Cohere 发布了 Embed 5，一个新的嵌入模型系列。它面向企业搜索、RAG 和智能体检索。该模型系列分为 2 个层级。Embed 5 Pro 面向最高检索质量。Embed 5 Fast 面向实时查询路径上的延迟和成本。两者都接受文本、图像以及文本加图像的融合输入。两者都覆盖 100+ 种语言，最多可读取 128K token。关键设计选择：Pro 和 Fast 共享 1 个嵌入空间。你可以用一个建索引，用另一个查询。
今天可以部署吗？可以，两个层级均已在 Cohere API 和 Model Vault、Microsoft Foundry 以及 Amazon SageMaker 上正式可用。私有 VPC 或本地部署通过 vLLM 运行。
Cohere 发布了什么
根据 Cohere 的模型文档，API 模型 ID 为 embed-v5.0-pro 和 embed-v5.0-fast。两者都输出 2048、1536、1024、768、512 或 256 维，默认 2048。嵌入以 float、int8 或 binary 返回。Pro 每 1M 文本 token 收费 $0.12。Fast 收费 $0.08。两者的图像输入均为每 1M token $0.40。
Embed 5 可以直接嵌入页面图像。它还可以将图像与其元数据融合为单个向量。这对于扫描页面、幻灯片、示意图和图表很重要，因为文本提取会丢失信息。
Pro 和 Fast：一个索引，两条查询路径
Cohere 在 40 个开发数据集上测试了每一种语料和查询的配对。以 Pro 加 Pro 归一化为 100，用 Fast 查询 Pro 索引得分为 98.4。全 Fast 配置得分为 96.6。Cohere 推荐的模式是用 Pro 建索引，用 Fast 查询。一个约束：两侧必须使用相同的输出维度。
这种拆分面向智能体工作负载。一个智能体在每个任务中可能发起数十次搜索，查询延迟会累积。Cohere 团队报告称 Fast 每秒处理 377.3 个文档，而 Pro 为 159.7。
基准测试
在 ViDoRe V3 上，Embed 5 Pro 平均得分 85.8，比 Embed 4 提升 8.8 分。Fast 平均得分 84.5。Voyage 4 Large 得分 83.7，Gemini Embedding 2 得分 83.2，OpenAI text-embedding-3-large 得分 75.5。在 Cohere 的解析 PDF 套件上，Pro 以 84.8 领先，Voyage 4 Large 为 83.6。
金融领域表现最强。Pro 在 FinanceBench（80.1）、FinQA（90.0）和 ViDoRe V3 Finance（85.0）上均排名第一。Fast 在这三项上均排名第二。
多语言结果喜忧参半。Pro 以 77 领先欧洲语言平均值。然而，在 Cohere 自己的结果表中，Gemini Embedding 2 在另外 10 种语言中的 9 种上击败了 Pro。这些语言包括日语、阿拉伯语、印地语和泰卢固语。
有一点需要注意。大多数数字使用 RCP-nDCG@10，这是 Cohere 的一项新指标。它对固定的候选集重新排序，因此衡量的更多是重排序质量，而非第一阶段检索。Cohere 发布了评估代码，但独立复现仍待进行。
规模化存储成本
Embed 5 使用 Matryoshka 表示学习以及更低精度的输出。一个 2048 维 float32 向量需要 8 KB。一个 1024 维 int8 向量需要 1 KB。一个 256 维二值向量需要 32 字节。在 1 亿个分块上，原始存储从约 819 GB 降至 3.2 GB。Cohere 推荐将 1024 维 int8 作为默认配置，称其质量接近全精度。
交互式讲解：Embed 5 如何工作
Cohere Embed 5 讲解 | Marktechpost
Cohere Embed 5 · 交互式讲解 1 / 6
1. 嵌入模型实际做什么
文本输入，一串数字向量输出。随后搜索根据文档向量与查询向量的接近程度对文档排序。按下按钮观看运行过程。
查询
上季度净息差发生了什么变化？
嵌入并搜索 模型：embed-v5.0-pro · 1024 维
按余弦相似度排序的文档
随着存款成本上升，净息差收窄 12 个基点至 2.61%。0.00
在重新装上盖板之前，按星形顺序将安装螺栓拧紧至 45 Nm。0.00
员工每服务满一个月可累积 1.5 天带薪休假。0.00
文档来自 Cohere 的发布代码示例。此处的向量条和相似度分数仅作示意，并非真实模型输出。
2. 两个层级，一个嵌入空间
Pro 和 Fast 将向量写入同一空间。选择用哪个模型索引语料库，用哪个模型嵌入查询。质量经过归一化，因此 Pro 加 Pro 等于 100。
索引语料库使用
ProFast
嵌入查询使用
ProFast
Cohere 推荐的模式：用 Pro 索引，用 Fast 查询。
0 相对 nDCG@10
环形图放大到 90 到 100 区间，以便看到小差距。
文档吞吐量（每秒文档数，Cohere 测量）
Embed 5 Fast377.3
Embed 5 Pro159.7
每 1M 文本 token 价格：Pro $0.12，Fast $0.08。图像在两个层级上均为每 1M token $0.40。
3. 缩小向量，而非质量
Matryoshka 训练让你可以截断维度。更低精度的输出进一步削减字节。更改设置并观察存储变化。
输出维度
204815361024768512256
精度
float32int8binary
索引中的分块数：100,000,000
每个向量 8,192 B字节
819.2 GB原始向量存储
比 2048 float32 小 1x
存储 vs 2048 维 float32 基线100%
计算：维度 x 每个值的字节数（4、1 或 1/8）。Cohere 推荐 1024 维 int8 作为默认的最佳平衡点。Binary 会牺牲一些准确率，适合在重排序之前做第一轮筛选。
4. 它与竞争对手相比得分如何
