В официальном релизе Embed 5 описана как новая семья embedding-моделей для enterprise retrieval. Retrieval здесь означает поиск и отбор нужных материалов из большого набора документов перед тем, как их использует другая система или человек. Для Embed 5 Fast отдельно указано, что она рассчитана на workloads, чувствительные к задержке и стоимости. Иными словами, это вариант для случаев, где важно быстрее и дешевле выполнять запросы, не перестраивая всю схему работы вокруг другой модели. В релизе также сказано, что Embed 5 помогает строить основу для поиска, RAG и agentic workflows. RAG: подход, при котором модель сначала получает релевантные фрагменты из базы знаний, а затем использует их при ответе. Agentic workflows: процессы, где система выполняет несколько шагов и подбирает контекст по ходу работы.
Контекст и работа с памятью
Ключевая практическая деталь для Embed 5 Fast: обе версии, Pro и Fast, используют единое embedding-пространство. Embedding-пространство можно представить как карту смыслов, где похожие документы и запросы оказываются ближе друг к другу. Официальный источник поясняет, что команды могут индексировать данные с помощью Pro и выполнять запросы через любую из двух моделей без перестроения индекса. Индекс в этом контексте: подготовленная структура для быстрого поиска по векторам. Это не обещание совместимости со всеми внешними системами, а конкретное свойство семейства Embed 5 из релиза. Такой подход полезен, когда команда хочет по-разному выбирать модель для этапа подготовки данных и этапа запроса, сохраняя общий поиск по уже созданному индексу.
Мультимодальность и обучение
Embed 5 в релизе описана как семья моделей для поиска по мультимодальным, многоязычным и финансовым документам. Мультимодальность здесь означает работу не только с обычным текстом, но и с документами, где смысл находится в таблицах, графиках, диаграммах и разметке страницы. Источник отдельно говорит, что Embed 5 хорошо работает с visually rich documents, где важна не только строка текста, но и структура материала. Для оценки упоминается ViDoRe V3: набор документов из корпоративных областей, включая финансовую отчетность, технические руководства, нормативные материалы, государственные отчеты, учебники и лекции. В релизе также приведены финансовые тесты FinanceBench, FinQA и ViDoRe V3 Finance, где Fast указана второй после Pro.
Доступ и ограничения модели
Для доступа официальный источник называет Cohere API и Model Vault, Microsoft Foundry и Amazon SageMaker. Там же указана цена для Fast: $0.08 за миллион токенов. Для Pro в релизе дана другая строка цены, но она не относится к Fast. Измеренные результаты тоже нужно читать аккуратно: в ViDoRe V3 для Fast приведено среднее значение 84.5, а также сказано, что оно выше результатов Gemini Embedding 2 и Voyage 4 Large в указанном сравнении. Для Pro приводятся другие числа и более широкие заявления о лидерстве. Эти данные не означают универсального превосходства Fast во всех задачах. В источнике нет подтвержденных сведений о русском языке как отдельной характеристике, региональной доступности, лицензии open source или ограничениях контекста для Embed 5 Fast.
Источники
Вопросы и ответы
Чем Embed 5 Fast отличается от Embed 5 Pro?
По релизу Fast ориентирована на нагрузки, чувствительные к задержке и стоимости, а Pro оптимизирована на максимальное качество. Обе версии используют одно embedding-пространство.
