Etapa 04 de 22

Embeddings

Converter texto, imagens ou áudio em vetores que capturam o significado. O modelo de embedding decide o que "parecido" significa na sua busca. Trocar depois significa gerar os embeddings de tudo de novo.

Por Andrew Miller · Verificado em 19 de out. de 2026 · Como avaliamos

Como escolher

Dados multilíngues ou com muito código: escolha um modelo avaliado nesse tipo de dado, não em prosa em inglês.
Dados privados ou alto volume: um modelo aberto hospedado por você evita cobranças por token.
Mídia mista: um modelo de embedding multimodal coloca imagens e texto em um mesmo espaço.

O que observar

As perguntas que separam as opções, em ordem de importância.

01
Qualidade de recuperação nas suas próprias perguntas
A única pergunta que importa é se uma consulta traz de volta trechos que realmente a respondem. No ranking do MTEB, essa é a coluna Retr., não a Mean (Task) nem o rank Borda, que misturam tarefas de classificação, clustering e similaridade de frases que um sistema de RAG nunca executa; o Octen-Embedding-8B fica em sétimo no geral na aba multilíngue, mas tem nota de recuperação maior do que o Qwen3-Embedding-8B, em quarto (71,61 contra 70,88). Use os benchmarks para montar a lista curta; use a sua própria avaliação de recuperação para escolher.
02
Adequação ao seu domínio
Benchmarks gerais dizem pouco sobre contratos, prontuários clínicos ou códigos de peças. Verifique como os candidatos lidam com os seus termos técnicos, abreviações e conceitos muito próximos que precisam ficar separados, como dois códigos de produto parecidos. As abas de domínio do ranking (Code, Legal, Medical, Finance, Chemical) orientam melhor do que a nota geral, e modelos que aceitam instruções de tarefa costumam ganhar alguns pontos quando recebem uma.
03
Suporte a idiomas, incluindo busca entre idiomas
Teste tanto a recuperação no mesmo idioma (uma pergunta em alemão sobre documentos em alemão) quanto a recuperação entre idiomas (uma pergunta em inglês sobre documentos em japonês), se os seus usuários precisarem disso. No MTEB, compare a aba Multilingual (MMTEB, 131 tarefas em mais de 250 idiomas) com a aba English e com qualquer aba por idioma dos seus mercados; a nota em inglês de um modelo pode favorecê-lo. Dizer '100+ idiomas' não informa nada sobre a qualidade em nenhum deles.
04
Tamanho de entrada que comporte os seus chunks
A entrada máxima (Max tokens no ranking) precisa cobrir o seu chunk mais longo, mais qualquer título ou cabeçalho que você coloque antes, senão o texto é cortado, muitas vezes sem aviso: o all-MiniLM-L6-v2 para em 256 word pieces. Um limite maior não ajuda automaticamente, já que um único vetor para um trecho longo mistura vários assuntos; ele serve principalmente para dar liberdade na escolha do tamanho do chunk.
05
Dimensões: custo de armazenamento, não nota de qualidade
Mais dimensões significam mais armazenamento, memória e computação de busca por vetor, e não garantem uma recuperação melhor. Muitos modelos atuais usam treinamento Matryoshka, então você pode manter apenas os primeiros 256 ou 512 números com perda modesta: o Gemini Embedding 2 vai de 128 a 3.072 e renormaliza automaticamente os vetores truncados, enquanto o EmbeddingGemma 2 pede que você mesmo renormalize. Saída int8 ou binária, oferecida pela Voyage e pela Cohere, reduz ainda mais o armazenamento; teste o recall no tamanho que você realmente vai armazenar.
06
Velocidade e custo em todo o ciclo de vida
Conte quatro custos: gerar os embeddings do acervo inicial, refazer os embeddings das atualizações, a latência das consultas e as taxas de hospedagem ou de API. Os preços de API para texto vão de $0,02 a $0,20 por milhão de tokens (do Jina v5 nano ao Gemini Embedding 2), com descontos em lote de 33 a 50% na Voyage, na OpenAI e no Google. Modelos abertos evitam taxas, mas precisam de GPUs dimensionadas pelo número de Memory (MB) do ranking: cerca de 1,1 GB para o Qwen3-Embedding-0.6B contra 14,4 GB para o de 8B.
07
Implantação e privacidade
Decida cedo se documentos e consultas podem sair da sua infraestrutura. Se não puderem, você precisa de pesos abertos que possa rodar por conta própria, e a licença precisa permitir o seu uso: o Qwen3-Embedding e o EmbeddingGemma 2 são Apache 2.0, enquanto os pesos do Jina v5 e do Nemotron ColEmbed V2 são não comerciais. APIs hospedadas eliminam o trabalho de operação, mas acrescentam um fornecedor que vê cada consulta.
08
Entradas suportadas
Modelos só de texto exigem que tudo seja convertido em texto antes. Se o seu acervo inclui páginas digitalizadas, slides, fotos, áudio ou vídeo, considere um modelo multimodal que gere os embeddings diretamente (veja o guia por tipo de dado abaixo) e verifique se ele foi avaliado nesse tipo de entrada: o MTEB tem abas separadas para imagens (MIEB), documentos visuais (ViDoRe), áudio (MAEB) e vídeo (MVEB).
09
Requisitos de uso que quebram a recuperação se ignorados
Leia o model card antes de indexar. Muitos modelos esperam um prefixo ou instrução na consulta e um prefixo diferente (ou nenhum) nos documentos; alguns exigem vetores normalizados e especificam similaridade por cosseno ou produto escalar; o EmbeddingGemma 2 avisa que float16 corrompe a saída sem aviso. Os vetores de consulta e de documento precisam vir do mesmo modelo e do mesmo espaço de embedding, mesmo quando as dimensões coincidem, então trocar de modelo geralmente significa refazer todos os embeddings; o espaço compartilhado entre tamanhos do Voyage 4 é uma rara exceção.

