---
title: "Эмбеддинги и переранжирование по API"
description: "Векторы текста для поиска по смыслу и RAG: Cohere Embed v4 и Multilingual v3, переранжирование Rerank v5. Оплата в рублях. 7 моделей по одному ключу."
url: https://veselo.ai/models/embeddings-api
updated: 2026-11-16T15:16:30.780Z
---

# Эмбеддинги и переранжирование по API

Эмбеддинг модель превращает текст в вектор — ряд чисел, у которого близкие по смыслу фразы оказываются рядом. На этом держатся поиск по смыслу, RAG и рекомендации. По API у нас Cohere Embed v4 и Embed Multilingual v3, а для второго прохода поиска — Rerank v5. Запрос эмбеддингов — в формате OpenAI, оплата в рублях за токены входа.

- 7 моделей
- от 2,12 ₽ за 1 млн токенов

Обновлено: 16 ноября 2026 г.

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

## Модели и цены

### Эмбеддинги

**Эмбеддинги: цена в рублях за 1 млн токенов**

| Модель | Вендор | Размер вектора | Цена |
| --- | --- | --- | --- |
| [Cohere Embed v4](https://veselo.ai/models/cohere/embed-v4.0) | Cohere | 1 536 | 12,71 ₽ за 1 млн токенов |
| [Cohere Embed Multilingual v3](https://veselo.ai/models/cohere/embed-multilingual-v3.0) | Cohere | 1 024 | 10,60 ₽ за 1 млн токенов |
| [Cohere Embed English v3](https://veselo.ai/models/cohere/embed-v4.0) | Cohere | 1 024 | 10,60 ₽ за 1 млн токенов |

### Переранжирование

**Переранжирование: цена в рублях**

| Модель | Вендор | Документов за раз | Цена |
| --- | --- | --- | --- |
| [Cohere Rerank v5 Pro](https://veselo.ai/models/cohere/rerank-v5.0-pro) | Cohere | до 1 000 | 5,30 ₽ за 1 млн токенов |
| [Cohere Rerank v4 Fast](https://veselo.ai/models/cohere/rerank-v5.0-pro) | Cohere | до 1 000 | 211,81 ₽ за 1000 поисков |
| [Cohere Rerank v4 Pro](https://veselo.ai/models/cohere/rerank-v5.0-pro) | Cohere | до 1 000 | 264,76 ₽ за 1000 поисков |
| [Cohere Rerank v5 Fast](https://veselo.ai/models/cohere/rerank-v5.0-pro) | Cohere | до 1 000 | 2,12 ₽ за 1 млн токенов |

### Сейчас недоступны

Запросы к этим моделям сейчас не проходят и денег не стоят. Цены — последние известные.

- [Command A+](https://veselo.ai/models/cohere/command-a-plus-05-2026) — 84,73 ₽ / 338,89 ₽ за 1 млн токенов

## Как выбрать

Эмбеддинг простыми словами — адрес текста на карте смыслов. «Вернуть деньги за заказ» и «оформить возврат средств» живут в одном районе, а «погода в Сочи» — на другом конце города. Поиск по таким адресам находит ответ, даже если в вопросе нет ни одного слова из документа.

Какую embedding модель взять, зависит от базы и языков, но сначала об устройстве: обычно поиск идёт в два прохода. Векторы отбирают десятки похожих кусков, а rerank читает каждый кусок вместе с вопросом и расставляет их по порядку. Первый проход широкий, второй — точный.

- **Длина куска.** [Cohere Embed v4](https://veselo.ai/models/cohere/embed-v4.0) принимает до 128 тысяч токенов на строку, [Embed Multilingual v3](https://veselo.ai/models/cohere/embed-multilingual-v3.0) — до 512. Для v3 базу режут на абзацы; для v4 можно брать раздел целиком, хотя для точного поиска короткие куски всё равно удобнее.
- **Языки.** У Multilingual v3 больше 100 языков, русский в списке. Для Embed v4 Cohere языки на странице модели не перечисляет: если база на русском, проверь поиск на своих примерах, прежде чем считать векторы для всей базы.
- **Размер вектора.** У Embed v4 вектор из 1536 чисел, у Multilingual v3 — из 1024. Чем больше чисел, тем больше места в базе и памяти у сервера поиска. Через наш API размер вектора не меняется.
- **Тип текста.** Cohere просит указывать, что ты кодируешь: для документов базы нужен `search_document`, для вопросов людей — `search_query`, для классификации и кластеров — `classification` и `clustering`. Если поле не передать, мы ставим `search_document`. В SDK OpenAI поле `input_type` передают через `extra_body`.
- **Rerank: Pro или Fast.** У [Cohere Rerank v5 Pro](https://veselo.ai/models/cohere/rerank-v5.0-pro) около 2 млрд параметров, она для сложных вопросов и длинных документов. У Rerank v5 Fast около 500 млн, она для потока, где важна задержка. У обеих 32 768 токенов на пару «вопрос + документ» и больше 100 языков, причём русский входит в число тех, на которые Cohere делала упор. Каждый документ получает оценку от 0 до 1.
- **Чего нет.** Эмбеддингов OpenAI и Google мы не продаём. Картинки в эмбеддинги через наш API тоже не принимаем, только текст, хотя сам Embed v4 у Cohere их понимает.

Шпаргалка по случаям:

- база знаний на русском и английском — Embed Multilingual v3 и Rerank v5 Pro;
- длинные документы, которые не хочется резать, — Embed v4, после проверки на своих текстах;
- поиск по ключевым словам уже работает — добавь поверх Rerank v5, переиндексировать базу не нужно;
- ответ человеку по найденным кускам — чат-модель: [Command A+](https://veselo.ai/models/cohere/command-a-plus-05-2026) от того же Cohere или любая из [языковых моделей по API](https://veselo.ai/models/llm-api).

