Назад к моделям

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.

Cohere Embed v4 (embed-v4.0) — первая производственная мультимодальная модель эмбеддингов от Cohere, выпущенная 15 апреля 2025 года. Через TheRouter модель преобразует текст и изображения в общее векторное пространство; каждый элемент даёт отдельный вектор. Совмещённый ввод и PDF не поддерживаются. 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. В TheRouter модель доступна как cohere/embed-v4; для изображений используется расширение image_url, показанное ниже.

Когда выбирать
  • • Визуальный поиск по страницам документов, предварительно преобразованным в изображения; каждая страница — отдельный ввод
  • • 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
8K
Максимальный вывод
--
Цена Входза 1M токенов
$0.1296за 1 млн токенов
Цена Image inputза 1M токенов
$0.470за 1 млн токенов

Модальности

ТекстИзображение→embedding

Возможности

Зрение

Разбивка цен

ТипСтавка
Вход$0.1296 за 1 млн токенов
Image input$0.470 за 1 млн токенов

Image input: TheRouter platform price $0.47 per million image tokens, based on Cohere's historical rate; no additional margin applies to this image rate.

Поддерживаемые параметры

input_typedimensions

Характеристики

Дата релиза2025-04-15Cohere Blog ↗проверено
Размерность выхода256, 512, 1024, 1536 (по умолчанию)docs.cohere.com ↗проверено
Длина контекста128 000 токеновdocs.cohere.com ↗проверено
Мультимодальный вводТекст и изображения как отдельные элементыdocs.cohere.com ↗проверено
Поддерживаемые языки (текст)100+docs.cohere.com ↗проверено
Язык ввода изображенийТолько английскийdocs.oracle.com ↗проверено
Дата отсечения данныхНе раскрытонеизвестно
Matryoshka-эмбеддингиДа (4 размерности)docs.cohere.com ↗проверено

Бенчмарки

BenchmarkDistributionScoreSource
MTEB (Massive Text Embedding Benchmark)
Чисто текстовый результат; мультимодальные возможности не отражены в стандартном MTEB
65.2scoreAilog 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/embeddings   -H "Content-Type: application/json"   -H "Authorization: Bearer $THE_ROUTER_API_KEY"   -d '{"model":"cohere/embed-v4","input":["A sample document"]}'

Гид по API

Запрос эмбеддинга

Создавайте векторы текста и изображений. Для изображения используйте объект image_url, не строку URL; каждый элемент возвращает отдельный вектор. Цена платформы: $0.47 за миллион токенов изображения.

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": [{ "type": "image_url", "image_url": { "url": "https://httpbin.org/image/png" } }],
    "input_type": "search_document",
    "dimensions": 256
  }'

Ещё от cohere

cohere/command-a

Нет в текущем каталоге; описание сохранено как историческое.

Флагманская текстовая модель Cohere; используйте вместе с Embed v4 для RAG-пайплайнов.

Открыть актуальный каталог
cohere/command-r-plus

Нет в текущем каталоге; описание сохранено как историческое.

Enterprise-модель рассуждений; дополняет Embed v4 для сложного пост-ретривального синтеза.

Открыть актуальный каталог

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

Нет в текущем каталоге; описание сохранено как историческое.

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

Открыть актуальный каталог
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
источникURLполучено
Дата релизаCohere Blog ↗2026-05-25проверено
Размерность выходаdocs.cohere.com ↗2026-05-25проверено
Длина контекстаdocs.cohere.com ↗2026-05-25проверено
Мультимодальный вводdocs.cohere.com ↗2026-05-25проверено
Поддерживаемые языки (текст)docs.cohere.com ↗2026-05-25проверено
Язык ввода изображенийdocs.oracle.com ↗2026-05-25проверено
Дата отсечения данных——неизвестно
Matryoshka-эмбеддингиdocs.cohere.com ↗2026-05-25проверено
MTEB (Massive Text Embedding Benchmark)Ailog RAG benchmark summary ↗2026-05-25к проверке
Помощь и контакты