Qual abordagem para quais dados

Cada tipo de conteúdo pede modelos diferentes. Muitos sistemas usam mais de um e roteiam pelo tipo de dado.

Abordagens por tipo de dado
Seus dados	Abordagem	Comece com
Documentos de texto simples	Faça chunking por seção, gere embeddings com um modelo de texto forte e acrescente busca por palavra-chave para termos exatos. Monte a lista curta a partir da coluna Retr. da aba do idioma de que você precisa.	Qwen3-Embedding and Qwen3-Reranker, voyage-4-large, text-embedding-3-large, EmbeddingGemma 2
Código	Divida por função ou classe, mantenha o caminho do arquivo e as assinaturas como metadados e use um modelo avaliado na aba Code do ranking. O Qwen3-Embedding-8B tira 80,69 ali; o EmbeddingGemma 2 informa 78,68 com uma fração do tamanho.	Qwen3-Embedding and Qwen3-Reranker, EmbeddingGemma 2
Tabelas e planilhas	Processe as tabelas com um parser que entenda tabelas e depois gere o embedding de cada tabela, ou de grupos de linhas, como Markdown com a linha de cabeçalho repetida e uma legenda curta. Os embeddings encontram a tabela certa; números exatos e agregados são mais bem respondidos consultando os próprios dados (SQL ou um dataframe) depois de encontrá-la.	Docling, Cohere Embed 5, Qwen3-Embedding and Qwen3-Reranker
PDFs digitalizados, slides e imagens de páginas	Dois caminhos. Converta as páginas em texto com um modelo de OCR e gere o embedding do texto, o que mantém o armazenamento pequeno e funciona com qualquer banco de dados vetorial. Ou gere o embedding da imagem da página diretamente, usando um modelo de late interaction (o mais preciso no ViDoRe, com muito mais armazenamento) ou um modelo multimodal de vetor único; compare na aba ViDoRe v3.	Nemotron ColEmbed V2, Qwen3-VL-Embedding, Cohere Embed 5, PaddleOCR-VL-1.6
Imagens naturais	Use um modelo de embedding multimodal que coloque imagens e texto em um mesmo espaço, para que consultas em texto encontrem fotos; confira as abas MIEB, em que o pequeno e aberto EmbeddingGemma 2 fica em quinto no MIEB (lite), com 63,52. Acrescente legendas geradas como texto se você também precisar de busca por palavra-chave.	Qwen3-VL-Embedding, EmbeddingGemma 2, Gemini Embedding 2, Jina Embeddings v5
Vídeo	Gere embeddings de segmentos curtos em vez de arquivos inteiros, com timestamps como metadados, usando um modelo que aceite vídeo nativamente; confira a aba de vídeo e texto do MVEB, liderada pelo Qwen3-VL-Embedding-8B. Transcreva a trilha sonora e gere o embedding dela como texto, junto.	Marengo 3.5, Qwen3-VL-Embedding, Gemini Embedding 2
Áudio e fala	Para fala, transcreva e gere o embedding da transcrição, com timestamps e identificação de quem fala; é mais barato e mais fácil de pesquisar. Use embeddings nativos de áudio, comparados na aba MAEB, para sons que não são fala, música ou tom.	Whisper large-v3-turbo, Parakeet TDT 0.6B v3, EmbeddingGemma 2, Gemini Embedding 2
Multilíngue e entre idiomas	Use um modelo multilíngue e teste diretamente consultas entre idiomas; compare a aba Multilingual e as abas por idioma, e use a coluna Bitext como sinal secundário. Evite traduzir os documentos antes de gerar os embeddings, a menos que os testes mostrem que isso ajuda.	Qwen3-Embedding and Qwen3-Reranker, Jina Embeddings v5, Cohere Embed 5, Gemini Embedding 2

