原文標題：Introducing Embed 5—A new family of frontier embedding models

Cohere 9 月 30 日發布 Embed 5 模型家族，分為追求最高檢索品質的 Embed 5 Pro，以及偏向延遲與成本敏感工作負載的 Embed 5 Fast。兩款模型都支援 128K token context、文字、圖片與文字加圖片的融合輸入，涵蓋超過 100 種語言，並可輸出 2048 到 256 維的 embedding。

Embed 5 Pro 與 Fast 共享同一 embedding 空間，因此團隊可以先用 Pro 建立索引，再依查詢需求選擇 Pro 或 Fast，而不必重建索引。Cohere 也支援 float、int8 與 binary 輸出，以及 Matryoshka representations，讓企業能在檢索品質、向量儲存空間與服務成本之間做取捨。

價格方面，官方公布文字處理 Pro 為每百萬 token 0.12 美元，Fast 為 0.08 美元；兩者圖片處理皆為每百萬 token 0.40 美元。Cohere 表示 Fast 平均文件吞吐量約為 Pro 的 2.4 倍，並稱 Pro 在其測試的多個金融、PDF、圖片與多語檢索資料集取得最佳平均結果。

Embed 5 已在 Cohere API、Model Vault、Microsoft Foundry 與 Amazon SageMaker 提供，也支援自行託管。這類 embedding 模型直接影響搜尋、RAG 與代理系統拿到的上下文品質；不過效能排名與吞吐數字來自 Cohere 自行公布的測試，實際效果仍應以使用者自己的語料與查詢分布驗證。

發生了什麼事

Cohere 推出 Embed 5 Pro 與 Fast，兩者支援 128K context、多模態、100 種以上語言與多種向量精度，且共享同一 embedding 空間。

為什麼重要

RAG 與代理系統的品質常先受到檢索影響。共享索引空間讓企業可在查詢時切換品質與成本，而不用重新建立整套向量索引。

影響哪些人

建置企業搜尋、RAG、文件問答、多語檢索或代理系統的開發者與平台團隊最直接受影響，尤其是擁有大量 PDF、圖片與多語資料的組織。

已確認與未確認

功能、價格與供應平台已確認；Pro 的排名與 Fast 的 2.4 倍吞吐量是 Cohere 自家評測結果，仍需以實際資料集獨立驗證。