Porovnanie embedding modelov 2026: text-embedding-3, Cohere, BGE-M3, Voyage a Jina

Embedding model premieňa text na číselné vektory, vďaka ktorým je sémantická podobnosť merateľná. Tieto vektory sú základom každého RAG systému. Dôkladné porovnanie embedding modelov hodnotí kandidátov podľa dimenzií, dĺžky kontextu, benchmarkov MTEB/MMTEB, viacjazyčnosti, nákladov, možnosti self-hostingu a licencie. Pre región DACH platí: anglické poradie v MTEB nie je nemecké poradie. Smerodajné sú MMTEB, MIRACL a MTEB-DE.

• Najlepšia nemčina (proprietárny model): Cohere Embed v4, viacjazyčný líder, použiteľný cez API, cez Azure alebo ako Private Deployment vo vlastnej VPC, prípadne on-premises (stav 2026).
• Open-source štandard pre viacjazyčný RAG: BGE-M3 (MIT), SOTA na MIRACL, kombinuje dense, sparse a multi-vector v jednom modeli.
• Najvyššia hodnota MMTEB spomedzi otvorených modelov v porovnaní: Qwen3-Embedding-8B (Apache 2.0), potrebuje však výrazne viac výkonu GPU ako BGE-M3.
• Otvorené váhy s licenčnou výhradou: Jina v3/v4, vyvinuté v Berlíne a od októbra 2025 súčasť spoločnosti Elastic. v4 je multimodálny a spracúva aj vizuálne dokumenty. Váhy sú voľne použiteľné len na nekomerčné účely. Komerčne používaš Jina cez API alebo so samostatnou licenciou.

Prečo anglické poradie v MTEB zavádza

V MTEB v1 dominujú anglické úlohy. Správnymi referenciami pre DACH sú MMTEB (Massive Multilingual Text Embedding Benchmark s vyše 500 úlohami a 250+ jazykmi), MIRACL (monolingválny retrieval v 18 jazykoch) a nemecké podmnožiny ako MTEB-DE, GermanQuAD-Retrieval a MIRACL-de. Tieto benchmarky pravidelne preusporadúvajú leaderboard: modely, ktoré v angličtine vynikajú, strácajú v nemčine často 5-15 bodov nDCG@10, najmä pri zložených slovách, odbornom jazyku, právnej a medicínskej terminológii a pri retrievale dlhých slov náročnom na tokenizáciu.

Pri nemeckých B2B korpusoch situáciu ešte sťažuje to, že pomenované entity (named entities), produktové kódy, čísla paragrafov, kódy ICD, čísla materiálov v SAP, IBAN a spisové značky sú presne tie tokeny, pri ktorých čisto dense retrieval modely zaostávajú. Voľba modelu je preto vždy rozhodnutím o kvalite v nemeckom jazyku, nie o globálnom leaderboarde.

Najdôležitejšie embedding modely 2026 v porovnaní

Nasledujúca tabuľka zhŕňa hlavné kritériá výberu. Hodnoty benchmarkov bez odkazu pochádzajú z internej výskumnej základne (stav 2026). Licenčné údaje modelov s otvorenými váhami pochádzajú z kariet modelov na Hugging Face (stav október 2026).

Proprietárne API: OpenAI, Cohere, Voyage

OpenAI text-embedding-3-large dosahuje s 3 072 dimenziami a kontextom 8 192 tokenov solídne hodnoty v angličtine, pri špeciálnych úlohách v nemčine však citeľne zaostáva za Cohere a BGE. Zostáva dostupný iba cez API (aj cez Azure OpenAI v európskych regiónoch ako Sweden Central alebo Switzerland North), takže jurisdikcia USA trvá. Cohere Embed v4 je proprietárny viacjazyčný líder s najlepším signálom pre nemčinu, kontextom až 128k a Matryoshka orezaním od 256 do 1 536 dimenzií. Suverénne ho prevádzkuješ ako Private Deployment vo vlastnej VPC alebo on-premises. Voyage (od februára 2025 súčasť MongoDB) sa špecializuje na angličtinu, financie, právo a kód; pre retrieval v nemčine nie je meradlom.

Modely s otvorenými váhami: BGE-M3, Jina, Qwen3

BGE-M3 (BAAI, MIT) je open-source štandard pre viacjazyčný RAG v regióne DACH: 1 024 dimenzií, kontext 8 192 tokenov, SOTA na MIRACL a ako zvláštnosť dense, sparse aj multi-vector embeddingy v jednom modeli. Jina v3 a v4 vznikli v Berlíne, Jina AI však od októbra 2025 patrí spoločnosti Elastic. v4 spracúva s kontextom 32k navyše vizuálne bohaté dokumenty (tabuľky, grafy, diagramy) a v režime multi-vector dosahuje ViDoRe 90,17. Pozor na licencie: jina-embeddings-v3 je pod licenciou CC BY-NC 4.0, jina-embeddings-v4 pod Qwen Research License. Oba modely povoľujú self-hosting len na nekomerčné účely. Komerčne ich používaš cez API alebo so samostatnou licenciou. Z rovnakého dôvodu vypadáva pre komerčné nasadenia v regióne DACH aj NV-Embed-v2 (NVIDIA, CC-BY-NC). Voľne použiteľné sú naopak jina-embeddings-v2-base-de (Apache 2.0), s 322 MB pragmatická dvojjazyčná voľba pre stacky malých a stredných podnikov bez GPU, a Qwen3-Embedding (Apache 2.0).

