一句话看懂：OpenRouter 对自家嵌入模型目录中的 37 个条目、19 款模型做了 28 项实测，并给出按场景选型的推荐，这为 RAG、多语言检索和代码搜索提供了一份可直接落地的候选清单。
事件核心：发生了什么
9 月 11 日，OpenRouter 对自有嵌入模型目录（37 个条目）发起批量请求，实际测试了 19 款模型，执行 28 项检查，覆盖批量输入、可调维度、图像输入和错误处理。测试确认了请求与响应行为，但官方明确表示这不等于检索质量评测，响应时间也未纳入。核心结论是按场景选型：英文 RAG 默认用 openai/text-embedding-3-small，超 8192 token 或需跨 Voyage4 级别切换而不重建索引时考虑 voyage-4-large；多语言检索选 qwen3-embedding-8b，代码搜索用 voyage-code-4，图文检索选 google/gemini-embedding-2 或 voyage-multimodal-3.5。
为什么重要
嵌入模型决定了检索系统能召回什么，是把输入压缩成向量、实现语义搜索的关键环节。此前选型多依赖厂商自报跑分，缺乏对 API 实际行为的一致验证。OpenRouter 这次把 19 款模型的上下文长度、维度、价格和开闭源状态摆在同一张桌上，并给出场景化路径，实际上是在为 RAG 开发者降低试错成本。值得注意的是，它同时暴露了免费路线的现实约束：测试账号因隐私设置不允许供应商用免费模型提示做训练，三个免费路由直接返回 404，这提醒开发者免费开关、工作区权限和 data_collection 设置为 deny 都会影响可用性。
对用户/开发者/创作者的影响
对开发者，最直接的收益是候选范围收窄。英文 RAG 初始评估可保留 text-embedding-3-small 的 1536 维默认值，仅在存储或检索成本成为瓶颈时再考虑降维；dimensions=256 能进一步压缩向量，但可能影响检索质量，改现有索引前必须实测。Voyage4 系列覆盖 256、512、1024、2048 四个维度，且官方称 4 系向量互相兼容，切换时无需重建索引。多语言场景下，Qwen3Embedding8B 默认 4096 维，厂商称 MTEB 多语言得分 70.58，4B 版本 2560 维更省资源；bge-m3 是第二开源选项。成本敏感型可关注付费最便宜的 perplexity/pplx-embed-v1-0.6b，每百万输入 token 仅 0.004 美元，以及 32768 token 上下文的免费文本路由 nvidia/nemotron-3-embed-1b:free。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 Voyage4 级别向量兼容的说法能否在真实索引中稳定成立，这直接影响迁移成本；二是免费路由的 404 问题是否会有更清晰的文档和权限指引；三是 CoIR 等基准的横向对比结果是否会补充进来，让代码检索这类细分场景的选型更有依据。目前公开信息显示，该指南侧重请求与响应行为验证，检索质量的长期表现仍需开发者自行评测。
来源：AIbase
