Por que os modelos de embedding voltaram a ser o principal campo de batalha de performance
No início do boom de RAG em 2023, os modelos de embedding eram considerados "text-embedding-ada-002 é suficiente" e tendiam a ser negligenciados como elemento diferenciador. A situação em 2026 é completamente diferente. Com a performance de geração dos LLMs se aproximando da saturação em alguns tarefas, tornou-se entendimento comum que as informações perdidas no lado do Retrieval determinam o teto de todo o RAG — e a seleção e o ajuste de modelos de embedding voltaram como a área de investimento com maior ROI.
O leaderboard MTEB (Massive Text Embedding Benchmark) do Hugging Face tem mais de 200 modelos ranqueados em abril de 2026, mas as opções práticas para produtos em língua portuguesa se reduzem a cerca de 10 modelos. Neste artigo, comparamos OpenAI, Voyage, Cohere, BAAI e Jina, alinhando os scores de MTEB/BEIR e a praticidade de implementação.
Tabela de scores de abril de 2026 (resumo)
- OpenAI text-embedding-3-large: MTEB 64,6 | JMTEB 75,2 | 3.072 dimensões | 8.192 tokens | US$ 0,13/M tokens
- OpenAI Embed-4 (lançado em fev/2026): MTEB 68,9 | JMTEB 79,8 | 4.096 dimensões | 32k tokens | US$ 0,18/M tokens
- Voyage-3-large: MTEB 67,8 | BEIR 58,3 | 1.024/2.048/4.096 dimensões | 32k tokens | US$ 0,18/M tokens
- Voyage-3: MTEB 64,2 | 1.024 dimensões | 32k tokens | US$ 0,06/M tokens (melhor custo-benefício)
- Cohere Embed v4: MTEB 68,1 | JMTEB 77,5 | 1.536 dimensões | 128k tokens | US$ 0,12/M tokens | multimodal
- BGE-M3 (BAAI): MTEB 59,4 | JMTEB 73,1 | 1.024 dimensões | 8.192 tokens | OSS (MIT)
- Jina Embeddings v3: MTEB 65,5 | JMTEB 74,8 | 1.024 dimensões (Matryoshka) | 8.192 tokens | OSS + API
Só pelo score, o Embed-4 e o Voyage-3-large estão no topo — mas "o que usar em produção" é determinado pelos seguintes 4 eixos: (1) possibilidade de fine-tune no domínio, (2) latência e dimensões, (3) performance multilíngue, (4) conformidade com cruzamento de dados.
Performance multilíngue: o MTEB para além do inglês importa
Para avaliar modelos além do inglês, use os leaderboards multilíngues do MTEB (MTEB Multilingual) e benchmarks específicos de idioma como o BEIR. Modelos com alta posição no MTEB inglês podem cair significativamente em rankings para outros idiomas.
Tendências do MTEB Multilingual em abril de 2026:
- No subset de Retrieval multilíngue, a ordem é Embed-4 > Voyage-3-large > Cohere Embed v4 > BGE-M3 > text-embedding-3-large
- Em STS (similaridade de sentenças), o Cohere Embed v4 lidera, com forte desempenho em variações de formalidade e expressões idiomáticas
- Em busca semântica cross-lingual (ex: inglês-português), o BGE-M3 surpreende e fica bem próximo do Voyage-3-large
Em projetos onde o cruzamento de dados é proibido por regulamentações (financeiro, público), OpenAI, Voyage e Cohere ficam fora de cogitação, e não há alternativa além do self-host do BGE-M3. Em 2026, o Llama.cpp e o vLLM processam BGE-M3 quantizado (GGUF/AWQ) a 2.000 req/s com 1 GPU H100, tornando-se o embedding padrão de RAG on-premise.
Matryoshka Representation: hierarquizando as dimensões
Uma tecnologia importante de 2026 comum ao Voyage-3, Jina v3 e OpenAI text-embedding-3-* é o Matryoshka Representation Learning (MRL). É uma técnica que, ao usar apenas as primeiras k dimensões do vetor obtido de um único modelo, ainda preserva significado suficiente, hierarquizando a função de perda durante o treinamento.