Cohere 报告的均值，使用其新的 RCP-nDCG@10 指标。在独立测试结果出现之前，请将这些视为厂商数据。
ViDoRe V3Parsed PDFsFinance
来源：Cohere Embed 5 发布文章，2026 年 9 月 30 日。RCP-nDCG@10 对固定候选集重新排序，因此它反映的更多是重排序质量，而非第一阶段召回。
5. 一次输入能容纳多少
更长的上下文意味着长文件和小册子需要更少的分块。按播放以比较每次调用的最大输入长度。
比较上下文窗口
Cohere Embed 5 Pro / Fast128K tokens
Voyage 4 Large32,000 tokens
Gemini Embedding 28,192 tokens
OpenAI text-embedding-3-large8,191 tokens
限制取自各厂商的模型文档。128K 在条形比例中显示为 131,072 tokens。
6. 它可以部署吗？可以。选择一条路径。
两个层级均已正式可用。点击一条路径，看看它能为你提供什么。
Cohere APIManaged endpoint
Model VaultDedicated inference
Microsoft FoundryAzure catalog
Amazon SageMakerAWS Marketplace
Private VPC / on-premServed with vLLM
Cohere NorthBuilt-in retrieval
← 返回
下一页 →
由 Marktechpost 构建数据：Cohere blog · Cohere docs
Embed 5 与最接近的竞争对手
FeatureCohere Embed 5 ProCohere Embed 5 FastVoyage 4 LargeGemini Embedding 2OpenAI text-embedding-3-largeMax input128K tokens128K tokens32,000 tokens8,192 tokens8,191 tokensInput typesText, image, fused text + imageText, image, fused text + imageTextText, image, video, audio, PDFTextOutput dimensions256 to 2048 (6 sizes)256 to 2048 (6 sizes)256, 512, 1024, 2048128 to 3072Up to 3072 (shortenable)Output formatsfloat, int8, binaryfloat, int8, binaryfloat, int8, uint8, binary, ubinaryfloatfloatLanguages100+100+Multilingual (count not published)100+Multilingual (count not published)Shared space across tiersYes (with Fast)Yes (with Pro)Yes (Voyage 4 series)No sibling tierNo sibling tierPrice per 1M text tokens$0.12$0.08$0.12$0.20$0.13Private / self-hostedYes (VPC or on-prem via vLLM)Yes (VPC or on-prem via vLLM)Via AWS Marketplace model packageNo (Gemini API, Vertex AI)No (API only)ViDoRe V3 avg (Cohere-reported)85.884.583.783.275.5
来源：Cohere 博客、Cohere 文档、Voyage 文档、Google Gemini 文档、OpenAI 文档。核实于 2026 年 10 月 1 日。基准测试分数来自 Cohere，使用其 RCP-nDCG@10 指标。
关键要点
Embed 5 Pro 在 ViDoRe V3 上得分 85.8，领先于 Voyage 4 Large 和 Gemini Embedding 2。
Embed 5 Fast 每 100 万文本 token 收费 $0.08，文档吞吐量是 Pro 的 2.4 倍。
Pro 和 Fast 共享 1 个向量空间：用 Pro 建索引，用 Fast 查询，无需重新索引。
两个层级均支持 128K token 上下文、100+ 种语言和多模态输入。
256 维二进制向量仅占 32 字节，相比 2048 维 float32 缩减了 256 倍。
常见问题
什么是 Cohere Embed 5？Cohere 推出的多模态、多语言嵌入模型系列，于 2026 年 9 月 30 日发布，分为 Pro 和 Fast 两个层级。
Embed 5 的价格是多少？Pro 每 100 万文本 token 收费 $0.12，Fast 收费 $0.08。两个层级的图像均为每 100 万 token 收费 $0.40。
我可以混用 Pro 和 Fast 的嵌入吗？可以。只要两者使用相同的输出维度，它们就共享 1 个嵌入空间。
查看 X 上的技术细节、产品页面和公告。所有功劳都归于该项目的研究人员。另外，欢迎在 Twitter 上关注我们，别忘了加入我们拥有 15 万+ 成员的 ML SubReddit 并订阅我们的 Newsletter。等等！你在 Telegram 上吗？现在你也可以在 Telegram 上加入我们了。
需要与我们合作推广你的 GitHub Repo 或 Hugging Face Page 或产品发布或网络研讨会等？联系我们
文章 Cohere Releases Embed 5: How It Compares to Voyage 4 Large, Gemini Embedding 2, and OpenAI 首发于 MarkTechPost。