---
title: "Cohere Embed v4: embedding model по API"
description: "Векторы текста для поиска по смыслу и RAG: вектор из 1536 чисел, до 128 тысяч токенов в строке, до 96 строк за запрос. Цена — 12,71 ₽ за 1 млн токенов."
url: https://veselo.ai/models/cohere/embed-v4.0
updated: 2026-11-16T15:16:30.780Z
---

# 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: 16 ноября 2026 г.

[Получить ключ](https://veselo.ai/developer) Попробовать [Документация](https://veselo.ai/docs/embeddings)

## 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](https://veselo.ai/docs/pricing)

### 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](https://docs.cohere.com/docs/cohere-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+](https://veselo.ai/models/cohere/command-a-plus-05-2026).

**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

| 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 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](https://veselo.ai/docs/sdks)

[Документация раздела](https://veselo.ai/docs/embeddings)

## 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](https://veselo.ai/models/cohere/embed-multilingual-v3.0) — Cohere | 10,60 ₽ / 1 млн токенов | 1 024 измерений | короткие тексты на русском и поиск между языками, дешевле Embed v4 |
| [Cohere Rerank v5 Pro](https://veselo.ai/models/cohere/rerank-v5.0-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**](https://veselo.ai/models/cohere/embed-multilingual-v3.0) — если тексты короткие, база на нескольких языках и хочется платить меньше за токен.
- [**Cohere Rerank v5 Pro**](https://veselo.ai/models/cohere/rerank-v5.0-pro) — не замена, а второй шаг: из 50–100 найденных кандидатов оставляет действительно подходящие.
- [**Command A+**](https://veselo.ai/models/cohere/command-a-plus-05-2026) — модель, которая пишет ответ по найденному: вместе с Embed v4 и Rerank получается полный путь RAG.

## Версии и отличия

- [Cohere Embed Multilingual v3](https://veselo.ai/models/cohere/embed-multilingual-v3.0) — 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](https://veselo.ai/models/cohere/embed-english-v3.0) — 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](https://veselo.ai/docs/privacy)

## 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

- [Все модели: эмбеддинги](https://veselo.ai/models/embeddings-api)
- [Cohere API: Command, Embed и Rerank](https://veselo.ai/models/cohere)
- [Эмбеддинги по API за рубли — документация API](https://veselo.ai/docs/embeddings)
- [Все модели и цены](https://veselo.ai/models)

Факты сверены 16 ноября 2026 по документации: [docs.cohere.com](https://docs.cohere.com/docs/cohere-embed)
