Comparación de modelos
Compare EmbeddingGemma 2 y Cohere Embed 4 utilizando la misma rúbrica incrustaciones y búsqueda de vectores del proveedor. Sin puntuación misteriosa ni clasificación de referencia inventada.
Indica tu uso. La estimación se actualiza al escribir.
Supone 600 tokens por página, procesada por separado. El número real varía. Solo incluye embeddings, no almacenamiento, búsqueda ni respuestas.
Las estimaciones excluyen impuestos, herramientas, almacenamiento/escritura de caché, cuotas gratuitas y descuentos personalizados. En imágenes solo incluyen la salida, no el prompt ni las referencias. Los modos de calidad varían. Los ajustes no listados no se consideran gratuitos.
| modelo | Acceso | Total estimado (USD) |
|---|---|---|
| Cohere Embed 4Cohere | Cohere | Sin tarifa revisada |
| EmbeddingGemma 2Google DeepMind | Google DeepMind | Sin tarifa revisada |
Los resultados describen una prueba, idioma y configuración concretos, no la inteligencia general. La ausencia de resultados no implica peor calidad.
Resultado aportado por la comunidad
Relevancia de recuperación (0–1; mayor es mejor)
MTEB · 1.38.43 · eng-Latn · test/default
dimensions: 1536 · similarity: cosine · modelMetadata: https://github.com/embeddings-benchmark/results/blob/main/results/Cohere__Cohere-embed-v4.0/1/model_meta.json
Revisado: 5 de septiembre de 2026
MTEB contributors · FinanceBenchRetrieval0,8833 nDCG@10
Toma rápida
El modelo de embeddings de pesos abiertos de Google DeepMind para búsquedas locales en texto, código, imágenes, audio y vídeo.
Los pesos abiertos no hacen gratuito el cómputo. Reconstruye y evalúa el índice al cambiar de modelo, usa la precisión numérica documentada y verifica los vectores truncados con tus propios datos.
Modelo de integración empresarial de Cohere para texto, imágenes y documentos visualmente ricos en varios idiomas con una ventana de contexto de 128K.
Cohere no publica un precio de token alojado simple para Embed 4 en la página de precios revisada. Pregunte por la tarifa exacta de SaaS o de implementación privada antes de comparar el costo total.
Compara los hechos publicados
Los valores utilizan las unidades y límites publicados de cada proveedor. Un espacio en blanco significa que el proveedor no publicó un valor directamente comparable en las fuentes revisadas.
| Incrustaciones y búsqueda de vectores | EmbeddingGemma 2 | Cohere Embed 4 |
|---|---|---|
| Precio de incrustaciónPrecio actual del proveedor por millón de tokens de entrada o la unidad de facturación publicada más cercana. | Pesos abiertos; autoalojado | Precio unitario alojado no publicado |
| Capacidad de entradaContenido máximo aceptado en una entrada de inserción, utilizando el token documentado del proveedor. | 8,192 tokens compartidos entre texto y medios | 128K fichas |
| Dimensiones vectorialesTamaños de salida admitidos; los vectores más pequeños reducen el almacenamiento, mientras que los vectores más grandes pueden conservar más información. | 768 por defecto; 512, 256 o 128 con renormalización | 256, 512, 1.024 o 1.536 |
| Entradas aceptadasEntrada de texto, código, imagen, audio, vídeo, PDF o documento compatible con el punto final. | Texto, código, imágenes, audio y fotogramas de vídeo muestreados | Texto, imágenes y archivos PDF de contenido mixto |
| Controles de recuperaciónModos de consulta/documento, tipos de tareas, truncamiento, fragmentación u otros controles que dan forma a los vectores para su recuperación. | Prompts por tarea, codificadores selectivos, truncado de vectores y normalización | Consulta de búsqueda/documento, clasificación y tipos de entrada de agrupación |
| donde correAPI directa, mercado en la nube, implementación privada o ruta autohospedada documentada por el proveedor. | Local o autoalojado; pesos bajo Apache 2.0 | API Cohere, Bóveda de modelos, Microsoft Foundry, SageMaker |
como elegir
Comience con el trabajo que necesita completar y luego valide los detalles del costo, el acceso y la política en la ruta exacta de su proveedor.
La inferencia puede ejecutarse localmente sin enviar el contenido fuente a una API de embeddings. La retención de datos y el acceso a la red dependen de la aplicación y de los servicios conectados.
Los clientes empresariales Cohere pueden optar por no participar en la capacitación; Las indicaciones y generaciones de SaaS generalmente se eliminan después de 30 días. Las cuentas aprobadas sin retención de datos y las implementaciones privadas ofrecen controles más estrictos.
Preguntas frecuentes
EmbeddingGemma 2: El modelo de embeddings de pesos abiertos de Google DeepMind para búsquedas locales en texto, código, imágenes, audio y vídeo. Cohere Embed 4: Modelo de integración empresarial de Cohere para texto, imágenes y documentos visualmente ricos en varios idiomas con una ventana de contexto de 128K.
Considere EmbeddingGemma 2 cuando su prioridad sea Búsqueda multimodal local y sin conexión. Considere Cohere Embed 4 cuando su prioridad sea Búsqueda empresarial en documentos visualmente ricos. Pruebe ambos con sus propios datos y la ruta del proveedor antes de comprometerse.
No. Esta comparación alinea los datos publicados por el proveedor para la categoría Incrustaciones y búsqueda de vectores. No reclama un ganador universal ni combina puntuaciones de referencia de terceros incompatibles.
