知识卡片：Cohere Embed 5——企业检索的前沿嵌入模型家族

一句话结论

来源材料称，Cohere 发布 Embed 5 嵌入模型家族，提供 Pro 与 Fast 两档、共享同一嵌入空间，主打多模态、多语言、128K 上下文和复杂企业文档检索，并以文本 $0.12/$0.08 每百万 token 的定价在多个平台提供。

事件概述或研究问题

• 材料标注日期为 2026 年 9 月 30 日，Cohere 发布 Embed 5，称其为“前沿企业检索”嵌入模型家族。
• 面向的问题：企业搜索、RAG、agentic workflows 需要更高质量检索；在复杂多模态、多语言、金融/解析 PDF 数据中提高相关性，同时控制延迟、成本和私有部署要求。
• Pro 定位：最高检索质量、离线索引、复杂企业语料。
• Fast 定位：延迟/成本敏感、高吞吐 RAG、agentic retrieval。
• 材料称 Embed 5 已 generally available today on Cohere API and Model Vault、Microsoft Foundry、Amazon SageMaker。

方法/产品要点

• 两档模型共享一个 embedding space；可用 Pro 建索引，再用 Pro 或 Fast 查询，无需重建索引。
• 输入：文本、图像、融合文本+图像；支持 100+ 语言；上下文长度 128K tokens。
• 输出维度：2048、1536、1024、768、512、256；输出格式：float、int8、binary；支持 Matryoshka embeddings；支持自托管。
• 定价：Pro 为 $0.12/1M tokens 文本、$0.40/1M tokens 图像；Fast 为 $0.08/1M tokens 文本、$0.40/1M tokens 图像。
• Fast 比 Pro 便宜约三分之一；材料称 Fast 在约 200 token 与约 1K token 上下文下，平均文档吞吐为 Pro 的 2.4×。
• 规模效率：Matryoshka 表示和低精度输出可降低向量存储与搜索成本；量化权重可降低私有部署的服务要求。
• 评测方法：材料称 Embed 5 是首个用 RCP-nDCG@10 评测的模型家族，按查询特定相关性标准评估检索文档，而非仅依赖有限固定标签。
• 共享空间验证：材料称在 40 个开发数据集上测试了文本、图像、融合、解析文档检索的语料/查询配对；跨模型组合与同模型基线接近的具体差距待核实。

主要结果或产业意义

• ViDoRe V3：Embed 5 Pro 平均 85.8，比 Embed 4 高 8.8；高于 Voyage 4 Large 83.7、Gemini Embedding 2 83.2、OpenAI text-embedding-3-large 75.5。Pro 在 8 个域中 5 个领先，并在 energy 上与 Voyage 4 Large 持平；相对 Embed 4 的最大提升在 HR +11.4、industrial +10.3。
• Fast 在 ViDoRe V3 平均 84.5，也高于 Gemini Embedding 2 和 Voyage 4 Large。材料还称 Fast 领先 Voyage 4 Nano 近 7 分，领先 Jina Embeddings v5 Text Small、Perplexity、Microsoft Harrier 0.6B 至少 10 分，并比约其一半大小的 Qwen3-VL-Embedding-2B 高约 20 分。
• 金融检索：Pro 在 FinanceBench 80.1、FinQA 90.0、ViDoRe V3 Finance 85.0；Fast 分别为 80.0、88.8、83.9。材料称 Pro 比下一个非 Cohere 竞品 Gemini Embedding 2 平均高 3.3 分，在 FinanceBench 比 OpenAI text-embedding-3-large 高 21.4 分。
• 解析 PDF：Pro 全套平均 84.8，高于 Voyage 4 Large 83.6、Fast 83.4、Gemini Embedding 2 80.8、Embed 4 78.6。解析文档套件覆盖服务文档、公司报告、SEC 文件、产品手册、隐私政策等。
• 多模态：融合文本-图像 Pro 平均 82.3，高于 Fast 81.2、Gemini 61.3；页面图像检索 Pro 平均 77.0，高于 Fast 73.2、Embed 4 71.1、Voyage Multimodal 3.5 70.1、Gemini 56.7。
• 多语言：德/法/西/意/俄平均 Pro 77，高于 Voyage 4 Large 76、Gemini 73；比 Embed 4 平均约高 7 分。材料称 Pro 相对 Embed 4 的较大提升包括 Farsi +13、Telugu +12、Hindi +12。
• 产业意义：Embed 5 被定位为搜索、RAG、agentic workflows 的检索基础，先用嵌入检索过滤噪音，再送入更昂贵的生成模型，以改善答案质量并控制下游推理成本。Pro/Fast 共享空间则允许团队在索引与查询路径上分别优化质量、延迟和成本。

为什么重要

• 企业 AI 竞争不只在生成模型：嵌入与检索决定进入生成模型的上下文质量、token 成本和 agent 可靠性。
• 多模态、多语言、金融与解析 PDF 是企业高价值但难处理的语料，Embed 5 直接针对这些场景。
• “一次索引、两种模型查询”可能改变企业 RAG 架构：索引阶段用高质量模型，查询阶段按延迟/成本切换。
• 与既有脉络的关系：已有卡片覆盖 AI 协作、AI 投资回报和机器人基础模型；本条补充企业 AI 堆栈中的检索/嵌入基础设施环节，并非对某张已有卡片的直接延续。

局限与不确定性

• 材料来自 Cohere 官方博客/产品发布，性能数字为厂商测试或引用公开基准；独立复现情况待核实。
• “highest average score of any model we tested”限于 Cohere 测试范围，不代表所有模型或所有任务。
• 竞品版本、完整评测配置、数据集构建与统计显著性待核实；材料称解析文档评测中的文档由 Gemini 1.5 Flash 解析。
• 多语言表中，部分语言并非 Embed 5 Pro 最高，例如 Japanese、Korean、Arabic、Bengali、Telugu、Thai 等显示 Gemini 或 Voyage/Jina 更高；选型需按目标语言和语料测试。
• 跨模型组合“接近同模型基线”的具体差距、实际平台可用性和价格稳定性待核实。
• 日期、一般可用性、地区与合同条款可能变化；商业化可用性待核实。

可用于图书/PPT/简报的角度

• 企业 AI 成本控制：检索层如何减少送入生成模型的无用上下文与 token 成本。
• 嵌入模型产品分层：Pro/Fast 共享空间，一次索引、按查询路径切换。
• 多模态企业文档检索：表格、图表、扫描页与 PDF 解析损失。
• 金融文档检索作为 benchmark 战场：FinanceBench、FinQA、ViDoRe V3 Finance。
• 私有部署与向量存储成本：Matryoshka、int8/binary、量化权重。
• 厂商 benchmark 解读：官方测试、公开基准与真实业务语料之间的差距。

原始材料

• 英文标题：Introducing Embed 5—A New Family of Frontier Embedding Models
• Fetched title：Cohere Embed 5: Frontier Embedding Models for Enterprise
• Fetched description：Cohere's Embed 5 delivers state-of-the-art retrieval across multimodal, multilingual, and financial documents - now available in Pro and Fast tiers.
• 英文关键词/标签：Product Launch, Company News
• Track/Topics：industry / ai-industry
• 来源：Cohere Blog，Cohere Team，Sep 30, 2026，7 minute read
• URL：https://cohere.com/blog/embed-5
• 备注：本卡片基于来源抓取片段整理；未独立验证全部数字与可用性。