Cohere lanza Embed 5: cómo se compara con Voyage 4 Large, Gemini Embedding 2 y OpenAI

Cohere ha lanzado Embed 5, una nueva familia de modelos de integración. Está dirigido a búsqueda empresarial, RAG y recuperación de agentes. La familia de modelos se envía en 2 niveles. Embed 5 Pro apunta a la máxima calidad de recuperación. Incorpore 5 objetivos rápidos de latencia y costo en la ruta de consulta en vivo. Ambos aceptan texto, imágenes y texto fusionado más entradas de imágenes. Ambos cubren más de 100 idiomas y leen hasta 128.000 tokens. La elección de diseño clave: Pro y Fast comparten 1 espacio de inserción. Puede indexar con uno y consultar con el otro.

¿Se puede implementar hoy? Sí, ambos niveles generalmente están disponibles en Cohere API y Model Vault, Microsoft Foundry y Amazon SageMaker. La VPC privada o el servicio local se ejecuta a través de vLLM.

Lo que Cohere envió

Los ID del modelo API son embed-v5.0-pro y embed-v5.0-fast, según los documentos del modelo de Cohere. Ambos generan 2048, 1536, 1024, 768, 512 o 256 dimensiones, con 2048 como valor predeterminado. Las incrustaciones regresan como flotante, int8 o binaria. Pro cuesta $0,12 por cada millón de tokens de texto. Rápido cuesta $0,08. Las entradas de imágenes cuestan $0,40 por 1 millón de tokens en ambos.

Embed 5 puede incrustar una imagen de página directamente. También puede fusionar una imagen con sus metadatos en un solo vector. Esto es importante para páginas escaneadas, presentaciones de diapositivas, esquemas y gráficos, donde la extracción de texto arroja información.

Pro y rápido: un índice, dos rutas de consulta

Cohere probó cada corpus y emparejamiento de consultas en 40 conjuntos de datos de desarrollo. Normalizado a Pro más Pro en 100, un índice Pro consultado con Fast obtuvo una puntuación de 98,4. Una configuración totalmente rápida obtuvo una puntuación de 96,6. El patrón recomendado por Cohere es indexar con Pro y realizar consultas con Fast. Una restricción: ambos lados deben usar la misma dimensión de salida.

La división apunta a cargas de trabajo agentes. Un agente puede realizar docenas de búsquedas por tarea y consultar compuestos de latencia. El equipo de Cohere informa que Fast procesó 377,3 documentos por segundo frente a 159,7 de Pro.

Puntos de referencia

En ViDoRe V3, Embed 5 Pro promedia 85,8, una ganancia de 8,8 puntos sobre Embed 4. Fast promedia 84,5. Voyage 4 Large obtiene una puntuación de 83,7, Gemini Embedding 2 obtiene una puntuación de 83,2 y OpenAI text-embedding-3-large obtiene una puntuación de 75,5. En la suite PDF analizada de Cohere, Pro lidera con 84,8 frente a Voyage 4 Large con 83,6.

Las finanzas son el resultado más fuerte. Pro ocupa el primer lugar en FinanceBench (80.1), FinQA (90.0) y ViDoRe V3 Finance (85.0). Fast ocupa el segundo lugar en los 3.

Los resultados multilingües son mixtos. Pro lidera la media de idiomas europeos con 77. Sin embargo, Gemini Embedding 2 supera a Pro en 9 de 10 idiomas adicionales en la propia tabla de resultados de Cohere. Entre ellos se incluyen el japonés, el árabe, el hindi y el telugu.

Una cosa importante a tener en cuenta. La mayoría de los números utilizan RCP-nDCG@10, una nueva métrica de Cohere. Reordena un conjunto de candidatos fijo, por lo que mide la calidad de la reclasificación más que la recuperación de la primera etapa. Cohere publicó el código de evaluación, pero la replicación independiente aún está pendiente.

