes $0,40 por 1M. Model Vault desde $3/hora o $2.000/mes por instancia.
Marengo 3.5modelo	3.9/5	Hecho a propósito para encontrar momentos en vídeo, con vectores pequeños que abaratan el almacenamiento, aunque todas las cifras que lo respaldan son de TwelveLabs.	Equipos que crean búsquedas sobre grandes bibliotecas de vídeo, quieren una API de embeddings gestionada y especializada en vídeo, y gestionarán su propio almacén vectorial.	Embed API en el lanzamiento, por 1M de tokens: vídeo $0,26, audio $0,065, imagen $0,08, documento $0,162, texto $0,20. Planes: Free, Plus $29/mes, Pro $99/mes, Enterprise a medida.
Nemotron ColEmbed V2modelo	3.8/5	Lo bastante preciso para ser la vara de medir en la búsqueda sobre imágenes de páginas, y con una licencia que hace que la mayoría de las empresas solo puedan usarlo para eso.	Investigadores y equipos de evaluación que necesitan una base abierta sólida para la recuperación visual de documentos y no piensan ponerla en producción.	Pesos gratuitos para uso no comercial y de investigación (CC BY-NC 4.0).
text-embedding-3-largemodelo	3.7/5	Seguro, barato y compatible con todas las bases de datos vectoriales, text-embedding-3-large queda ahora lo bastante por detrás de los recuperadores más nuevos como para justificar una nueva prueba antes de cualquier desarrollo nuevo.	Equipos que ya usan OpenAI y valoran un solo proveedor, condiciones de datos estrictas y amplia compatibilidad con herramientas por encima de la máxima calidad de recuperación.	0,13 $ por 1 millón de tokens; Batch a mitad de precio; text-embedding-3-small a 0,02 $ por 1 millón.
all-MiniLM-L6-v2modelo	3.4/5	Sigue siendo la forma más rápida de poner en marcha una búsqueda semántica, y ya no es el modelo adecuado para llevar a producción.	Estudiantes y quienes hacen prototipos y necesitan un modelo de embeddings en inglés rápido y compatible con todo.	Gratuito bajo Apache 2.0.

Lado a lado

Las especificaciones que importan en este paso. Comprobado el 19 oct 2026; confírmalo en la web del proveedor antes de decidirte.

Embeddings: especificaciones lado a lado
Herramienta	Parámetros	Dimensiones	Entrada máxima	Idiomas / entradas	Licencia / acceso	Precio por 1M de tokens
voyage-4-large	No publicado (mixture-of-experts)	256–2.048 (1.024 por defecto)	32K	Texto; multilingüe	Cerrado; API de Voyage, MongoDB Atlas	$0.12 (los primeros 200M gratis)
Jina Embeddings v5	677M small, 239M nano	1.024 / 768; hasta 32	32K small, 8K nano	Texto; omni añade imagen, vídeo, audio	Pesos CC BY-NC 4.0; API	$0.05 small, $0.02 nano
Gemini Embedding 2	No publicado	128–3.072	8.192	Texto, imagen, vídeo, audio, PDF; más de 100	Cerrado; API de Gemini (versión preliminar)	$0.20 texto
EmbeddingGemma 2	270M texto (740M con todos los codificadores)	768; hasta 128	8.192	Texto, código, imagen, audio, vídeo	Apache 2.0, pesos abiertos	Alojamiento propio
Qwen3-VL-Embedding	2B, 8B	Hasta 2.048 / 4.096; desde 64	32K	Texto, imagen, captura de pantalla, vídeo; más de 30	Apache 2.0, pesos abiertos	Alojamiento propio
Qwen3-Embedding and Qwen3-Reranker	0.6B, 4B, 8B	1.024 / 2.560 / 4.096; truncables	32K	Texto y código; más de 100 idiomas	Apache 2.0, pesos abiertos	Alojamiento propio
Cohere Embed 5	No publicado	256–2.048	128K	Texto, imágenes, PDFs; más de 100 idiomas	Cerrado; API, Foundry, SageMaker	No publicado
Marengo 3.5	No publicado	512; hasta 128	No publicado	Vídeo, audio, imagen, texto, páginas PDF	Cerrado; API de TwelveLabs	Saldo del plan; tarifas unitarias aparte
Nemotron ColEmbed V2	3B, 4B, 8B (8.8B)	4.096 por token (multivector)	10.240 evaluados	Consultas de texto, imágenes de páginas	CC BY-NC 4.0 (no comercial)	Alojamiento propio
text-embedding-3-large	No publicado	Hasta 3.072; reducible	8.191	Texto; multilingüe	Cerrado; API de OpenAI	$0.13
all-MiniLM-L6-v2	23M	384	256	Texto; solo inglés	Apache 2.0, pesos abiertos	Alojamiento propio

Dónde encaja esta etapa

Chatea con tus documentos: empezaríamos con Qwen3-Embedding and Qwen3-Reranker.
Agente de atención al cliente: empezaríamos con Cohere Embed 5.
Agente de programación: empezaríamos con Qwen3-Embedding and Qwen3-Reranker.
Investigación y grafo de conocimiento: empezaríamos con voyage-4-large.
Asistente con memoria a largo plazo: empezaríamos con Jina Embeddings v5.
Pipeline de generación de imágenes: empezaríamos con Qwen3-VL-Embedding.
Producción de vídeo: empezaríamos con Marengo 3.5.
Agente de voz: empezaríamos con EmbeddingGemma 2.
IA privada y local: empezaríamos con EmbeddingGemma 2.
Procesamiento de documentos: empezaríamos con Qwen3-VL-Embedding.

Embeddings

Cómo elegir

Qué tener en cuenta

Calidad de recuperación con tus propias preguntas

Encaje con tu dominio

Idiomas, incluida la búsqueda entre idiomas

Longitud de entrada que encaje con tus fragmentos

Dimensiones: coste de almacenamiento, no una puntuación de calidad

Velocidad y coste en todo el ciclo de vida

Despliegue y privacidad

Entradas admitidas

Requisitos de uso que rompen la recuperación si se ignoran