Cohere 发布 Embed 5：与 Voyage 4 Large、Gemini Embedding 2 及 OpenAI 的对比

📌 One-Sentence Summary

Cohere 发布了 Embed 5，这是一个包含 Pro 和 Fast 版本的全新嵌入模型系列，专为搜索和智能体工作流设计，并在金融基准测试中表现卓越。

📝 Summary

Cohere 推出了最新的嵌入模型 Embed 5，提供两个版本：追求最高检索质量的 Pro 和追求低延迟、低成本的 Fast。两个模型均支持 128K 上下窗口、100 多种语言以及融合的文本图像输入。一项核心创新是 Pro 和 Fast 共享相同的向量空间，允许用户使用 Pro 进行索引并使用 Fast 进行查询，从而优化成本。这些模型利用俄罗斯俄斯矩阵表示学习（Matryoshka representation learning）允许灵活的输出维度（从 2048 到 256），显著降低了存储成本。Vividore V3 基准测试显示，Embed 5 Pro 优于竞争对手，特别是在金融相关数据集上。

💡 Main Points

Embed 5 了两个不同的版本：Pro 和 Fast。

Pro 专注于极致的检索质量，而 Fast 则针对低延迟和低成本进行了优化，两者均支持相同的输入模态。

相同的向量空间实现了混合成本策略。

用户可以使用高质量的 Pro 模型对数据索引，并使用更便宜、更快的 Fast 模型进行查询，无需重新嵌入。

支持俄罗斯俄斯矩阵表示学习减少了存储开销。

模型允许将向量从 2048 维截断至 256 维，且质量损失极小，将 1 亿个切数据块的存储需求从 819GB 降低至 3.2GB。

在金融和多语言基准测试中表现卓越。

Embed 5 Pro 在 ViDoRe V3 上得分为 85.8 分，超过了 Voyage 4 Large 和 Gemini Embedding 2，在 FinanceBench 和 FinQA 中具有特定主导地位。

💬 Key Quotes

Pro 针对最大检索质量。Fast 针对延迟和成本。

Pro 和 Fast 共享相同的嵌入空间：使用 Pro 索引并使用 Fast 查询。

Embed 5 使用了俄罗斯俄斯矩阵表示学习加上低精度输出。

金融领域是表现最强的地方。

📊 Article Meta

AI Screening： 85

Source： MarkTechPost

Author： Sana Hassan

Category： 人工智能

Language： 英文

Read Time： 6 min

Word Count： 1463

Tags：

Cohere , Embeddings , RAG , Machine Learning , LLM