> ## Content Index
> Fetch the complete content index at: https://globalfeed.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# Cohere发布Embed 5：文本与图像可同库检索的嵌入模型
- URL: https://globalfeed.ai/zh/coherefa-bu-embed-5-wen-ben-yu-tu-xiang-ke-tong-ku-jian-suo-de-qian-ru-mo-xing/
- Published: 2026-09-30T15:53:04.000Z
- Updated: 2026-09-30T15:53:04.000Z
- Description: Cohere 推出 Embed 5 Pro 和 Embed 5 Fast 两款嵌入模型，可将文本、图像及图文混合输入纳入同一检索。两款模型均支持 128K 词元上下文和 100 多种语言，面向需要检索扫描文档与图表档案的企业。
- Author: GlobalFeed Editor
- Tags: Cohere, Embed 5, 嵌入模型, 企业搜索, x-cohere, dil-zh, elle

**Cohere** 于 2026 年 9 月 30 日发布 [Embed 5](https://cohere.com/blog/embed-5?ref=globalfeed.ai) 嵌入模型（embedding model）系列。该系列包括两款模型：侧重质量的 **Embed 5 Pro**，以及面向速度和高吞吐场景的 **Embed 5 Fast**。两款模型都能把文本、图像以及图文混合输入转换为同一种数值表示，让扫描文档、表格和图表可以与文本出现在同一次检索中。

## 嵌入模型的作用

嵌入模型会把一段文本或一张图像转换为承载其语义的一串数字，即向量（vector）。搜索系统和检索增强生成（RAG）应用正是借助这些向量，找到与查询语义最接近的文档。企业档案中有相当一部分是扫描 PDF、演示文稿、表格和图表，能直接理解图像的嵌入模型可以减少先把文档转成文本这一步的需求。

## 技术规格

据 Cohere 介绍，两款模型都支持最长 128K 词元（token）的上下文，覆盖 100 多种语言。输出维度可在 2048 到 256 之间选择。借助套娃表示学习（Matryoshka representation learning），较小的维度取自完整向量的前段，有助于降低存储与检索成本。向量可按 float、int8 和 binary 三种格式输出。

Pro 与 Fast 共享同一个嵌入空间：用 Pro 建立索引的文档，无需重建索引即可用 Fast 查询。Cohere 建议将 Pro 用于离线建索引和对质量要求高的检索，将 Fast 用于交互式搜索、高并发 RAG 以及智能体检索（agentic retrieval）。根据 Cohere 公布的结果，Embed 5 Pro 在扫描文档与页面图像检索、金融数据集以及解析后 PDF 测试中领先于 Voyage、Gemini Embedding 等竞品模型。

## 获取方式与部署选项

这两款模型可通过 Cohere API、Model Vault、Microsoft Foundry、Amazon SageMaker 以及 Cohere 的企业级 AI 平台 North 使用。Cohere 表示，两款模型都可以用 vLLM 提供服务，并能以私有部署方式运行在企业自己的虚拟私有云（VPC）或本地服务器上。Embed 5 并未在 Hugging Face 上公开供所有人下载，因此不属于开放模型。最新价格请以 Cohere 官网为准。

## 适合拥有 PDF 与图表档案的企业

Embed 5 的主要受众，是在金融、法律、保险、医疗等领域搭建搜索或 RAG 的企业，这些行业的大量信息存放在扫描文档、表格和图表中。100 多种语言的支持，对处理土耳其语或阿拉伯语文档的机构同样有意义。对于身处强监管行业、不希望数据外流的企业来说，在自有基础设施上运行的选项也是一个加分项。

部分对比采用了 Cohere 同日推出的自有评估方法 RCP-nDCG@10，该方法依据每个查询特有的相关性标准为检索结果打分。在真实的企业档案中，结果可能有所不同；建议先用自己的文档测试，并关注独立研究人员的评测。

来源：[Cohere 博客：Embed 5](https://cohere.com/blog/embed-5?ref=globalfeed.ai)。