Cohere 发布 Embed 5 嵌入模型家族：Pro 与 Fast 双版本，共享索引空间

Embed 5 是什么？谁发布的？

2026 年 9 月 30 日，Cohere 公司发布了一个新的嵌入模型家族，名字叫 Embed 5。嵌入模型就像给文字和图片做“意思翻译”的工具，把一段话或一张图变成一串数字，让电脑能比较它们的意思像不像。Embed 5 是闭源商业服务，不是开源模型，官方没有提供权重下载。

它有两个版本：Pro 和 Fast。Pro 追求最高质量，适合离线建索引和复杂企业文档；Fast 追求速度和成本，适合实时搜索和高并发场景。两个版本共享同一个嵌入空间，意思是你可以用 Pro 建好索引，再用 Fast 或 Pro 去查询，不用重新建索引。这就像图书馆用同一种标签规则，换一个更快的管理员也能找到同样的书。

为什么嵌入模型对企业搜索很重要？

企业里有大量文档：合同、财报、产品手册、扫描件、幻灯片。传统搜索只能按关键词匹配，比如搜“收入”只能找到包含“收入”两个字的段落。嵌入模型能理解意思，搜“公司赚了多少钱”也能找到写着“净利润增长”的段落。Embed 5 就是专门为这种企业检索设计的。

它还能处理图片和文字混合的文档。比如一张财报截图里，表格和图表都有信息，Embed 5 可以直接把整页图片变成向量，或者把图片和它的说明文字合成一个向量。这样，即使文字提取丢掉了表格结构，搜索仍然能找到正确内容。官方测试显示，Embed 5 Pro 在视觉丰富文档上的平均分是 85.8，比上一代 Embed 4 提高了 8.8 分。

Pro 和 Fast 两个版本有什么区别？

Pro 版本适合对质量要求最高的任务，比如离线索引整个企业知识库、处理复杂的财务文件。Fast 版本适合对延迟和成本敏感的任务，比如用户实时搜索、高并发 RAG 和智能体检索。两个版本都支持 128K token 的上下文窗口，能一次处理很长的文档；都支持 100 多种语言；输出维度都可以选择 2048、1536、1024、768、512 或 256。

价格方面，Pro 是每百万 token 0.12 美元，Fast 是每百万 token 0.08 美元。官方原文没有说明免费额度或试用政策。两个版本都支持自托管，但具体部署条件官方未详细说明。输出格式支持 float、int8 和 binary，还支持 Matryoshka 表示，可以灵活截断向量长度来节省存储和搜索成本。

它在哪些测试中表现好？

官方用 ViDoRe V3 测试了八个视觉丰富文档领域，包括财务文件、技术手册、监管材料、政府报告、教科书和讲座。Embed 5 Pro 平均分 85.8，领先 Voyage 4 Large 的 83.7、Gemini Embedding 2 的 83.2 和 OpenAI text-embedding-3-large 的 75.5。在财务文档检索上，Pro 在 FinanceBench 得 80.1，Fast 得 80.0；在 FinQA 上 Pro 得 90.0，Fast 得 88.8。

在解析后的 PDF 文档检索上，Pro 平均分 84.8，Fast 是 83.4，都高于 Embed 4 的 78.6。在融合文本-图像检索上，Pro 平均分 82.3，Fast 是 81.2，而 Gemini Embedding 2 是 61.3。这些数字说明 Embed 5 在处理复杂企业文档时比上一代和部分竞品更强。不过，官方没有公布所有测试数据集的完整细节，也没有说明测试是否覆盖所有语言。

怎么使用 Embed 5？

Embed 5 已经在 Cohere API、Model Vault、Microsoft Foundry 和 Amazon SageMaker 上正式可用。开发者可以通过 Cohere API 调用，也可以在企业自己的云环境中通过 Model Vault 或 SageMaker 部署。官方原文没有说明具体的 API 调用示例、SDK 支持情况或免费试用额度。

使用流程大致是：先把文档（文字或图片）传给模型，得到向量；然后把向量存进向量数据库；查询时把问题也变成向量，在数据库里找最接近的向量。因为 Pro 和 Fast 共享嵌入空间，你可以用 Pro 建索引，用 Fast 查询来省钱，或者用 Pro 查询来追求最高质量。官方没有说明索引迁移是否需要额外步骤。

它适合谁？有什么限制？

Embed 5 适合需要企业级检索的团队，比如做搜索、RAG（检索增强生成）和智能体工作流的公司。它特别适合处理财务文件、扫描 PDF、多语言文档和图文混合内容。对于预算有限但需要快速响应的场景，Fast 版本更合适；对于离线建索引和最高质量要求，Pro 版本更合适。

限制方面：它是闭源服务，不能像开源模型那样自由修改和分发；官方没有说明训练数据来源和截止日期；没有说明是否支持所有 100 多种语言的同等质量；没有说明自托管的具体硬件要求和许可条款。另外，虽然官方称 Pro 在多个测试中领先，但测试方法和数据集由 Cohere 参与设计，独立第三方验证情况官方未说明。

如何核验这些信息？

你可以访问 Cohere 官方博客的 Embed 5 发布页面，查看完整基准测试结果和定价。也可以查阅 Cohere 的 API 文档，确认模型名称、输入输出格式和调用限制。对于企业部署，可以联系 Cohere 销售团队了解 Model Vault 和私有部署的具体条件。

如果你要评估是否适合自己，建议用自己的文档做小规模测试：选一批有代表性的查询，分别用 Embed 5 Pro、Fast 和现有模型检索，比较返回结果的相关性。官方没有提供公开的评测脚本或数据集，所以自行测试是必要的。另外，注意官方原文没有说明模型的知识截止日期，对于时效性强的文档，需要额外验证。