В официальном сообщении Embed 5 описана как новая семья моделей для retrieval, то есть для поиска и извлечения релевантных материалов. Такой слой часто используют перед генеративной моделью: сначала система находит подходящие документы, а уже затем передает их дальше как контекст. Для Embed 5 Pro заявлена оптимизация под максимальное качество в нескольких типах данных: мультимодальные материалы, многоязычные документы, финансовые тексты, код и parsed-document retrieval. Parsed documents в данном контексте можно понимать как документы, уже разобранные на структуру, например PDF с извлеченным содержимым и элементами макета. Отдельно источник говорит о поиске, RAG и agentic workflows. RAG: это подход, при котором модель отвечает с опорой на найденные материалы, а не только на свои внутренние знания.
Контекст и работа с памятью
Важная практическая деталь семейства Embed 5: версии Pro и Fast используют единое embedding-пространство. Это означает, что представления, созданные разными версиями, совместимы внутри одного индекса. В официальном описании приведен сценарий: команда может индексировать данные с Pro, а запросы выполнять с любой из моделей без перестроения индекса. Для читателя это проще представить так: база смысловых отпечатков документов остается той же, а способ обращения к ней можно выбирать в зависимости от задачи. Источник связывает это с контролем над задержкой, стоимостью и развертыванием. При этом в релизе нет отдельных подтвержденных данных о размере контекста, лимитах входа, лицензии или региональной доступности, поэтому эти параметры нельзя выводить из названия модели или общей практики рынка.
Мультимодальность и обучение
Embed 5 Pro выделяют для работы с визуально насыщенными документами, где смысл находится не только в тексте. В источнике прямо названы таблицы, графики, диаграммы и макет страницы. Это важно для финансовой отчетности, технических руководств, регуляторных материалов, государственных отчетов, учебников и лекций: такие типы документов перечислены в описании набора ViDoRe V3. Cohere приводит измеренный результат Embed 5 Pro на ViDoRe V3: среднее значение 85.8, на 8.8 больше, чем у Embed 4. Также указано, что Pro опережает Voyage 4 Large, Gemini Embedding 2 и OpenAI text-embedding-3-large в приведенной таблице результатов. Эти цифры относятся к опубликованным бенчмаркам и не означают автоматического превосходства в каждом частном наборе данных.
Доступ и ограничения модели
Семейство Embed 5 заявлено как generally available в версиях Pro и Fast. В официальном источнике перечислены каналы доступа: Cohere API и Model Vault, Microsoft Foundry и Amazon SageMaker. Для Pro указана цена $0.12 за миллион токенов, для Fast в той же строке приведено $0.08 за миллион токенов. В карточке этой версии важно не смешивать эти тарифы: цена Pro относится именно к Pro. Из ограничений в источнике нет подтвержденных числовых лимитов, поэтому их нельзя добавлять. Также нет подтвержденных сведений о русском языке как отдельной возможности. Практический вывод такой: Embed 5 Pro стоит рассматривать для поиска по сложным корпоративным данным, финансовым документам, коду и изображениям, но проверку на собственном корпусе все равно придется проводить отдельно.
Источники
Вопросы и ответы
Чем Embed 5 Pro отличается от Embed 5 Fast?
В источнике сказано, что Pro оптимизирована для максимального качества retrieval, а Fast предназначена для задач, чувствительных к задержке и стоимости. Обе версии используют единое embedding-пространство.
