Cohere bringt Embed 5 mit Pro- und Fast-Variante für Enterprise-Retrieval auf den Markt

Zwei Varianten, ein gemeinsamer Embedding-Raum

Embed 5 Pro ist laut Cohere auf Qualität in den Bereichen multimodales, mehrsprachiges, Finanz-, Code- und Parsed-Document-Retrieval optimiert. Embed 5 Fast beschreibt das Unternehmen als schlankeres Modell für latenzempfindliches Retrieval mit hohem Volumen. Es kostet ein Drittel weniger als Pro und bietet dabei denselben Kontext von 128K Token, multimodale Eingaben, mehrsprachige Abdeckung und komprimierte Ausgabeformate.

Beide Varianten teilen sich einen Embedding-Raum. Teams können deshalb mit Pro indexieren und Anfragen mit einem der beiden Modelle stellen, ohne den Index neu aufzubauen. Cohere sieht den größten Nutzen von Fast auf der Abfrageseite: Die Embedding-Latenz fällt bei jeder Suche an und vervielfacht sich in agentischen Workflows, die pro Aufgabe Dutzende Suchanfragen auslösen können.

Beide Modelle verarbeiten Text, Bilder sowie kombinierte Text-Bild-Eingaben, decken über 100 Sprachen ab und bieten Ausgabedimensionen von 2048, 1536, 1024, 768, 512 und 256. Als Ausgabeformate stehen Float, int8 und Binär zur Verfügung; beide unterstützen Matryoshka-Embeddings und Self-Hosting. Laut Cohere senken Matryoshka-Repräsentationen und Ausgaben mit geringerer Präzision die Kosten für Vektorspeicher und Suche, während quantisierte Gewichte die Anforderungen an den Betrieb in privaten Umgebungen verringern.

Von Cohere gemeldete Benchmark-Ergebnisse

Cohere zufolge erreicht Embed 5 Pro über ViDoRe V3, Finanzdokumente, geparste PDFs, Bildsuche und wichtige Geschäftssprachen hinweg den höchsten Durchschnittswert aller getesteten Modelle. Embed 5 ist zudem die erste Modellfamilie, die mit RCP-nDCG@10 bewertet wurde, Coheres neuester Retrieval-Methodik. Sie beurteilt gefundene Dokumente anhand anfragespezifischer Relevanzkriterien statt anhand einer begrenzten Menge fester Labels.

• ViDoRe V3: Pro erreicht im Schnitt 85,8, ein Plus von 8,8 gegenüber Embed 4. Damit liegt es vor Voyage 4 Large (83,7), Gemini Embedding 2 (83,2) und OpenAI text-embedding-3-large (75,5). Fast kommt auf 84,5.
• Finanzen: Pro belegt bei FinanceBench (80,1), FinQA (90,0) und ViDoRe V3 Finance (85,0) jeweils Platz eins, Fast jeweils Platz zwei. Im Schnitt liegt Pro dabei 3,3 Punkte vor Gemini Embedding 2, und bei FinanceBench beträgt der Vorsprung auf OpenAI text-embedding-3-large 21,4 Punkte.
• Geparste PDFs: Pro erreicht in Coheres Testsuite im Schnitt 84,8 und liegt damit vor Voyage 4 Large (83,6), Embed 5 Fast (83,4), Gemini Embedding 2 (80,8) und Embed 4 (78,6).
• Kombinierte Text-Bild-Eingaben: Pro kommt über fünf Datensätze hinweg auf durchschnittlich 82,3, Fast auf 81,2 und Gemini Embedding 2 auf 61,3.
• Seitenbilder: Bei Finanzdatensätzen erreicht Pro im Schnitt 77,0, vor Fast (73,2), Embed 4 (71,1), Voyage Multimodal 3.5 (70,1) und Gemini Embedding 2 (56,7).

In mehrsprachigen Tests erzielt Pro über Deutsch, Französisch, Spanisch, Italienisch und Russisch hinweg im Schnitt 77, gegenüber 76 für Voyage 4 Large und 73 für Gemini Embedding 2. Das sind laut Cohere im Mittel rund 7 Punkte mehr als bei Embed 4. Das Unternehmen berichtet außerdem von Zugewinnen gegenüber Embed 4 bei Farsi (+13), Telugu (+12) und Hindi (+12). Aus der eigenen Tabelle geht hervor, dass Gemini Embedding 2 in mehreren Sprachen, darunter Japanisch, Arabisch und Telugu, besser abschneidet als Pro.

Verfügbarkeit, Preise und Einordnung

Embed 5 ist allgemein verfügbar über die Cohere API und Model Vault, Microsoft Foundry sowie Amazon SageMaker. Pro kostet 0,12 $ pro Million Token für Text, Fast 0,08 $ pro Million Token. Bildeingaben kosten bei beiden Varianten 0,40 $ pro Million Token.

Cohere positioniert Embed 5 als Retrieval-Grundlage für Suche, RAG und agentische Workflows: Das Modell soll relevanteren Kontext liefern und Störsignale herausfiltern, bevor sie teure generative Modelle erreichen. Das Unternehmen erklärt, dies könne die Antwortqualität und die Nutzererfahrung verbessern und zugleich helfen, die nachgelagerten Inferenzkosten im Griff zu behalten.

Cohere empfiehlt Pro für das Offline-Indexieren und komplexe Unternehmenskorpora, Fast für interaktive Suche, RAG mit hohem Volumen und agentisches Retrieval. Da beide Modelle denselben Index nutzen, lassen sie sich ohne erneutes Indexieren kombinieren. Alle Benchmark-Angaben stammen aus Coheres eigenen Evaluierungen.