Enquanto antes "3.072 dimensões ofereciam alta precisão mas eram pesadas, e reduzir para 256 dimensões prejudicava a precisão", os modelos com suporte a MRL permitem uma abordagem em dois estágios: "indexar com 3.072 dimensões, fazer a busca de primeiro estágio rapidamente com 256 dimensões, e reranquear com 3.072 dimensões completas no segundo estágio".
```python from openai import OpenAI import numpy as np
client = OpenAI() resp = client.embeddings.create( model="text-embedding-3-large", input=texts, dimensions=256, # MRL retorna apenas as primeiras 256 dimensões ) short_vecs = np.array([d.embedding for d in resp.data])
# A versão completa com 3.072 dimensões é obtida separadamente para o reranque completo resp_full = client.embeddings.create( model="text-embedding-3-large", input=texts, ) full_vecs = np.array([d.embedding for d in resp_full.data]) ```
Manter 100 milhões de vetores em 3.072 dimensões exige apenas 1,2 TB de dados brutos. Com MRL cortando para 256 dimensões, isso cai para 100 GB — tornando a construção de HNSW e a manutenção em memória viáveis. Isso é ainda mais poderoso combinado com as funcionalidades de multi-vector do Qdrant/Weaviate.
ColBERT e Late Interaction
Em 2026, RAGs em produção que implementam Late Interaction (família ColBERT) em vez de apenas vetores densos aumentaram. O ColBERT mantém documentos como grupos de vetores por token em vez de comprimi-los em 1 vetor, e calcula a similaridade com vetores de token do lado da query pela operação MaxSim.
- Muito maior capacidade de preservar nuances em documentos longos do que um único vetor denso
- Custo de armazenamento de 10 a 50 vezes maior que denso (dependendo do número de tokens)
- Qdrant 1.12, Vespa e Weaviate 1.28 têm suporte nativo a multi-vector
Jina-ColBERT-v2 e ColBERTv2 (Stanford) atingem performance de Retrieval próxima dos melhores modelos densos em MTEB assimétrico, ao mesmo tempo que são mais robustos para domínios levemente fora dos dados de treinamento. São especialmente eficazes em domínios onde "não é possível comprimir em um único vetor" — como contratos longos, artigos científicos e código-fonte.
```python from ragatouille import RAGPretrainedModel
rag = RAGPretrainedModel.from_pretrained("jinaai/jina-colbert-v2") rag.index( collection=documents, index_name="contracts", max_document_length=512, split_documents=True, ) hits = rag.search("cláusulas relativas ao prazo de garantia de telas de LCD", k=20) ```
Fine-tune especializado por domínio
Modelos de embedding genéricos são medianamente fortes em uma ampla gama de tarefas, mas sempre perdem em áreas especializadas (medicina, direito, terminologia interna). Em 2026, a toolchain para fine-tune baseado em aprendizado contrastivo se consolidou e pode ser executada em horas.
- sentence-transformers 3.x: fine-tune com LoRA via `SentenceTransformerTrainer`
- Voyage Fine-tuning API: geração de modelo especializado em 2 horas a partir de pares query/documento do domínio próprio
- Cohere Custom Models: treinamento de domínio possível tanto para Rerank quanto para Embed
Em um projeto médico da KGA, fizemos fine-tune do BGE-M3 com 50.000 pares de Q&A internos, obtendo uma melhora de 8 pontos no subset médico de Retrieval do MTEB Multilingual e de 14 pontos no nDCG@10 no conjunto de teste interno. O significado de poder se libertar da dependência do modelo genérico mais forte é grande.
Regras de seleção
- Domínio amplo, inglês prioritário, API permitida → Voyage-3-large
- Português prioritário, documentos longos de 128k necessários → Cohere Embed v4
- On-premise obrigatório, licença MIT → BGE-M3
- Custo-benefício prioritário → Voyage-3 ou text-embedding-3-small
- Busca integrada de imagem + texto → Cohere Embed v4 (multimodal)
- Nuances em documentos longos como prioridade máxima → Jina-ColBERT-v2 (Late Interaction)
Embedding não é "escolher um modelo e pronto" — o design em camadas de dense de primeiro estágio + Late Interaction de segundo estágio + reranker de domínio é a forma de produção de 2026.