Embeddings 2026: open source vs cerrados — BGE-M3, Nomic, OpenAI, Voyage, Cohere
Comparativa entre embeddings open source (BGE-M3, Nomic) y comerciales cerrados (OpenAI, Voyage, Cohere) para empresa chilena. Calidad, costo, self-hosting.
Embeddings son la base técnica de RAG y búsqueda semántica. Elegir modelo equivocado limita calidad de retrieval o infla costo recurrente. Cinco opciones dominan 2026: OpenAI text-embedding-3 (small y large), Voyage AI, Cohere Embed v3, BGE-M3 (open source) y Nomic Embed (open source). Cada uno tiene tradeoffs reales. Este satélite entrega la comparativa que aplicamos en Cognitiva con clientes.
OpenAI text-embedding-3 — el default razonable
text-embedding-3-small (1536 dimensiones, USD 0.02/M tokens) y text-embedding-3-large (3072 dimensiones, USD 0.13/M tokens) son las opciones más usadas globalmente.
Fortalezas
- Excelente integración con Vercel AI SDK y herramientas del ecosistema.
- Pricing competitivo (especialmente small).
- Buena calidad en español sin entrenamiento específico.
- Maduro: ampliamente probado en producción.
Debilidades
- Datos pasan por OpenAI (US). Para datos sensibles requiere planes con DPA estricto.
- Sin self-hosting.
Voyage AI — el especializado en recuperación
Voyage AI ofrece embeddings optimizados específicamente para retrieval (no para clasificación o similitud genérica). En benchmarks recientes (MTEB, BEIR) supera a OpenAI text-embedding-3 en tareas RAG por márgenes consistentes.
Modelos: voyage-3 (1024 dim, USD 0.06/M), voyage-3-large (1024 dim, USD 0.18/M).
Fortalezas
- Mejor calidad en retrieval que OpenAI en muchos benchmarks.
- Soporte multilingüe sólido incluyendo español.
- Reranker propio que complementa retrieval (Voyage Rerank).
Debilidades
- Pricing entre OpenAI y propietario premium.
- Sin self-hosting.
- Ecosystem más chico que OpenAI.
Cohere Embed v3 — el con visión multimodal
Cohere Embed v3 tiene variantes texto + visión (multimodal). Útil cuando el corpus incluye imágenes que se quieren indexar junto con texto.
Modelos: embed-multilingual-v3 (1024 dim), embed-multilingual-light-v3 (384 dim, más barato y rápido).
Fortalezas
- Soporte multimodal nativo (raro entre embeddings).
- Multilingual fuerte (100+ idiomas).
- Pricing competitivo.
Debilidades
- Calidad texto puro algo menor que OpenAI/Voyage.
- Sin self-hosting fácil.
BGE-M3 — el open source más fuerte
BGE-M3 (Beijing Academy of AI) es probablemente el embedding open source más fuerte en 2026. 1024 dimensiones, multimodal (texto + imagen) en versión M3, multilingüe.
Fortalezas
- 100% open source. Self-hostable.
- Calidad comparable a embeddings comerciales en benchmarks.
- Datos NO salen de tu infraestructura.
- Sin costos recurrentes (solo infra propia).
Debilidades
- Requiere infraestructura para inferencia (GPU o CPU con throughput aceptable).
- Operación es tuya: actualizaciones, monitoreo, scaling.
- Setup inicial más complejo que API.
Costo: GPU server (T4 o L4) USD 200-400/mes para PyME. Mejor ratio costo/control para empresas con requisitos de jurisdicción.
Nomic Embed — el open source ligero
Nomic Embed (Nomic AI) es alternativa open source más ligera. 768 dimensiones, foco en eficiencia.
Fortalezas
- Open source con licencia comercial permisiva.
- Eficiente: corre en CPU con throughput razonable.
- Setup simple.
Debilidades
- Calidad algo menor que BGE-M3 o OpenAI.
- Comunidad más chica.
Tabla comparativa 2026
| Modelo | Dimensiones | Costo | Self-host | Jurisdicción |
|---|---|---|---|---|
| OpenAI 3-small | 1536 | USD 0.02/M | No | US |
| OpenAI 3-large | 3072 | USD 0.13/M | No | US |
| Voyage-3 | 1024 | USD 0.06/M | No | US |
| Voyage-3-large | 1024 | USD 0.18/M | No | US |
| Cohere Embed v3 | 1024 | USD 0.10/M | Limitado | US/EU |
| BGE-M3 | 1024 | Solo infra | Sí | Tu jurisdicción |
| Nomic Embed | 768 | Solo infra | Sí | Tu jurisdicción |
Decisión rápida por perfil
- PyME default sin requisitos jurisdicción: OpenAI 3-small. Más barato y suficiente.
- PyME que prioriza calidad de retrieval: Voyage-3 estándar.
- Empresa con corpus multimodal (texto + imágenes): Cohere v3 o BGE-M3.
- Empresa con requisitos jurisdicción Chile o datos sensibles: BGE-M3 self-hosted.
- Operación con presupuesto muy ajustado: Nomic Embed self-hosted o OpenAI 3-small.
Migración entre modelos
Cambiar de embedding invalida todos los vectores existentes. Plan de migración:
- Diseñar tabla con columna embedding_model para coexistir dos versiones.
- Re-embedding del corpus completo con nuevo modelo en background.
- Validar calidad con eval suite (mismo conjunto de preguntas + respuestas esperadas).
- Si nuevo modelo mejora, switch en queries de producción.
- Eliminar embeddings antiguos cuando confirmes estabilidad.
Para corpus grande, re-embedding puede tomar horas o días. Planificar ventana de mantenimiento.
Preguntas frecuentes
Da el siguiente paso
Hablemos
Cuéntanos sobre tu negocio. Respondemos en 24 horas.
Otros canales
Escríbenos por WhatsApp o agenda una llamada de 30 minutos.