Como ler o ranking do MTEB

Para RAG e busca em documentos, comece pela coluna Retr. na aba que corresponde aos seus idiomas, não pela média geral; essas colunas avaliam modelos de embedding, não bancos de dados vetoriais.

Rank (Borda): Cada tarefa 'vota' nos modelos conforme a posição relativa deles nela; o modelo com mais votos em todas as tarefas fica em primeiro.; Premia a consistência ampla, não a recuperação. Duas posições vizinhas podem esconder uma diferença grande ou desprezível, então olhe as notas.
Parameters (total e ativos): Tamanho do modelo, incluindo os pesos de embedding. Os parâmetros ativos só diferem em modelos mixture-of-experts.; Um indicador de memória e velocidade. A marca Pareto da tabela indica modelos que nenhum rival menor supera; confira antes de pagar por um modelo de 8B.
Openness: Uma nota de 0 a 6 para pesos abertos, licença aberta, código de treinamento aberto, dados de treinamento abertos, artigo e model card.; Pesos abertos por si só não significam que o uso comercial é permitido; leia a licença. APIs fechadas têm nota baixa aqui por definição.
Zero-shot %: A parcela das tarefas do benchmark cujos dados de treinamento não foram usados para treinar o modelo. 'NA' significa desconhecido.; Não é uma nota de precisão. Abaixo de cerca de 80%, parte da nota reflete tarefas que o modelo já viu; na aba English, vários modelos do top cinco ficam entre 48% e 51%.
Mean (Task): Média simples de todas as tarefas do benchmark.; Fácil de comparar, mas pesa a favor dos tipos de tarefa com mais conjuntos de dados: na aba multilíngue, 43 das 131 tarefas são de classificação e 18 de recuperação.
Mean (TaskType): Média dentro de cada categoria (classificação, recuperação e assim por diante) e depois uma média com peso igual entre as categorias.; Mais justa entre categorias do que a Mean (Task), mas ainda inclui tarefas irrelevantes para busca. Espere que fique vários pontos abaixo.
Mean (Public) e Mean (Private): Médias das tarefas divulgadas abertamente e das tarefas reservadas que o benchmark mantém privadas, em benchmarks como o RTEB que incluem as duas.; Um modelo muito melhor nas tarefas públicas do que nas privadas pode estar ajustado ao benchmark. As notas privadas são o sinal mais honesto.
Retr.: Recuperação: encontrar os documentos relevantes para uma consulta em um grande acervo, avaliada principalmente por nDCG@10 (quão alto os documentos certos aparecem entre os dez primeiros).; Priorize esta coluna para RAG. Depois confirme nas abas de domínio e de idioma mais próximas dos seus dados.
Rerank: Reordenar uma lista curta de candidatos para uma consulta.; Sinal secundário útil para busca. Um modelo reranker dedicado costuma superar um modelo de embedding aqui.
Class. e MultiClass.: Classificação: atribuir um ou vários rótulos de um conjunto fixo, usando os embeddings como features.; Relevante se você vai etiquetar ou encaminhar conteúdo com embeddings; não é uma medida de recuperação.
Clust.: Clustering: agrupar textos sem rótulos; avaliado contra grupos de referência.; Relevante para descoberta de assuntos e deduplicação, não para responder a perguntas.
PairClass.: Classificação de pares: decidir uma relação entre dois textos, como duplicata ou paráfrase.; Uma orientação para detecção de duplicatas. Diz pouco sobre recuperação de trechos a partir de consultas.
STS: Similaridade textual semântica: avaliar em uma escala o quanto duas frases são parecidas.; Uma nota alta em STS sozinha não comprova boa recuperação; perguntas e respostas não são paráfrases umas das outras.
Bitext: Mineração de bitexto: associar frases às suas traduções entre idiomas.; Um sinal aproximado de alinhamento entre idiomas; ainda assim, teste diretamente a recuperação entre idiomas.
Summ.: Sumarização (aba English): avaliar o quanto os embeddings ordenam bem resumos feitos por máquina em relação a referências humanas.; Avalia resumos; não mede a capacidade de um modelo de gerá-los e importa pouco para busca.
Instr Rerank: Reranking guiado por uma instrução livre anexada à consulta.; A maioria dos modelos tira entre 0 e 12 aqui; ignore, a menos que você planeje uma busca guiada por instruções.
Embedding dimension: Comprimento do vetor que o modelo produz (o ranking lista o padrão ou o máximo).; Um custo de armazenamento, não uma nota de qualidade. Verifique se tamanhos Matryoshka menores são suportados.
Max tokens: A entrada mais longa que o modelo lê de uma vez.; Precisa ser maior que o tamanho do seu chunk; além disso, maior não é melhor para recuperação.
Memory (MB): Memória necessária para carregar os pesos, no download em CSV e na página de cada modelo.; Dimensione a sua GPU ou CPU por este número. Fica em branco para APIs fechadas.

