Cohere lança o embed 5, superando a concorrência em benchmarks-chave

A Cohere lançou o Embed 5, uma nova família de modelos de incorporação, projetada para pesquisa empresarial, RAG (Retrieval-Augmented Generation) e recuperação orientada por agentes. O modelo está disponível em duas camadas: Pro e Fast. Pro prioriza a qualidade da recuperação, enquanto Fast se concentra na latência e na eficiência de custo. Ambos os modelos suportam texto, imagens e entradas de texto e imagem combinadas, cobrindo mais de 100 idiomas e lidando com até 128K tokens. Eles compartilham o mesmo espaço de incorporação, permitindo indexação com Pro e consulta com Fast. O Embed 5 está atualmente disponível através da API da Cohere, Model Vault, Microsoft Foundry e Amazon SageMaker, com opções privadas VPC e on-prem através do vLLM. O Embed 5 supera concorrentes como o Voyage 4 Large, o Gemini Embedding 2 e o text-embedding-3-large da OpenAI em testes de benchmark. No ViDoRe V3, o Embed 5 Pro obtém uma pontuação de 85,8, enquanto o Fast obtém 84,5. Em benchmarks financeiros, o Pro lidera com pontuações de 80,1, 90,0 e 85,0, com o Fast em segundo lugar. Os resultados multilingues mostram um desempenho misto, com o Gemini Embedding 2 superando o Pro em vários idiomas. A nova métrica RCP-nDCG@10 da Cohere, que avalia a qualidade de reordenação, é usada para essas comparações, embora a validação independente ainda esteja pendente. A Cohere emprega aprendizado de representação Matryoshka e saídas de menor precisão para reduzir o armazenamento e melhorar a eficiência. A Cohere recomenda 1024-dim int8 como a configuração padrão, equilibrando qualidade e custo. A capacidade do Embed 5 de processar imagens e combiná-las com metadados aumenta sua utilidade para documentos digitalizados e dados visuais.