Embed 5 Fast
нейросеть
Embed 5 Fast — мультимодальная модель эмбеддингов Cohere для семантического поиска и RAG.
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 128 000 токенов
- Размерность вектора
- 2 048
Стоимость промпта
(за 1M токенов)
Как работает Embed 5 Fast?
Embed 5 Fast — младший по задержке и стоимости вариант семейства Embed 5 от Cohere: мультимодальная модель примерно на 1 млрд параметров, которая переводит текст, изображения и смешанные фрагменты в общее векторное пространство. В BotHub модель открывается по единому OpenAI-совместимому API: доступ без VPN и зарубежной карты, оплата в рублях по факту расхода, более 250 моделей в одном окне, шифрование AES-GCM без хранения данных, для компаний — договор, счёт и ЭДО. Сценарии: семантический поиск по документации, RAG поверх базы знаний, кластеризация и дедупликация обращений, мультимодальный поиск по изображениям, выгрузка векторов в Qdrant и pgvector.Частые вопросы о Embed 5 Fast
Вы можете использовать результаты генерации в коммерческих целях. Все права на созданный контент принадлежат вам. Единственное ограничение: убедитесь, что в запросе не использовались защищённые авторским правом материалы третьих сторон. Ответственность за соблюдение прав на входные данные лежит на пользователе.
embed-5-fast — модель эмбеддингов: она превращает текст в вектор, с которым работают семантический поиск, RAG и кластеризация. Её удобно ставить в поиск по базе знаний, подбор похожих документов и дедупликацию. Контекст — до 128 000 токенов, поэтому в один фрагмент помещаются длинные тексты.
Модель не генерирует текст, картинки или файлы — её результат это векторное представление входного текста, который вы сохраняете в векторной базе. Формат ответа — числовой вектор: его удобно класть в Qdrant, pgvector или другую векторную БД. Контекст — 128 000 токенов.
Рассуждения перед ответом у embed-5-fast в наших данных не отмечены, и это ожидаемо: модель не ведёт диалог и не выдаёт объяснений. Её задача — сразу вернуть вектор для входного текста. Цепочки рассуждений и пошаговые объяснения стоит запрашивать у текстовых моделей, а результат уже индексировать этим эмбеддером.
Вызов функций и структурированный вывод JSON в наших данных не отмечены. Это не чат-модель: на вход она принимает текст, а на выходе даёт векторное представление, а не сообщение в формате JSON. Если нужны вызов функций и строгий JSON, такую работу лучше поручить текстовой модели, а эмбеддинги использовать для поиска.
Приём изображений, аудио и видео у embed-5-fast в наших данных не отмечен: модель работает с текстом, и вектор строится из текстового фрагмента. Картинки и записи придётся сначала превратить в текст или описание, а затем отправить на векторизацию. Подробности о поддерживаемых типах входа уточняйте в документации.
Отдельных данных о качестве работы на русском языке у нас нет, поэтому обещать что-то конкретное не будем. Проверить это просто: возьмите свои пары «запрос — документ», постройте векторы и посмотрите, находит ли поиск нужное. Для смешанных коллекций тестируйте каждый язык отдельно.