Como testar com seus próprios dados

Reúna de 50 a 100 perguntas reais ou realistas e marque o trecho ou os trechos que respondem a cada uma.
Inclua casos difíceis: abreviações e sinônimos, identificadores exatos como números de pedido ou de peça, perguntas ambíguas, outros idiomas e documentos que alguns usuários não têm permissão para ver.
Indexe os mesmos chunks com cada modelo da lista curta, usando os prefixos de consulta e de documento e a normalização recomendados por cada modelo.
Meça o Recall@k (há um trecho correto entre os k primeiros?) e uma métrica de ordenação como nDCG@10 ou MRR, no geral e por tipo de pergunta.
Meça a latência de consulta no p95 com concorrência realista e com os filtros de metadados que você vai usar em produção.
Estime o custo total: indexação inicial, armazenamento dos vetores na dimensão e na precisão escolhidas, consultas por mês e refação dos embeddings nas atualizações.
Verifique a qualidade das respostas de ponta a ponta em uma amostra, já que um trecho recuperado só é útil se o modelo conseguir responder a partir dele.
Avalie todo o pipeline de recuperação, não só o modelo: chunking, metadados anexados, busca híbrida por palavra-chave e um reranker muitas vezes mudam os resultados tanto quanto trocar de modelo de embedding.

Como as opções se diferenciam

APIs hospedadas (voyage-4-large, Cohere Embed 5, Gemini Embedding 2, o text-embedding-3-large da OpenAI) cobram por token e não exigem GPUs, mas os seus dados vão para o fornecedor e você não pode fixar o modelo para sempre. Modelos de pesos abertos (Qwen3-Embedding, EmbeddingGemma 2, Qwen3-VL-Embedding) são gratuitos para rodar e privados, ao custo de você mesmo servi-los; os tamanhos vão de algumas centenas de milhões de parâmetros, que rodam na CPU de um notebook, a 8 bilhões, que exigem uma GPU de data center.

A outra divisão é pela entrada. Os modelos de embedding de texto produzem um vetor por trecho e lideram os benchmarks de texto do MTEB. Os modelos multimodais colocam texto, imagens, áudio ou vídeo em um mesmo espaço, para que uma pergunta escrita encontre um gráfico ou um trecho de vídeo. Os modelos de late interaction (a família ColPali, o Nemotron ColEmbed V2) armazenam um vetor por token ou por recorte da imagem e pontuam a melhor correspondência para cada token da consulta; são os mais precisos em páginas digitalizadas e visuais, mas multiplicam o armazenamento e exigem um banco de dados vetorial com suporte a pontuação multivetorial.

11 ferramentas comparadas

Ordenadas pela nossa nota. Abra qualquer avaliação para ver as fontes, os preços e o veredito completo.

