Embedding API价格对比：OpenAI vs Cohere vs Gemini vs Mistral
Embedding 单价看着便宜，但一亿次调用就是真金白银。这篇把 OpenAI、Cohere、Gemini、Mistral、Jina、Voyage 的公开报价和维度放进一张表，再算一遍真实账并给出省钱五招。
💡 你将学到
Embedding 单价看着便宜，但一亿次调用就是真金白银。这篇把 OpenAI、Cohere、Gemini、Mistral、Jina、Voyage 的公开报价和维度放进一张表，再算一遍真实账并给出省钱五招。
Embedding API价格对比2026：七家供应商的单价与真实入库成本
Embedding 便宜，但乘以语料就不便宜了
单次调用几厘钱，所以容易忽略。但 RAG 的账要按语料算：一份 100 万篇文档的库，每篇平均 1000 token，一次性入库就是 10 亿 token。之后每次增量和重建索引还要再付一遍。所以选模型时，单价 × 语料规模才是决策依据。
下表是各家的公开报价档位（美元/百万 token，输入侧），价格会随产品迭代调整，签约前请以各官网价目页为准。
一、价格与维度一览
| 供应商 | 模型 | 参考单价（每百万 token） | 向量维度 | 免费额度 |
|---|---|---|---|---|
| OpenAI | text-embedding-3-small | 0.02 | 1536（可截断） | 无长期免费档 |
| OpenAI | text-embedding-3-large | 0.13 | 3072（可截断） | 无长期免费档 |
| Cohere | embed 系列 | 0.12 | 1024 级 | 提供试用额度 |
| text-embedding-004 系列 | 0.10 | 768 级 | 有限免费额度 | |
| Mistral | mistral-embed | 0.07 | 1024 | 无长期免费档 |
| Jina | jina-embeddings 系列 | 0.02 级 | 1024 级 | 有月度免费额度 |
| Voyage | voyage 系列 | 0.06 级 | 1024 级 | 有试用额度 |
两个必须记住的细节：
- 维度可以截断：部分模型支持 Matryoshka 式截断（如 1536 降到 512），精度损失有限，但向量存储与检索开销直接下降。
- 跨模型向量不可比：换了模型，旧向量必须全部重建，否则检索结果会莫名其妙变差。这是迁移成本里最容易低估的一项。
二、四家逐个说
OpenAI：生态最顺，SDK 与文档成熟，小模型与大模型之间可以按精度需求切换。小模型单价低，是 RAG 里最常见的默认选择；大模型留给对精度敏感的检索环节。
Cohere：主打多语言与检索场景，支持按用途区分输入类型（文档 / 查询），配合它的重排模型是一套完整方案。
Google Gemini 系：和 GCP 生态集成顺，免费额度对个人开发者起步友好，超出后按量计费。适合已经在用 Google 云的项目。
Mistral / Jina / Voyage：都在"性价比 + 检索质量"这条线上竞争。Jina 的免费额度对个人项目最有吸引力；Voyage 在检索类基准上口碑不错。三家都建议用自己的语料做小规模对比测试，而不是只看公开榜单。
三、算一遍真实账
以 100 万篇文档、每篇 1000 token 计算，共 10 亿 token，按各家参考单价：
| 模型档位 | 一次性入库成本 |
|---|---|
| 0.02 美元/百万（小模型、Jina 档） | 约 20 美元 |
| 0.06 美元/百万（Voyage 档） | 约 60 美元 |
| 0.07 美元/百万（Mistral 档） | 约 70 美元 |
| 0.10 美元/百万（Gemini 档） | 约 100 美元 |
| 0.12 美元/百万（Cohere 档） | 约 120 美元 |
| 0.13 美元/百万（大模型档） | 约 130 美元 |
同一批数据的入库成本可以差出6 倍以上。这就是为什么"选小模型 + 重排"是最常见的组合：入库用便宜模型，检索出的前几十条再交给重排模型精排。
四、省钱五招
- 入库用小模型，精排用大模型：召回阶段用便宜模型，召回后只对少量候选做精排。成本降幅最大，质量损失最小。
- 缓存 embedding：同一段文本（尤其文档标题、常见问题）不要重复算。用内容哈希做键，增量更新只处理新增文档。
- 批量调用：一次请求传多条文本，减少请求开销与网络往返，也能提高吞吐。
- 高量转本地：语料上千万篇、且以中文为主时，用开源 embedding 模型本地跑，成本基本只剩电费和机器时间。质量要自己用小样本对比验证。
- 截断维度：把 1536 维降到 512 维，存储下降约 67%，检索更快，多数场景精度损失可接受。
五、怎么选：一句话决策
| 你的情况 | 建议 |
|---|---|
| 起步验证、语料小 | 有免费额度的供应商先试 |
| 英文为主、要生态顺 | OpenAI 小模型 + 必要时的大模型 |
| 多语言、检索质量优先 | Cohere 或 Voyage，用自己的语料对比 |
| 已在 GCP 上 | Gemini 系省集成成本 |
| 语料千万级、长期跑 | 本地开源模型，成本可控且数据不出域 |
常见问题
Q：维度越高越好吗？ A：不是。检索类的多数场景 768 到 1024 维已经够用，更高维度意味着更大的存储与更慢的检索，而精度提升往往有限。
Q：可以混用不同供应商吗？ A：同一批数据不要混。不同模型的向量空间不可比，混用会让相似度失去意义。可以混用的是"同一家的不同环节"，比如小模型召回 + 大模型重排。
Q：什么时候该自建 embedding 服务？ A：出现三个信号之一就该考虑：月费用超过自建机器成本、语料涉及不能出域的敏感数据、需要对模型做领域微调。
Q：换了模型要重算多少？ A：全部。旧向量与新向量不能混用，所以迁移要当作一次重建来规划，最好保留原始文本以便随时重算。
相关文章
❓ 常见问题
Are more dimensions better?
Not always - 768-1024 is enough for most RAG; larger costs more and is slower.
Can I mix providers?
Yes - vectors from different models are not comparable, so pick one and stay with it.
本站文章由编辑人工撰写，收录的工具均经过实测或公开资料核验。文中链接指向工具官网或 GitHub 仓库，仅作信息参考，不构成付费推广。