Modèles d'embedding : comparatif des offres et des prix

Ce site est édité par IArche, qui édite ALMA, la plateforme IA pour PME d'IArche. Ce comparatif ne classe pas les modèles : il réunit ce que disent les pages officielles de chaque éditeur, lues le 15/11/2026. Les prix sont en dollars américains, par million de jetons de texte, relevés le 15/11/2026 ; vérifiez-les avant tout calcul, ils changent souvent.

Le tableau

Les tarifs de Voyage AI sont ceux affichés par MongoDB, qui distribue ses modèles. Le prix « en lot » de Google correspond à son traitement par lots, asynchrone.

Ce qui distingue chaque offre

Mistral AI. mistral-embed produit des vecteurs de 1 024 dimensions, de norme 1 : la documentation en déduit que similarité cosinus, produit scalaire et distance euclidienne donnent des classements équivalents. Un second modèle, codestral-embed, est consacré au code.

Voyage AI. Toute la série 4 partage le même espace de vecteurs : la documentation indique que les plongements de voyage-4-large, voyage-4, voyage-4-lite et voyage-4-nano sont compatibles entre eux. Sorties possibles en nombres entiers ou en binaire (output_dtype), paramètre input_type pour distinguer question et document. La série existe aussi en version « contextualisée » (voyage-context-4, 0,12 $, relevé le 15/11/2026).

Cohere. La gamme Embed 5 (pro et fast) accepte 128k jetons et des dimensions réduites selon la technique Matryoshka, d'après la page des modèles. La référence de l'API liste les sorties float, int8, uint8, binary, ubinary. Aucun prix au jeton n'apparaît sur la page des tarifs consultée le 15/11/2026.

Google. gemini-embedding-2 est multimodal (texte, image, vidéo, audio, PDF) ; les deux modèles Gemini sont entraînés par la technique Matryoshka. Pour gemini-embedding-001, la documentation demande de normaliser soi-même les vecteurs raccourcis ; gemini-embedding-2 le fait automatiquement.

OpenAI. Mention factuelle pour compléter le tableau : les deux modèles text-embedding-3 acceptent le paramètre dimensions pour raccourcir les vecteurs, et leurs vecteurs sont normalisés à une longueur de 1, d'après la documentation.

BGE-M3. Un même modèle fournit trois sorties d'après sa fiche : un vecteur dense, des poids par mot (recherche lexicale) et plusieurs vecteurs par texte (méthode ColBERT). La fiche recommande pour le RAG une recherche hybride suivie d'un retri.

multilingual-e5-large. 24 couches, 1 024 dimensions, textes tronqués à 512 jetons ; préfixes query: et passage: obligatoires selon sa fiche.

Appel type : Mistral AI

L'exemple de la documentation de Mistral AI :

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
reponse = client.embeddings.create(
    model="mistral-embed",
    inputs=["Embed this sentence.", "As well as this one."],
)

La clé est lue dans une variable d'environnement : ne l'écrivez jamais dans le code.

Comment lire ce tableau

• Le prix au jeton n'est qu'une partie du coût. Le stockage des vecteurs et la mémoire de l'index pèsent aussi, surtout avec 2 048 ou 3 072 dimensions. Voir Coût des embeddings.
• La longueur maximale décide du découpage. Un modèle limité à 512 jetons impose des passages courts.
• Un modèle à poids ouverts n'est pas gratuit : il faut une machine, sa maintenance, et quelqu'un pour la tenir à jour.
• La qualité ne se lit pas ici. Elle se mesure : voir Choisir un modèle d'embedding et Classement MTEB.