Ferramentas de Embeddings comparadas
Ferramenta	Nota	Nosso veredito	Ideal para	Preço
voyage-4-largemodelo	4.5/5	Um modelo de recuperação forte com um truque que os rivais não têm, um espaço vetorial compartilhado, mas sua liderança se apoia nos testes da própria Voyage, e ele pode treinar com seus dados até que um administrador desative isso.	Equipes que constroem busca de texto ou RAG e querem pagar por qualidade na indexação e rodar embeddings de consulta baratos ou locais.	US$ 0,12 por 1 milhão de tokens; primeiros 200 milhões de tokens grátis (não no Batch); Batch API com 33% de desconto.
Jina Embeddings v5modelo	4.3/5	O espaço vetorial compartilhado entre texto e mídia do Jina v5 é a ideia mais engenhosa entre os embeddings pequenos, e a licença não comercial é o pedágio para quem quer rodá-lo por conta própria.	Equipes que constroem busca multilíngue ou multimodal com modelos pequenos, especialmente dentro da Elastic.	API da Jina: modelos small a US$ 0,05 por 1M de tokens, nano a US$ 0,02. Pesos gratuitos para uso não comercial; a auto-hospedagem comercial exige uma licença paga da Elastic.
Gemini Embedding 2modelo	4.3/5	O Gemini Embedding 2 é o jeito mais simples de buscar em vídeo e áudio com uma frase, e um jeito caro demais de buscar em texto puro.	Desenvolvedores que constroem busca ou recomendações sobre mídia mista, como imagens, gravações e vídeo.	Por 1M de tokens: texto $0,20, imagem $0,45, áudio $6,50, vídeo $12; Batch pela metade do preço; nível gratuito com limites (entradas usadas para melhoria de produtos).
EmbeddingGemma 2modelo	4.3/5	O EmbeddingGemma 2 torna prática no celular a busca privada e offline em fotos, notas de voz e código, mas deixa a qualidade de recuperação só de texto quase exatamente onde a versão um a deixou.	Desenvolvedores mobile e de edge que constroem busca privada ou offline em texto, código, imagens e áudio.	Gratuito sob Apache 2.0, sujeito à Gemma Prohibited Use Policy. Ainda não há API hospedada do Google nem de provedores de inferência do Hugging Face.
Qwen3-VL-Embeddingmodelo	4.3/5	O embedder aberto por onde começar quando um único índice precisa guardar slides, capturas de tela e vídeo ao lado de texto, com a Apache 2.0 resolvendo a questão da licença.	Equipes que auto-hospedam busca em imagens, vídeo e documentos mistos sob uma licença permissiva.	Gratuito sob Apache 2.0.
Qwen3-Embedding and Qwen3-Rerankermodelo	4.2/5	Uma pilha de busca aberta completa sob uma única licença, embedder e reranker juntos, embora a sua coroa no leaderboard seja de junho de 2025.	Equipes que auto-hospedam busca multilíngue ou de código e querem embedding e reranking sob uma única licença aberta.	Gratuito sob Apache 2.0. O text-embedding-v4 hospedado no Qwen Cloud, baseado no Qwen3, custa US$ 0,07 por 1M de tokens.
Cohere Embed 5modelo	4.2/5	Feito para documentos empresariais longos e visualmente bagunçados e agora com preços públicos, embora todos os benchmarks que o favorecem sejam da própria Cohere.	Empresas que indexam PDFs longos, documentos regulatórios e apresentações com texto e imagens misturados.	API: Pro US$ 0,12 e Fast US$ 0,08 por 1M de tokens de texto; imagens US$ 0,40 por 1M. Model Vault a partir de US$ 3/hora ou US$ 2.000/mês por instância.
Marengo 3.5modelo	3.9/5	Feito sob medida para encontrar momentos em vídeo, com vetores pequenos que mantêm o armazenamento barato, embora todos os números por trás dele venham da TwelveLabs.	Equipes que constroem busca sobre grandes bibliotecas de vídeo, querem uma API de embeddings gerenciada e especializada em vídeo e vão manter o próprio banco vetorial.	Embed API no lançamento, por 1M de tokens: vídeo $0,26, áudio $0,065, imagem $0,08, documento $0,162, texto $0,20. Planos: Free, Plus $29/mês, Pro $99/mês, Enterprise sob medida.
Nemotron ColEmbed V2modelo	3.8/5	Preciso o bastante para ser a referência em busca por imagens de páginas, e licenciado de tal forma que referência é tudo o que a maioria das empresas pode fazer dele.	Pesquisadores e equipes de avaliação que precisam de uma base aberta forte para recuperação visual de documentos e não pretendem colocá-la em produção.	Pesos gratuitos para uso não comercial e de pesquisa (CC BY-NC 4.0).
text-embedding-3-largemodelo	3.7/5	Seguro, barato e suportado por todo banco de dados vetorial, o text-embedding-3-large hoje fica atrás de recuperadores mais novos o bastante para justificar um novo teste antes de qualquer projeto novo.	Equipes que já usam a OpenAI e valorizam um único fornecedor, termos de dados rígidos e amplo suporte de ferramentas acima da melhor qualidade de recuperação.	US$ 0,13 por 1 milhão de tokens; Batch pela metade do preço; text-embedding-3-small a US$ 0,02 por 1 milhão.
all-MiniLM-L6-v2modelo	3.4/5	Ainda é o jeito mais rápido de fazer a busca semântica funcionar, e já não é o modelo certo para colocar em produção.	Estudantes e quem faz protótipos e precisa de um modelo de embeddings em inglês rápido e aceito em toda parte.	Gratuito sob Apache 2.0.

