Prix des API d'embeddings
10 modèles d'embeddings · USD par 1M tokens
| Modèle | Fournisseur | $/1M ↑ | Dims | Ctx | MTEB | |
|---|---|---|---|---|---|---|
| OpenAI | $0.02 | 1536 | 8K | 62.3 | docs ↗ | |
| Voyage AI | $0.02 | 1024 | 32K | 64.7 | docs ↗ | |
| Jina AI | $0.02 | 1024 | 8K | 58.0 | docs ↗ | |
 Titan Text Embeddings V2 | Amazon | $0.02 | 1024 | 8K | 55.0 | docs ↗ |
| Voyage AI | $0.06 | 1024 | 32K | 66.4 | docs ↗ | |
| Mistral | $0.10 | 1024 | 8K | 59.0 | docs ↗ | |
| Nomic | $0.10 | 768 | 8K | 53.0 | docs ↗ | |
| Cohere | $0.12 | 1536 | 128K | 66.0 | docs ↗ | |
| OpenAI | $0.13 | 3072 | 8K | 64.6 | docs ↗ | |
| $0.15 | 3072 | 2K | 68.3 | docs ↗ |
compare.hint · Prix par 1M tokens d'entrée. MTEB = score de retrieval (approx). Les dimensions affichées sont le maximum du modèle.
Pour lire cette comparaison
- 10 modèles d'embeddings suivis, de 0.020 $ à 0.15 $ par 1M tokens - un écart de 8x.
- Embedder un corpus de 10M tokens coûte environ 0.20 $ à 1.50 $ selon le modèle - un coût ponctuel à l'ingestion, à la différence du coût récurrent de stockage et de requête sur les vecteurs produits.
- Les dimensions vectorielles vont de 768 à 3072 selon ces modèles - plus de dimensions veut dire plus de stockage vectoriel en aval (voir le comparateur de bases vectorielles).
- Parmi les 10 modèles qui publient un score de retrieval MTEB, la moyenne est de 61.7 - un score plus élevé suggère une meilleure qualité de recherche sémantique, mais n'est pas forcément lié au prix.
Ce prix couvre uniquement la génération des vecteurs. Le stockage et les requêtes sur ces vecteurs sont facturés séparément par la base vectorielle choisie.