Costos de almacenamiento a escala

Embed 5 utiliza el aprendizaje de representación de Matryoshka más resultados de menor precisión. Un vector float32 de 2048 atenuaciones necesita 8 KB. Un vector int8 de 1024 dimensiones necesita 1 KB. Un vector binario de 256 dimensiones necesita 32 bytes. En fragmentos de 100 millones, el almacenamiento sin formato cae de aproximadamente 819 GB a 3,2 GB. Cohere recomienda 1024-dim int8 como valor predeterminado, citando una calidad de precisión casi total.

Explicador interactivo: cómo funciona Embed 5

Cohere Insertar 5 Explicación | Marktechpost

Cohere Embed 5 · Explicador interactivo1/6

1. Qué hace realmente un modelo de incrustación

Entra texto, sale un vector de números. Luego, la búsqueda clasifica los documentos según la cercanía de sus vectores al vector de consulta. Presione el botón para verlo funcionar.

Consulta

¿Qué pasó con el margen de interés neto el último trimestre?

Insertar y buscarModelo: embed-v5.0-pro · 1024 atenuaciones

Documentos clasificados por similitud de coseno

El margen de interés neto se redujo 12 puntos básicos hasta el 2,61% a medida que aumentaron los costes de los depósitos.0.00

Apriete los pernos de montaje a 45 Nm en forma de estrella antes de volver a colocar la cubierta.0.00

Los empleados acumulan 1,5 días de licencia remunerada por cada mes de servicio.0.00

Los documentos provienen del ejemplo de código de lanzamiento de Cohere. Las barras vectoriales y las puntuaciones de similitud aquí son ilustrativas, no resultados del modelo real.

2. Dos niveles, un espacio para empotrar

Pro y Fast escriben vectores en el mismo espacio. Elija qué modelo indexa el corpus y cuál incorpora la consulta. La calidad está normalizada, por lo que Pro más Pro equivale a 100.

Corpus índice con

ProFast

Insertar consultas con

ProFast

Patrón recomendado por Cohere: indexar con Pro, consultar con Fast.

El anillo se amplió al rango de 90 a 100 para que los pequeños espacios sean visibles.

Rendimiento de documentos (docs por segundo, medido por Cohere)

Precio por 1 millón de tokens de texto: Pro $0,12, Rápido $0,08. Las imágenes cuestan $0,40 por 1 millón de tokens en ambos niveles.

3. Reducir el vector, no la calidad

El entrenamiento de Matryoshka te permite truncar dimensiones. Las salidas de menor precisión reducen aún más los bytes. Cambie la configuración y observe cómo se mueve el almacenamiento.

Dimensiones de salida

204815361024768512256

Precisión

flotador32int8binario

Fragmentos en su índice: 100.000.000

8.192 Bbytes por vector

819,2 GB de almacenamiento vectorial sin formato

1xmenor que 2048 float32

Almacenamiento frente a la línea base float32 de 2048 tenues100%

Matemáticas: atenúa x bytes por valor (4, 1 o 1/8). Cohere recomienda 1024-dim int8 como punto óptimo predeterminado. Binario intercambia cierta precisión y se adapta a una primera pasada antes de reclasificar.

4. Cómo puntúa ante los rivales

Promedios informados por Cohere utilizando su nueva métrica RCP-nDCG@10. Trátelos como números de proveedores hasta que lleguen las ejecuciones independientes.

ViDoRe V3PDF analizadosFinanzas

Fuente: publicación de lanzamiento de Cohere Embed 5, 30 de septiembre de 2026. RCP-nDCG@10 reordena un conjunto de candidatos fijo, por lo que refleja la calidad de la reclasificación más que la recuperación de la primera etapa.

5. ¿Cuánto cabe en una entrada?

Un contexto más largo significa menos fragmentos para archivos y manuales extensos. Presione reproducir para comparar la duración máxima de entrada por llamada.

Comparar ventanas de contexto

Cohere Embed 5 Pro / Rápido128K fichas

Viaje 4 grande32.000 fichas

Incrustación de Géminis 28.192 fichas

Incrustación de texto OpenAI-3-grande8.191 fichas

Límites tomados de los documentos modelo de cada proveedor. 128K se muestra como 131,072 tokens para la escala de barras.