Lado a lado

As especificações que importam nesta etapa. Verificadas em 19 de out. de 2026; confirme no site do fornecedor antes de decidir.

Embeddings: especificações lado a lado
Ferramenta	Parâmetros	Dimensões	Entrada máxima	Idiomas / entradas	Licença / acesso	Preço por 1M de tokens
voyage-4-large	Não publicado (mixture-of-experts)	256–2.048 (padrão 1.024)	32K	Texto; multilíngue	Fechado; API da Voyage, MongoDB Atlas	$0,12 (primeiros 200M gratuitos)
Jina Embeddings v5	677M small, 239M nano	1.024 / 768; até 32	32K small, 8K nano	Texto; omni acrescenta imagem, vídeo, áudio	Pesos CC BY-NC 4.0; API	$0,05 small, $0,02 nano
Gemini Embedding 2	Não publicado	128–3.072	8.192	Texto, imagem, vídeo, áudio, PDF; mais de 100	Fechado; Gemini API (prévia)	$0,20 texto
EmbeddingGemma 2	270M texto (740M com todos os encoders)	768; até 128	8.192	Texto, código, imagem, áudio, vídeo	Apache 2.0, pesos abertos	Self-hosted
Qwen3-VL-Embedding	2B, 8B	Até 2.048 / 4.096; a partir de 64	32K	Texto, imagem, captura de tela, vídeo; mais de 30	Apache 2.0, pesos abertos	Self-hosted
Qwen3-Embedding and Qwen3-Reranker	0,6B, 4B, 8B	1.024 / 2.560 / 4.096; truncáveis	32K	Texto e código; mais de 100 idiomas	Apache 2.0, pesos abertos	Self-hosted
Cohere Embed 5	Não publicado	256–2.048	128K	Texto, imagens, PDFs; mais de 100 idiomas	Fechado; API, Foundry, SageMaker	Não publicado
Marengo 3.5	Não publicado	512; até 128	Não publicado	Vídeo, áudio, imagem, texto, páginas de PDF	Fechado; API da TwelveLabs	Franquia do plano; tarifas unitárias à parte
Nemotron ColEmbed V2	3B, 4B, 8B (8,8B)	4.096 por token (multivetor)	10.240 avaliados	Consultas em texto, imagens de páginas	CC BY-NC 4.0 (não comercial)	Self-hosted
text-embedding-3-large	Não publicado	Até 3.072; reduzível	8.191	Texto; multilíngue	Fechado; API da OpenAI	$0,13
all-MiniLM-L6-v2	23M	384	256	Texto; só inglês	Apache 2.0, pesos abertos	Self-hosted

Onde esta etapa se encaixa

Converse com os seus documentos: começaríamos com Qwen3-Embedding and Qwen3-Reranker.
Agente de atendimento ao cliente: começaríamos com Cohere Embed 5.
Agente de programação: começaríamos com Qwen3-Embedding and Qwen3-Reranker.
Pesquisa e grafo de conhecimento: começaríamos com voyage-4-large.
Assistente com memória de longo prazo: começaríamos com Jina Embeddings v5.
Pipeline de geração de imagens: começaríamos com Qwen3-VL-Embedding.
Produção de vídeo: começaríamos com Marengo 3.5.
Agente de voz: começaríamos com EmbeddingGemma 2.
IA privada no dispositivo: começaríamos com EmbeddingGemma 2.
Processamento de documentos: começaríamos com Qwen3-VL-Embedding.

Embeddings

Como escolher

O que observar

Qualidade de recuperação nas suas próprias perguntas

Adequação ao seu domínio

Suporte a idiomas, incluindo busca entre idiomas

Tamanho de entrada que comporte os seus chunks

Dimensões: custo de armazenamento, não nota de qualidade

Velocidade e custo em todo o ciclo de vida

Implantação e privacidade

Entradas suportadas

Requisitos de uso que quebram a recuperação se ignorados