Cohere Embed v4: embedding model по API
Cohere Embed v4 — модель эмбеддингов от Cohere, вышедшая в апреле 2025 года. Она превращает текст в вектор из 1536 чисел: близкие по смыслу фразы получают близкие векторы, даже если слова в них разные. На этом строят поиск по смыслу, RAG и рекомендации. Одна строка может занимать до 128 000 токенов.
- 12,71 ₽ за 1 млн токенов
- 1 536 измерений
- текст → векторы
cohere/embed-v4.0
Обновлено:
Получить ключ Попробовать Документация
Попробовать Cohere Embed v4
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 три фразы: «Как вернуть деньги за заказ?», «Оформить возврат средств», «Какая погода в Сочи?» — первые две окажутся ближе друг к другу.
В ответ приходят векторы в data[].embedding — по одному на строку; чем ближе векторы, тем ближе смысл.
Цены Cohere Embed v4 в рублях
| Текст — строки, из которых считаются векторы | 12,71 ₽ 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.
| Поиск по базе знаний для RAG: справка из 2 000 статей по 2 000 токенов | Около 50,84 ₽ |
|---|---|
| Поиск похожих договоров и документов целиком: архив из 5 000 договоров по 6 000 токенов | Около 381,30 ₽ |
| Поиск по смыслу в каталоге товаров: каталог из 50 000 карточек по 150 токенов | Около 95,33 ₽ |
| Поиск дублей в обращениях поддержки: 30 000 обращений по 200 токенов | Около 76,26 ₽ |
| Блок «Похожие статьи» в блоге или медиа: архив из 1 000 статей по 2 500 токенов | Около 31,78 ₽ |
Что умеет Cohere Embed v4
- Отдаёт вектор из 1536 чисел — это размер по умолчанию у Cohere. Размеры 256, 512 и 1024 у Cohere тоже есть, но через наш API заказывается только 1536 (модели Embed).
- Принимает до 128 000 токенов в одной строке, так что документ не обязательно резать на мелкие куски.
- Векторизует до 96 строк за один запрос.
- Различает тип текста по полю
input_type:search_document— текст для базы,search_query— вопрос человека, ещёclassificationиclustering. - Многоязычная: подходит для базы, где тексты на разных языках.
- Векторы сравнивают косинусным сходством, как в примерах Cohere.
- Ответ — массив чисел
floatили строкаbase64.
Где применять
Поиск по базе знаний для RAG
Чат-бот поддержки отвечает по делу, только если перед ответом нашёл нужный кусок справки. Embed v4 переводит каждую статью базы в вектор, а вопрос клиента — в другой, и поиск возвращает статьи с ближайшими векторами, даже если в них нет слов из вопроса. Длинная строка тут помогает: статью на несколько экранов можно векторизовать целиком или крупными разделами, и смысл не рвётся на середине. Найденное отдай модели, которая пишет ответ, например Command A+.
Пример запроса: «Как вернуть деньги за заказ?» с input_type: search_query против 2 000 статей справки с input_type: search_document.
Стоимость: справка из 2 000 статей по 2 000 токенов — около 50,84 ₽.
Поиск похожих договоров и документов целиком
Юристу нужен прошлый договор с похожими условиями, а в архиве пять тысяч файлов с безликими именами. В строку Embed v4 помещается до 128 000 токенов, поэтому договор можно превратить в один вектор целиком, вместе с приложениями. Новый договор векторизуешь так же и ищешь соседей: наверху окажутся документы с похожим предметом и условиями. Это первый отбор, а читать найденное и решать, что взять за основу, всё равно человеку.
Пример запроса: «Договор аренды склада на три года с правом выкупа» против архива договоров с input_type: search_document.
Стоимость: архив из 5 000 договоров по 6 000 токенов — около 381,30 ₽.
Поиск по смыслу в каталоге товаров
Покупатель пишет «куртка, чтобы не продувало на велосипеде», а в карточках стоят слова «ветрозащитная» и «мембрана». Поиск по словам тут промахивается, а вектор ловит смысл запроса. Векторизуй название, описание и характеристики каждой карточки одной строкой, а запрос покупателя — с search_query. Векторы карточек считаются один раз и пересчитываются только у тех товаров, что поменялись, поэтому платишь в основном за новые запросы.
Пример запроса: «Куртка, чтобы не продувало на велосипеде» против 50 000 карточек каталога.
Стоимость: каталог из 50 000 карточек по 150 токенов — около 95,33 ₽.