6. ¿Es desplegable? Sí. Elige una ruta.

Ambos niveles están generalmente disponibles. Toca una ruta para ver qué te ofrece.

Cohere APIPunto final administrado Bóveda de modeloInferencia dedicada Microsoft FoundryCatálogo de Azure Amazon SageMakerAWS Marketplace VPC privada/localServido con vLLM Cohere NorthRecuperación integrada

Incrustar 5 frente a los competidores más cercanos

CaracterísticaCohere Embed 5 ProCohere Embed 5 FastVoyage 4 LargeGemini Embedding 2OpenAI text-embedding-3-largeEntrada máxima128K tokens128K tokens32,000 tokens8,192 tokens8,191 tokensTipos de entradaTexto, imagen, texto fusionado + imagenTexto, imagen, texto fusionado + imagenTextTextTexto, imagen, video, audio, PDFTextDimensiones de salida256 a 2048 (6 tamaños)256 a 2048 (6 tamaños)256, 512, 1024, 2048128 a 3072Hasta 3072 (acortable)Formatos de salidafloat, int8, binariofloat, int8, binariofloat, int8, uint8, binario, ubinaryfloatfloatIdiomas100+100+Multilingüe (recuento no publicado)100+Multilingüe (recuento no publicado)Espacio compartido entre nivelesSí (con Fast)Sí (con Pro)Sí (serie Voyage 4)Sin nivel hermanoSin nivel hermanoPrecio por 1 millón de tokens de texto$0,12$0,08$0,12$0,20$0,13Privado/autohospedadoSí (VPC o local a través de vLLM)Sí (VPC o local a través vLLM)A través del paquete de modelo de AWS MarketplaceNo (API Gemini, Vertex AI)No (solo API)Promedio de ViDoRe V3 (informado por Cohere)85.884.583.783.275.5

Fuentes: blog de Cohere, documentos de Cohere, documentos de Voyage, documentos de Google Gemini, documentos de OpenAI. Verificado el 1 de octubre de 2026. Las puntuaciones de referencia provienen de Cohere y utilizan su métrica RCP-nDCG@10.

Conclusiones clave

Embed 5 Pro obtiene una puntuación de 85,8 en ViDoRe V3, por delante de Voyage 4 Large y Gemini Embedding 2. Embed 5 Fast cuesta $0,08 por 1 millón de tokens de texto y ejecuta 2,4 veces el rendimiento de documentos de Pro. Pro y Fast comparten 1 espacio vectorial: indexar con Pro, consultar con Fast, sin volver a indexar. Contexto de 128.000 tokens, más de 100 idiomas y entradas multimodales en ambos niveles. Los vectores binarios de 256 atenuaciones ocupan 32 bytes, un corte de 256x frente a un float32 de 2048 atenuaciones.

Preguntas frecuentes

¿Qué es Cohere Embed 5? Una familia de modelos de integración multimodal y multilingüe de Cohere, lanzada el 30 de septiembre de 2026 en los niveles Pro y Fast. ¿Cuánto cuesta Insertar 5? Pro cuesta $0,12 y Fast cuesta $0,08 por 1 millón de tokens de texto. Las imágenes cuestan $0,40 por 1 millón de tokens en ambos. ¿Puedo mezclar incrustaciones Pro y Fast? Sí. Comparten 1 espacio de incrustación, siempre que ambos utilicen la misma dimensión de salida.

Consulte los detalles técnicos, la página del producto y el anuncio en X. Todo el crédito va al investigador de este proyecto. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 150.000 ml y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.

¿Necesita asociarse con nosotros para promocionar su repositorio de GitHub O su página principal de Hugging O su lanzamiento de producto O seminario web, etc.? Conéctate con nosotros

A Sana Hassan, pasante de consultoría en Marktechpost y estudiante de doble titulación en IIT Madras, le apasiona aplicar la tecnología y la inteligencia artificial para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.