Весело
Весело

Embedding модели для русского языка: Cohere Multilingual v3

Cohere Embed Multilingual v3 — многоязычная модель эмбеддингов Cohere прошлого поколения. В её списке 109 языков, среди них русский, и она находит английский документ по русскому вопросу. Вектор — 1024 числа, строка — до 512 токенов, поэтому модель рассчитана на короткие тексты: вопросы, карточки, ответы поддержки. Цена — 10,60 ₽ за 1 млн токенов.

  • 10,60 ₽ за 1 млн токенов
  • 1 024 измерений
  • текст → векторы

cohere/embed-multilingual-v3.0

Обновлено:

Получить ключ Попробовать Документация

Попробовать Cohere Embed Multilingual v3

Отправь несколько фраз — модель вернёт для каждой вектор. Запрос оплачивается с API-счёта по цене на кнопке, бесплатных проб нет; ошибка нейросети денег не стоит.

Что попробовать: Сравни «Где ближайшая аптека?» и «Where is the nearest pharmacy?» — многоязычная модель поставит их рядом.

В ответ приходят векторы в data[].embedding — по одному на строку; чем ближе векторы, тем ближе смысл.

Цены Cohere Embed Multilingual v3 в рублях

Текст — строки, из которых считаются векторы10,60 ₽ за 1 млн токенов

Запрос, который закончился ошибкой, денег не стоит. Кэшбэк — до 5% от расхода за месяц. Как считается цена

Сколько стоят типичные задачи

Суммы посчитаны по цене выше — сколько спишется за такую работу.

Подбор ответа из FAQ по вопросу клиента: 300 ответов FAQ и 10 000 вопросов клиентов по 30 токеновОколо 3,28 ₽
Поиск по англоязычной документации на русском: документация из 20 000 абзацев по 300 токеновОколо 63,60 ₽
Маршрутизация обращений на нескольких языках: 20 000 писем по 100 токеновОколо 21,20 ₽
Каталог товаров на двух языках: 40 000 карточек по 120 токеновОколо 50,88 ₽

Что умеет Cohere Embed Multilingual v3

  • Знает 109 языков из списка Cohere, русский в их числе (языки Cohere).
  • Ищет между языками: вопрос на одном, документ на другом.
  • Отдаёт вектор из 1024 чисел.
  • Берёт до 512 токенов в строке: всё, что длиннее, модель не учтёт.
  • Векторизует до 96 строк за запрос, тип текста — в поле input_type.

Где применять

Подбор ответа из FAQ по вопросу клиента

Вопросы в поддержку короткие и написаны как попало: «где деньги за отмену», «вернули не всё». Векторизуй три сотни готовых ответов из FAQ один раз, а вопрос клиента — в момент обращения, и бери ответ с ближайшим вектором. Короткие строки — ровно то, на что рассчитана эта модель, и токен у неё дешевле, чем у Embed v4. Если сходство ниже порога, отдай вопрос оператору, а не случайный ответ.

Пример запроса: «Где деньги за отменённый заказ?» против 300 ответов из FAQ.

Стоимость: 300 ответов FAQ и 10 000 вопросов клиентов по 30 токенов — около 3,28 ₽.

Поиск по англоязычной документации на русском

Документация к оборудованию или библиотеке часто есть только на английском, а инженеры спрашивают по-русски. Модель кладёт фразы с одним смыслом рядом, на каком бы языке они ни были, поэтому русский вопрос находит нужный английский абзац без перевода базы. Найденный абзац можно показать как есть или отдать языковой модели, чтобы она пересказала его по-русски. Документацию режь на абзацы: в строку помещается до 512 токенов.

Пример запроса: «Как сбросить контроллер к заводским настройкам?» против 20 000 абзацев английской документации.

Стоимость: документация из 20 000 абзацев по 300 токенов — около 63,60 ₽.

Маршрутизация обращений на нескольких языках

Магазин принимает письма на русском, английском и турецком, а разбирать их должны разные отделы: оплата, доставка, возвраты. Собери по два-три десятка примеров на отдел, векторизуй их с input_type: classification, и новое письмо отправляй в отдел с самыми похожими примерами. Примеры на одном языке подходят и для писем на другом — проверь это на паре десятков настоящих писем. Неуверенные случаи с низким сходством пусть разбирает человек.

Пример запроса: «Kargom hâlâ gelmedi, sipariş numarası 48213» против примеров отделов на русском и английском.

Стоимость: 20 000 писем по 100 токенов — около 21,20 ₽.

Каталог товаров на двух языках

Если магазин продаёт и в России, и за рубежом, карточки и запросы покупателей идут на разных языках. Одна многоязычная модель держит их в общем пространстве: запрос «зимние ботинки» найдёт и русскую карточку, и английскую «winter boots». Векторизуй название с коротким описанием одной строкой — в предел 512 токенов это помещается. Характеристики вроде размера и цвета фильтруй обычным поиском, а смысл оставь векторам.

Пример запроса: «Зимние ботинки для города, не скользят» против каталога на русском и английском.

Стоимость: 40 000 карточек по 120 токенов — около 50,88 ₽.

Характеристики

РазработчикCohere
ВидЭмбеддинги
Размер вектора1 024
Строк за запросдо 96
Текст строкидо 512 токенов
input_typesearch_document, search_query, classification, clustering
id для запросаcohere/embed-multilingual-v3.0

Как подключить

Вместо sk-vsl-ТВОЙ_КЛЮЧ — ключ из кабинета. Ответ придёт в формате OpenAI.