## Популярные задачи

### База знаний поддержки и RAG

Статьи помощи режут на куски по абзацу-два и считают векторы с `input_type` `search_document`. Вопрос клиента кодируют с `search_query`, достают из базы 20–30 ближайших кусков, Rerank v5 Pro оставляет из них пять самых подходящих, и уже их получает чат-модель с указанием отвечать только по ним. Если даже у первого куска низкая оценка, бот честно говорит «не знаю» и зовёт оператора: такой приём с порогом оценки Cohere описывает прямо в документации rerank.

**Пример запроса:** «Можно ли вернуть обувь без чека?» и 30 кусков из правил возврата.

### Поиск по каталогу своими словами

Покупатель пишет «куртка, чтобы не продувало на остановке», а в карточке — «ветрозащитная парка». Поиск по словам их не сведёт, а эмбеддинги сведут. Если каталог на нескольких языках, начни с Embed Multilingual v3 и проверь, находит ли запрос по-русски товар с английским описанием. Если поиск по словам уже есть, не выбрасывай его: Rerank v5 переупорядочит его выдачу по смыслу без переиндексации.

**Пример запроса:** «куртка, чтобы не продувало на остановке» и 50 карточек из первой выдачи.

### Дубли и похожие обращения

В поддержку пишут об одном и том же разными словами. Векторы с `input_type` `clustering` собирают такие обращения в группы, и становится видно, если десятки людей жалуются на одну поломку. Так же ищут дубли вопросов в базе знаний и повторы отзывов. Порог похожести подбирают на своих данных: возьми сотню пар, размеченных вручную, и посмотри, где проходит граница между «то же самое» и «другое».

### Разбор отзывов и заявок по темам

Векторы с `input_type` `classification` — сырьё для простого классификатора: «доставка», «качество», «возврат», «вопрос по оплате». Начни с нескольких сотен размеченных примеров и логистической регрессии поверх векторов, и чат-модель для каждого отзыва звать не придётся. Новый отзыв тогда стоит один вектор, а не целый ответ языковой модели.

### Рекомендации похожих статей и товаров

Векторы всех статей считают один раз и хранят у себя. Блок «Похожие статьи» — это пять ближайших векторов к текущей статье, и для него не нужен новый запрос к API. Пересчитывать придётся только новые и изменённые тексты, а старые векторы служат, пока не сменишь модель.

## Как подключить

Вместо sk-vsl-ТВОЙ_КЛЮЧ — ключ из кабинета. Ответ придёт в формате OpenAI. Пример — с моделью Cohere Embed v4: у других моделей меняется только model.

**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
```

**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)

[Cohere Embed v4](https://veselo.ai/models/cohere/embed-v4.0) · [Документация раздела](https://veselo.ai/docs/embeddings)

## Вопросы и ответы

**Что такое эмбеддинг простыми словами?**

Это ряд чисел, которым модель описывает смысл текста. Похожие по смыслу фразы получают похожие ряды, поэтому программа ищет тексты по смыслу, а не по совпадению слов. Векторный эмбеддинг и вектор эмбеддинга — два названия одного и того же числового ряда.

**Можно ли уменьшить вектор Embed v4?**

Через наш API — нет: вектор Embed v4 всегда из 1536 чисел. Поле `dimensions` можно передать, только если оно равно этой длине, а запрос с другим размером вернёт ошибку 400. Если места в базе жалко, возьми Multilingual v3 с вектором из 1024 чисел: она к тому же понимает русский.

**Есть ли эмбеддинги OpenAI и Google?**

Нет: эти компании не работают с Россией, и эмбеддинги у нас только от Cohere. Если база уже посчитана чужой моделью, её придётся пересчитать: векторы разных моделей между собой не сравнивают.

**Как получить эмбеддинги на Python?**

Через официальный SDK openai с адресом `https://veselo.ai/v1`: `client.embeddings.create(model="cohere/embed-v4.0", input=[…])`. Поле `input_type` передай в `extra_body`: `search_document` для текстов базы и `search_query` для вопросов. Строк в одном запросе может быть до 96.

**Где хранить векторы?**

У себя: в PostgreSQL с pgvector, в Qdrant, Elasticsearch или другой векторной базе. Мы векторы не храним: API считает их и сразу отдаёт в ответе вместе с ценой запроса в `usage.cost_rub`.

**Сколько стоит проиндексировать базу знаний?**

Эмбеддинги считаются только за вход, за 1 млн токенов. Прикинь объём: в русском тексте токен — примерно 2–4 знака, так что база на 10 млн знаков — это 2,5–5 млн токенов. Умножь на цену из таблицы. Дальше платишь только за новые и изменённые куски и за вопросы людей.

**Сколько документов отправлять в rerank за раз?**

Cohere советует не больше 1000 в одном запросе. В цену rerank идут токены и вопроса, и документов, поэтому чем короче куски, тем дешевле второй проход. Для начала отправляй в rerank 20–50 кандидатов из первого прохода и смотри, меняется ли порядок.

**Нужны ли VPN и зарубежная карта?**

Нет. Запросы идут на https://veselo.ai/v1, а API-счёт пополняется в рублях — картой российского банка или по СБП.

**Сколько стоит запрос, который закончился ошибкой?**

Нисколько: ошибка нейросети денег не стоит, удержание на время запроса снимается целиком.

## Ещё по теме

- [Эмбеддинги по API за рубли — документация API](https://veselo.ai/docs/embeddings)
- [Переранжирование (rerank) по API за рубли — документация API](https://veselo.ai/docs/rerank)
- [Подключить к Claude и ChatGPT](https://veselo.ai/connect)
- [Все модели и цены](https://veselo.ai/models)

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