Embed 5 Fast
Red Neuronal
Embed 5 Fast es el modelo de embeddings multimodal de Cohere para búsqueda semántica y RAG.
Características
- Entrada
- texto
- Salida
- vectores (embeddings)
- Tamaño del contexto
- 128 000 tokens
- Dimensiones del vector
- 2 048
Costo del prompt
(por 1M tokens)
Cómo funciona Embed 5 Fast?
Embed 5 Fast es la variante de menor latencia y coste de la familia Embed 5 de Cohere: un modelo multimodal de aproximadamente 1.000 millones de parámetros que convierte texto, imágenes y fragmentos mixtos en un espacio vectorial común. En BotHub, el modelo está disponible a través de una API única compatible con OpenAI: acceso sin VPN ni tarjeta extranjera, pago en rublos según consumo, más de 250 modelos en una sola ventana, cifrado AES-GCM sin almacenamiento de datos y, para empresas, contrato, factura y facturación electrónica. Escenarios: búsqueda semántica en documentación, RAG sobre bases de conocimiento, agrupación y deduplicación de solicitudes, búsqueda multimodal por imágenes y exportación de vectores a Qdrant y pgvector.Preguntas frecuentes sobre Embed 5 Fast
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
embed-5-fast es un modelo de embeddings: convierte texto en vectores que utilizan la búsqueda semántica, RAG y la agrupación. Es útil para búsquedas en bases de conocimiento, selección de documentos similares y deduplicación. El contexto es de hasta 128.000 tokens, por lo que permite procesar textos largos en un solo fragmento.
El modelo no genera texto, imágenes ni archivos; su resultado es una representación vectorial del texto de entrada que se guarda en una base de datos vectorial. El formato de respuesta es un vector numérico, ideal para almacenar en Qdrant, pgvector u otra base de datos vectorial. El contexto es de 128.000 tokens.
No hemos observado razonamiento previo a la respuesta en embed-5-fast, lo cual es esperado: el modelo no mantiene diálogos ni ofrece explicaciones. Su tarea es devolver directamente un vector para el texto de entrada. Las cadenas de razonamiento y explicaciones paso a paso deben solicitarse a modelos de texto, y luego indexar el resultado con este embedder.
No hemos observado llamadas a funciones ni salida estructurada en JSON. No es un modelo de chat: recibe texto y devuelve una representación vectorial, no un mensaje en formato JSON. Si necesitas llamadas a funciones y JSON estricto, es mejor asignar esa tarea a un modelo de texto y usar los embeddings para la búsqueda.
No hemos observado la entrada de imágenes, audio o video en embed-5-fast: el modelo trabaja con texto y el vector se construye a partir de fragmentos de texto. Las imágenes y grabaciones deben convertirse primero en texto o descripciones antes de enviarse para su vectorización. Consulta la documentación para obtener detalles sobre los tipos de entrada admitidos.
No disponemos de datos específicos sobre la calidad del rendimiento en ruso, por lo que no podemos prometer nada concreto. Es fácil comprobarlo: toma tus pares de «consulta-documento», genera los vectores y verifica si la búsqueda encuentra lo necesario. Para colecciones mixtas, prueba cada idioma por separado.