Поиск дублей в обращениях поддержки
Одна и та же поломка приходит в поддержку десятками разных слов: «не грузится», «белый экран», «висит после обновления». Векторы обращений с одной причиной ложатся рядом, и их можно собрать в группы с input_type: clustering. Так видно, какая проблема массовая уже сегодня, а не через неделю по жалобам в отзывах. Группам дай названия вручную или попроси языковую модель подписать каждую по трём примерам.
Пример запроса: «Приложение не открывается после обновления, белый экран» среди 30 000 обращений за месяц.
Стоимость: 30 000 обращений по 200 токенов — около 76,26 ₽.
Блок «Похожие статьи» в блоге или медиа
Читатель дочитал статью, и дальше ему нужны ещё две по той же теме, а не три последние по дате. Векторы статей считаются один раз при публикации, а похожие — это ближайшие соседи по косинусному сходству. Embed v4 берёт длинную статью целиком, поэтому соседи подбираются по смыслу всего текста, а не по заголовку. Новые статьи векторизуются по одной, без пересчёта всего архива.
Пример запроса: «Как подготовить квартиру к зиме» против архива из 1 000 статей блога.
Стоимость: архив из 1 000 статей по 2 500 токенов — около 31,78 ₽.
Разметка отзывов по темам
Тысячи отзывов с маркетплейса нужно разложить по темам: доставка, размер, качество, упаковка. Векторизуй отзывы с input_type: classification и обучи на сотне размеченных примеров простой классификатор — хватит логистической регрессии. Дальше новые отзывы раскладываются по темам без ручной работы, и видно, на что жалуются чаще в этом месяце. Те же векторы годятся и для тональности, если разметить примеры на «хвалит» и «ругает» и обучить второй классификатор.
Пример запроса: «Пришло на день позже, но размер подошёл точно» среди 100 000 отзывов магазина.
Стоимость: 100 000 отзывов по 80 токенов — около 101,68 ₽.
Как писать запрос
- Базу векторизуй с
input_type: search_document, вопросы людей — сsearch_query: Cohere готовит векторы под тип текста, поэтому у базы и у вопросов он разный. - В SDK OpenAI поля
input_typeнет, его передают черезextra_body. Если программа не умеет передавать поле, наш API подставитsearch_document. - Документы и вопросы считай одной моделью: векторы разных моделей между собой не сравнивают.
- Перед векторизацией убери из текста меню, подвалы и одинаковые шапки, иначе документы с общей шапкой покажутся похожими.
Характеристики
| Разработчик | Cohere |
|---|---|
| Вид | Эмбеддинги |
| Размер вектора | 1 536 |
| Строк за запрос | до 96 |
| Текст строки | до 128 000 токенов |
| input_type | search_document, search_query, classification, clustering |
| id для запроса | cohere/embed-v4.0 |
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-v4.0, 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-v4.0",
"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-v4.0",
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 длинаJavaScript
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-v4.0',
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 длинаПример 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
Сравнение с похожими
| Модель | Цена | Главное | Когда выбрать |
|---|---|---|---|
| Cohere Embed v4 — эта модель | 12,71 ₽ / 1 млн токенов | 1 536 измерений | поиск по длинным документам и RAG: одна строка до 128 тысяч токенов |
| Cohere Embed Multilingual v3 — Cohere | 10,60 ₽ / 1 млн токенов | 1 024 измерений | короткие тексты на русском и поиск между языками, дешевле Embed v4 |
| Cohere Rerank v5 Pro — Cohere | 5,30 ₽ / 1 млн токенов | до 1 000 документов | второй шаг поиска и RAG: отсортировать до 1 000 найденных кусков по смыслу |
- Cohere Embed Multilingual v3 — если тексты короткие, база на нескольких языках и хочется платить меньше за токен.
- Cohere Rerank v5 Pro — не замена, а второй шаг: из 50–100 найденных кандидатов оставляет действительно подходящие.
- Command A+ — модель, которая пишет ответ по найденному: вместе с Embed v4 и Rerank получается полный путь RAG.
Версии и отличия
- Cohere Embed Multilingual v3 — прошлое поколение: вектор из 1024 чисел и до 512 токенов в строке, зато в списке Cohere у неё 109 языков с русским, а токен дешевле. Её берут для коротких текстов и поиска между языками.
- Cohere Embed English v3 (
cohere/embed-english-v3.0) — тоже прошлое поколение, только английский, вектор из 1024 чисел и до 512 токенов в строке.