Praktický príklad: náklady na pamäť a Matryoshka

Konkrétny výpočet pre 10 mil. vektorov s 1 024 dimenziami a indexom HNSW:

• float32 (východisko): surové vektory 40 GB, plus 50-100 % réžia HNSW -> efektívny working set 60-80 GB.
• halfvec (float16): približne 30-40 GB pri zanedbateľnej strate recallu.
• Scalar Quantization (SQ8): približne 10-20 GB pri strate recallu len 1-3 %.
• Binary + Rescore: približne 5-10 GB, ale len s rescoringom top-N na plných vektoroch, inak strata recallu 30-60 %.

K tomu sa pridáva Matryoshka: text-embedding-3-large s 3 072 dimenziami je pre väčšinu prípadov enterprise RAG predimenzovaný. Orezanie na 1 024 alebo 512 dimenzií stojí len približne 1-3 % kvality retrievalu, ale šetrí 3-6x pamäť a ANN latenciu. Dodatočný tréning na to nie je potrebný. To isté platí pre Cohere Embed v4, mxbai-2d a Voyage 4. Pre nové projekty znie odporúčanie: vyber model s podporou Matryoshka a ukladaj vektory pri 512-1 024 dimenziách. BGE-M3 nie je trénovaný na Matryoshka, s pevnými 1 024 dimenziami sa však už nachádza v tomto rozsahu.

Nezabudni na reranker

Voľba modelu je len polovica úspechu. Cross-encoder reranker po prvej fáze retrievalu je najúčinnejšie jednotlivé opatrenie v pipeline: recall@5 zvyčajne zvýši o 5-15 percentuálnych bodov. Podľa štúdie Anthropicu o Contextual Retrieval znižujú kontextualizované embeddingy spolu s kontextualizovaným BM25 chybovosť pri top-20 retrievale o 49 %, s dodatočným rerankerom o 67 %, v oboch prípadoch v porovnaní so štandardnými embeddingmi. Suverénne self-hostovateľné rerankery sú BGE Reranker v2-m3 (Apache 2.0) a mxbai-rerank-large-v2 (Apache 2.0). Jina Reranker v2 a v3 sú pod licenciou CC BY-NC 4.0 a na komerčné použitie potrebujú samostatnú licenciu. Proprietárnou alternatívou je Cohere Rerank cez API alebo ako Private Deployment vo vlastnej VPC, prípadne on-premises.

Odporúčanie pre DACH a viacjazyčné prípady použitia

Konkrétne poradie pre enterprise RAG v nemčine (stav 2026) zohľadňuje kvalitu, nároky na zdroje a licenciu: 1. Cohere Embed v4 (najlepšia nemčina, proprietárny, suverénny len ako Private Deployment), 2. BGE-M3 (open-source štandard pre viacjazyčný RAG, MIT, plne suverénny, v prevádzke výrazne úspornejší), 3. Qwen3-Embedding-8B (Apache 2.0, najvyššia hodnota MMTEB ~70,58 spomedzi otvorených modelov tohto porovnania, potrebuje však výrazne viac výkonu GPU), 4. Jina v3/v4 (vyvinuté v Berlíne, od 10/2025 súčasť Elastic, v4 multimodálny, komerčne len cez API alebo s licenciou), 5. BGE-multilingual-gemma2 (ešte náročnejší, ale silný na viacerých splitoch). OpenAI text-embedding-3-large sa pri nemeckých úlohách umiestňuje výrazne pozadu.

Najsuverénnejší stack: BGE-M3 alebo Qwen3-Embedding, self-hosted na jednej GPU L4/A10G, doplnený o BGE Reranker v2-m3. Všetky tri modely sú pod licenciou MIT, resp. Apache 2.0, všetky vrstvy bežia na suverénnych cloudoch v regióne DACH (STACKIT, IONOS, OTC, Hetzner). Cohere Embed v4 doplníš tam, kde o niečo lepšia kvalita v nemčine ospravedlňuje komerčný záväzok. Pre plnú kontrolu nad dátami ponúka Cohere svoj model Embed aj ako Private Deployment vo vlastnej VPC alebo on-premises. Dôležité pre compliance: embeddingy z osobných údajov sa s vysokou pravdepodobnosťou samy považujú za osobné údaje (pozri stanovisko EDPB 28/2024). Pre regulované workloady sú preto self-hostovateľné modely najmenej rizikovou voľbou. Ak embeddingy pre teba počíta alebo ukladá externý poskytovateľ, aj v cloude v EÚ, potrebuješ zmluvu so sprostredkovateľom podľa čl. 28 GDPR. Americké API nie je vylúčené, potrebuje však navyše právny základ pre prenos podľa čl. 44 a nasl. GDPR. Ak je poskytovateľ certifikovaný v rámci EU-US Data Privacy Framework, stačí rozhodnutie o primeranosti. Pri štandardných zmluvných doložkách musíš navyše preveriť, či právo v cieľovej krajine neoslabuje ochranu (posúdenie vplyvu prenosu).

Pre agentúry a rozhodujúcich manažérov v B2B

Voľba embedding modelu rozhoduje rovnakou mierou o kvalite retrievalu, nákladoch na pamäť a súlade tvojho RAG systému s GDPR. Kto stavia pre trh DACH, nemal by vyberať podľa anglického poradia v MTEB, ale podľa doloženej kvality v nemčine a suverenity. Ako viedenská agentúra navrhuje a implementuje Blck Alpaca suverénne, viacjazyčné stacky pre RAG a AI agentov a sprevádza ťa od výberu modelu cez self-hosting až po integráciu rerankera. Ozvi sa nám, ak chceš nasadiť embedding setup v súlade s GDPR pre nemecký obsah alebo optimalizovať existujúci systém na kvalitu retrievalu v nemčine.