Cohere Embed V4

coherecohere/embed-v4

Multilingual multimodal embedding model capable of transforming images, texts, and interleaved content into vector representations. State-of-the-art performance with byte/binary quantization and matryoshka embeddings for compression.

Официальная карточка модели ↗Анонс релиза ↗Блог Cohere ↗Доступность в Amazon Bedrock ↗

Cohere Embed v4 (embed-v4.0) — первая производственная мультимодальная модель эмбеддингов от Cohere, выпущенная 15 апреля 2025 года. Она нативно преобразует текст, изображения и чередующиеся документы (PDF, презентации, финансовые отчёты) в единое векторное пространство без отдельной предобработки. Модель поддерживает Matryoshka-эмбеддинги в четырёх размерностях (256, 512, 1024, по умолчанию 1536) и контекст 128k токенов — в 256 раз длиннее, чем у V3.

Embed v4 дообучена под enterprise-домены (финансы, здравоохранение, производство) и показывает SOTA на задачах text-to-text, text-to-image и text-to-mixed-modality retrieval. Поддерживает более 100 языков для текста и доступна на Cohere Platform, AWS Bedrock (с октября 2025), SageMaker, Azure AI Foundry и Oracle OCI. TheRouter экспонирует её под стабильным slug cohere/embed-v4 с полностью совместимым OpenAI embeddings синтаксисом.

Когда выбирать

• Мультимодальный RAG по бизнес-документам (PDF, слайды, отсканированные отчёты) с текстом, таблицами и диаграммами без ручного чанкинга или OCR
• Кросс-языковой семантический поиск по 100+ языкам в одном индексе; идеально для глобальных баз знаний и архивов поддержки
• Отраслевой поиск (финансы, здравоохранение, производство), где доменные эмбеддинги превосходят общие модели на специализированной терминологии
• Экономичное векторное хранилище с Matryoshka-размерностями — снижение с 1536 → 256 сокращает объём хранения ~83% при сохранении качества поиска

Когда не выбирать

• Чисто кодовый или математический поиск — специализированные модели кодовых эмбеддингов (Qwen text-embedding-v4, OpenAI text-embedding-3-large) всё ещё сильнее на кодовой семантике
• Масштабный real-time поиск только по изображениям — модели, обученные исключительно на зрении (CLIP, SigLIP), могут дать выше пропускную способность для image-only нагрузок
• On-premise / air-gapped деплои — Embed v4 доступна только через управляемые облачные эндпоинты (Cohere, AWS, Azure, OCI)

Размер контекста

Максимальный вывод

Цена Входза 1M токенов

$0.1296за 1 млн токенов

Модальности

ТекстИзображение→embedding

Возможности

Зрение

Разбивка цен

Тип	Ставка
Вход	$0.1296 за 1 млн токенов

Поддерживаемые параметры

input_typedimensionstruncate

Характеристики

Дата релиза	2025-04-15Cohere Blog ↗	проверено
Размерность выхода	256, 512, 1024, 1536 (по умолчанию)docs.cohere.com ↗	проверено
Длина контекста	128 000 токеновdocs.cohere.com ↗	проверено
Мультимодальный ввод	Текст + изображение + чередующиеся документы (PDF, слайды)docs.cohere.com ↗	проверено
Поддерживаемые языки (текст)	100+docs.cohere.com ↗	проверено
Язык ввода изображений	Только английскийdocs.oracle.com ↗	проверено
Дата отсечения данных	Не раскрыто	неизвестно
Matryoshka-эмбеддинги	Да (4 размерности)docs.cohere.com ↗	проверено

Бенчмарки

Benchmark	Distribution	Score	Source
MTEB (Massive Text Embedding Benchmark) Чисто текстовый результат; мультимодальные возможности не отражены в стандартном MTEB		65.2score	Ailog RAG benchmark summary ↗

Примеры API

Для новых интеграций используйте глобальный endpoint api.therouter.ai из примеров ниже; старый China accelerated endpoint выведен из эксплуатации.

cURL

curl https://api.therouter.ai/v1/chat/completions   -H "Content-Type: application/json"   -H "Authorization: Bearer $THE_ROUTER_API_KEY"   -d '{
    "model": "cohere/embed-v4",
    "messages": [
      {"role": "user", "content": "Summarize the key points from this input."}
    ]
  }'

Гид по API

Запрос эмбеддинга

Генерация эмбеддингов для текста, изображения или смешанного ввода. TheRouter прозрачно маршрутизирует в Cohere с полностью совместимым OpenAI синтаксисом.

cURL

curl https://api.therouter.ai/v1/embeddings \
  -H "Authorization: Bearer $THEROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "cohere/embed-v4",
    "input": ["Your text or image URL here"],
    "dimensions": 1024,
    "encoding_format": "float"
  }'

Ещё от cohere

cohere/command-aФлагманская текстовая модель Cohere; используйте вместе с Embed v4 для RAG-пайплайнов.cohere/command-r-plusEnterprise-модель рассуждений; дополняет Embed v4 для сложного пост-ретривального синтеза.

Похожие модели

Аналоги в других провайдерах

amazon/titan-embed-v2

AWS-native текстовые эмбеддинги с настраиваемыми размерностями (256-1024); ниже максимальная размерность и только текст.

openai/text-embedding-3-large

Самая сильная универсальная модель эмбеддингов OpenAI; 3072 размерности, только текст, хорошая мультиязычность, но без нативной поддержки изображений.

qwen/text-embedding-v4

Новейшая модель эмбеддингов Alibaba с сильными результатами на коде и математике; только текст, контекст 8K.

Реестр фактов — каждая утверждаемая величина имеет источник

источник	URL	получено
Дата релиза	Cohere Blog ↗	2026-05-25	проверено
Размерность выхода	docs.cohere.com ↗	2026-05-25	проверено
Длина контекста	docs.cohere.com ↗	2026-05-25	проверено
Мультимодальный ввод	docs.cohere.com ↗	2026-05-25	проверено
Поддерживаемые языки (текст)	docs.cohere.com ↗	2026-05-25	проверено
Язык ввода изображений	docs.oracle.com ↗	2026-05-25	проверено
Дата отсечения данных	—	—	неизвестно
Matryoshka-эмбеддинги	docs.cohere.com ↗	2026-05-25	проверено
MTEB (Massive Text Embedding Benchmark)	Ailog RAG benchmark summary ↗	2026-05-25	к проверке