- Cohere Embed English v3 — 10,60 ₽ за 1 млн токенов
Подробно о Cohere Embed v4
Cohere делает модели для компаний, и линеек у неё три: языковые Command, эмбеддинги Embed и переранжирование Rerank. Embed 4 компания представила 15 апреля 2025 года как модель для поиска по данным бизнеса. Поиск этот мультимодальный: у самой Cohere модель понимает текст, картинки и смешанные документы вроде PDF.
Что такое эмбеддинг простыми словами: это список чисел, в который модель упаковывает смысл текста. Две фразы о возврате денег дают векторы, которые смотрят почти в одну сторону, а фраза о погоде — в другую. Угол между векторами считают косинусным сходством: чем ближе к единице, тем ближе смысл. Поиск по смыслу — это поиск ближайших векторов, и точные слова из запроса ему не нужны.
У Cohere векторы Embed v4 устроены как «матрёшка»: модель выпускает их в размерах 256, 512, 1024 и 1536 чисел, и короткий вариант экономит место в базе ценой части точности. Через наш API приходит полный вектор из 1536 чисел — его и закладывай в схему базы. Сжатых форматов Cohere вроде int8 и binary наш API тоже не отдаёт: ответ приходит числами float или строкой base64.
Для текстового поиска самое заметное отличие v4 от прошлого поколения — длина строки. Multilingual v3 и English v3 берут 512 токенов в строке, а v4 — до 128 000. Для RAG это значит меньше резки: кусок может быть целым разделом инструкции или договором, и модель видит фразу вместе с окружением, а не обрывок.
Что важно у нас. Наш /v1/embeddings принимает только текст: картинки и PDF, которые Embed v4 понимает у Cohere, через него не передаются. За запрос — до 96 строк, тип текста — в input_type, по умолчанию search_document. Ответ — в формате OpenAI, поэтому подходит client.embeddings.create из SDK OpenAI и библиотеки, которые на нём построены.
Как устроен доступ
Весело — не разработчик Cohere Embed v4: 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
- Какой размер вектора у Cohere Embed v4 по API?
- 1536 чисел — размер Cohere по умолчанию, и через наш API он не меняется:
dimensionsможно передать только равным 1536, с другим числом запрос вернёт ошибку 400. Колонку в базе сразу заводи на 1536 значений. - Как передать input_type в Cohere Embed v4 через SDK OpenAI на Python?
- Через
extra_body:client.embeddings.create(model="cohere/embed-v4.0", input=["…"], extra_body={"input_type": "search_query"}). Для документов базы ставьsearch_document— это значение наш API подставляет по умолчанию, если поле не пришло. - Сколько стоит векторизация базы через Cohere Embed v4?
- 12,71 ₽ за 1 млн токенов, считаются только токены входа: ответ-вектор отдельно не оплачивается. Справка из 2 000 статей по 2 000 токенов обойдётся в около 50,84 ₽. Пересчитывать всю базу каждый раз не нужно — векторизуй только новые и изменённые документы.
- Можно ли искать по картинкам через Cohere Embed v4?
- У самой Cohere модель понимает картинки и PDF и умеет искать по ним текстом. Наш API для эмбеддингов принимает только текст, поэтому картинки и сканы сначала нужно превратить в текст — например, распознать документ или попросить языковую модель описать картинку.
- Где хранить векторы Cohere Embed v4?
- Подойдёт любая база с поиском ближайших векторов: PostgreSQL с расширением pgvector, Qdrant, Milvus, Elasticsearch. Для нескольких тысяч документов хватит и массива в памяти с подсчётом косинусного сходства. Колонку заводи под 1536 чисел, а рядом храни id документа и текст куска.
- Нужно ли пересчитывать базу при переходе с Embed Multilingual v3 на Embed v4?
- Да, целиком. У моделей разные размеры векторов — 1024 и 1536 — и разные пространства смысла, поэтому вектор вопроса от v4 нельзя сравнивать с векторами базы от v3. Удобно пересчитать базу в новую колонку, проверить поиск на сотне настоящих вопросов и только потом переключить.
- Сколько запросов можно отправлять?
- До 60 запросов в минуту и до 10 одновременно на один ключ, ключей у аккаунта — до 20. Сверх лимита придёт ответ 429 с заголовком Retry-After: через столько секунд можно повторить.
- Нужны ли VPN и зарубежная карта для Cohere Embed v4?
- 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.
Ещё по теме
Факты сверены 16 ноября 2026 по документации: docs.cohere.com