Запрос — POST https://veselo.ai/v1/embeddings с полем model: cohere/embed-multilingual-v3.0, ключ — в заголовке Authorization: Bearer sk-vsl-….

curl

curl https://veselo.ai/v1/embeddings \
  -H "Authorization: Bearer sk-vsl-ТВОЙ_КЛЮЧ" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "cohere/embed-multilingual-v3.0",
    "input": ["Как вернуть деньги за заказ?", "Доставка по Москве занимает 1–2 дня."]
  }'

Python

from openai import OpenAI  # pip install openai

client = OpenAI(base_url="https://veselo.ai/v1", api_key="sk-vsl-ТВОЙ_КЛЮЧ")

r = client.embeddings.create(
    model="cohere/embed-multilingual-v3.0",
    input=["Как вернуть деньги за заказ?", "Доставка по Москве занимает 1–2 дня."],
)
print(len(r.data), len(r.data[0].embedding))  # сколько векторов и их длина

JavaScript

import OpenAI from 'openai'; // npm i openai

const client = new OpenAI({ baseURL: 'https://veselo.ai/v1', apiKey: 'sk-vsl-ТВОЙ_КЛЮЧ' });

const r = await client.embeddings.create({
  model: 'cohere/embed-multilingual-v3.0',
  input: ['Как вернуть деньги за заказ?', 'Доставка по Москве занимает 1–2 дня.'],
});
console.log(r.data.length, r.data[0].embedding.length); // сколько векторов и их длина

Пример ответа — только поля

{
  "object": "list",
  "data": [{ "object": "embedding", "index": 0, "embedding": [ … ] }],
  "model": "…",
  "usage": { "prompt_tokens": … }
}

В программах: тем же ключом и по тому же адресу, что остальные модели, — из любого HTTP-клиента или библиотеки openai. Библиотеки и программы

Документация раздела

Сравнение с похожими

МодельЦенаГлавноеКогда выбрать
Cohere Embed Multilingual v3 — эта модель10,60 ₽ / 1 млн токенов1 024 измеренийкороткие тексты на русском и поиск между языками, дешевле Embed v4
Cohere Embed v4 — Cohere12,71 ₽ / 1 млн токенов1 536 измеренийпоиск по длинным документам и RAG: одна строка до 128 тысяч токенов
Cohere Rerank v5 Pro — Cohere5,30 ₽ / 1 млн токеновдо 1 000 документоввторой шаг поиска и RAG: отсортировать до 1 000 найденных кусков по смыслу
  • Cohere Embed v4 — если документы длинные: у Embed v4 до 128 тысяч токенов в строке и вектор из 1536 чисел.
  • Cohere Rerank v5 Pro — чтобы после поиска точнее отсортировать кандидатов перед ответом.
  • Command A+ — чтобы ответить человеку по найденному на его языке.

Как устроен доступ

Весело — не разработчик Cohere Embed Multilingual v3: модель выпускает Cohere. Мы даём к ней доступ по API — один ключ на все модели, оплата в рублях с API-счёта, а цена каждого ответа видна в самом ответе. Запрос, который закончился ошибкой, денег не стоит. Что мы храним о запросах и сколько — в разделе «Данные и приватность» документации. Данные и приватность

Вопросы и ответы

Понимает ли Cohere Embed Multilingual v3 русский?
Да: русский стоит в списке 109 языков, который Cohere публикует для многоязычной модели эмбеддингов. Базу и вопросы можно векторизовать по-русски без перевода, а смешанная база на русском и английском тоже работает.
Как векторизовать длинный документ в Embed Multilingual v3?
Режь его на куски не длиннее 512 токенов — обычно это абзац или два. Удобно, когда куски немного перекрываются, а к каждому приписан заголовок раздела: так кусок не теряет, о чём он. Если документы длинные и резать их не хочется, посмотри на Embed v4.
Найдёт ли Embed Multilingual v3 английский текст по русскому вопросу?
Да, для этого модель и сделана: фразы с одним смыслом на разных языках получают близкие векторы. Базу на английском переводить не нужно — достаточно векторизовать её как есть и задавать вопросы по-русски с input_type: search_query.
Когда брать Embed Multilingual v3, а когда Embed v4?
Multilingual v3 подходит для коротких строк — вопросов, ответов FAQ, карточек товаров, — и токен у неё дешевле: 10,60 ₽ за 1 млн токенов. Embed v4 нужна, когда документы длинные и резать их на кусочки по 512 токенов неудобно. Векторы двух моделей несовместимы, так что выбирай одну модель на всю базу.
Нужны ли VPN и зарубежная карта для Cohere Embed Multilingual v3?
Нет. Запросы идут на https://veselo.ai/v1, а API-счёт пополняется в рублях — картой российского банка или по СБП.
Что будет, если запрос закончится ошибкой?
Запрос, который закончился ошибкой нейросети, денег не стоит: удержание на время запроса снимается целиком. Цену удачного ответа видно в рублях сразу.
Есть ли подписка или абонентская плата?
Нет. API-счёт пополняется на нужную сумму, а списывается только то, что потратили запросы. Чем больше расход за месяц, тем больше кэшбэк — от 1 до 5%.

Ещё по теме

Факты сверены 16 ноября 2026 по документации: docs.cohere.com