Весело
Весело

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 векторы12,71 ₽ 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 токеновОколо 50,84 ₽
Поиск похожих договоров и документов целиком: архив из 5 000 договоров по 6 000 токеновОколо 381,30 ₽
Поиск по смыслу в каталоге товаров: каталог из 50 000 карточек по 150 токеновОколо 95,33 ₽
Поиск дублей в обращениях поддержки: 30 000 обращений по 200 токеновОколо 76,26 ₽
Блок «Похожие статьи» в блоге или медиа: архив из 1 000 статей по 2 500 токеновОколо 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, ещё classification и clustering.
  • Многоязычная: подходит для базы, где тексты на разных языках.
  • Векторы сравнивают косинусным сходством, как в примерах Cohere.
  • Ответ — массив чисел float или строка base64.

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 — с search_query: Cohere готовит векторы под тип текста, поэтому у базы и у вопросов он разный.
  • В SDK OpenAI поля input_type нет, его передают через extra_body. Если программа не умеет передавать поле, наш API подставит search_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

РазработчикCohere
ВидЭмбеддинги
Размер вектора1 536
Строк за запросдо 96
Текст строкидо 128 000 токенов
input_typesearch_document, search_query, classification, clustering
id для запросаcohere/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 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-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 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 v4 — эта модель12,71 ₽ / 1 млн токенов1 536 измеренийпоиск по длинным документам и RAG: одна строка до 128 тысяч токенов
Cohere Embed Multilingual v3 — Cohere10,60 ₽ / 1 млн токенов1 024 измеренийкороткие тексты на русском и поиск между языками, дешевле Embed v4
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 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.

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: dimensions можно 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 ставь search_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