Innhold Vis
Hvis du bygger søk, RAG eller agenter, er Cohere Embed 5 mest interessant fordi du kan indeksere dokumentene med Pro og la Fast håndtere de levende søkene i det samme vektorrommet. Du slipper dermed å velge enten maksimal kvalitet eller raskere spørringer for hele systemet.
Den nye familien består av embed-v5.0-pro og embed-v5.0-fast. Begge tar imot tekst, bilder og kombinasjoner av tekst og bilde, støtter mer enn 100 språk og har et kontekstvindu på 128 000 tokens. De kan levere vektorer fra 256 til 2 048 dimensjoner som float, int8 eller binary.
På papiret plasserer dette Cohere helt i front for søk i lange og visuelt rike bedriftsdokumenter. Samtidig er det viktig å holde beina på bakken: De sterkeste sammenligningstallene kommer fra Cohere, og mye av evalueringen bruker en ny målemetode som ennå ikke er uavhengig gjentatt. Modellvalget bør derfor styres av egne dokumenter, egne spørringer og kostnaden for hele søkekjeden.
Hva er Cohere Embed 5?
Cohere Embed 5 er en multimodal embedding-familie for semantisk søk, RAG og agentarbeid. Ifølge Cohere sin offisielle lansering kom familien 30. september 2026 med to modeller: Pro for høyest mulig søkekvalitet og Fast for lav responstid og stor trafikk.
En embedding-modell gjør innhold om til tallvektorer. Innhold med lignende betydning havner nær hverandre i vektorrommet, slik at et spørsmål kan finne relevante dokumentbiter selv om de ikke bruker nøyaktig de samme ordene. Det er motoren bak mye semantisk søk og mange RAG-systemer.
Embed 5 kan behandle en side som bilde i stedet for å være avhengig av at all informasjon først trekkes ut som ren tekst. Det er nyttig for skannede dokumenter, presentasjoner, diagrammer og sider der plassering og visuelle elementer bærer mening. En side kan også kombineres med metadata i én og samme vektor.
Kontekstvinduet på 128 000 tokens skiller seg ut. Det betyr ikke at du bør slutte å dele dokumenter i fornuftige biter, men det gir mer spillerom for lange rapporter, tabeller og tekniske manualer der for aggressiv oppdeling kan rive sammenhengen i stykker.
Hvorfor er Pro og Fast i samme vektorrom viktig?
Pro og Fast lager kompatible vektorer så lenge begge bruker samme antall dimensjoner. Dermed kan du indeksere dokumentlageret med Pro én gang, og deretter sende brukerens spørringer gjennom Fast. Cohere anbefaler nettopp denne kombinasjonen for systemer som vil ha en sterk indeks uten å betale maksimal pris og ventetid for hvert levende søk.
Det er en mer praktisk forbedring enn enda et enslig benchmarkpoeng. Indeksering skjer ofte i bakgrunnen eller i batch og tåler mer ventetid. Spørringer fra en bruker eller en agent ligger derimot direkte i arbeidsflyten. Når en agent søker mange ganger før den svarer, blir hvert ekstra millisekund og hvert ekstra API-kall ganget opp.
I Cohere sine egne målinger på 40 utviklingsdatasett ble Pro mot Pro satt til 100 i relativ kvalitet. Pro-indeks med Fast-spørringer nådde 98,4, mens Fast på begge sider nådde 96,6. Fast behandlet samtidig 377,3 dokumenter i sekundet mot 159,7 for Pro, ifølge tallene gjengitt i den opprinnelige sammenligningen hos MarkTechPost.
Det høres ut som en opplagt standardoppskrift, men kompatibiliteten fjerner ikke behovet for testing. Hvis dokumentene dine er korte og rene, kan Fast være godt nok også til indeksering. Hvis søket brukes i juss, finans eller andre områder der én feil hentet passasje kan bli dyr, kan Pro på begge sider være verdt den ekstra kostnaden.
Hva koster Embed 5?
Embed 5 Pro koster 0,12 dollar per million teksttokens, omtrent 1,16 kroner med en dollarkurs rundt 9,63 kroner. Fast koster 0,08 dollar, omtrent 77 øre per million teksttokens. Bildeinput koster 0,40 dollar, cirka 3,85 kroner per million tokens, på begge modellene.
Selve API-prisen er altså lav. Den virkelige regningen kommer gjerne fra mengden innhold, hvor ofte dokumenter indekseres på nytt, antall søk i hver agentrunde og driften av vektordatabasen. En agent som gjør 20 søk for å løse én oppgave har en annen kostnadsprofil enn et vanlig søkefelt med ett kall.
Her gir Pro/Fast-splittelsen mening. Du kan betale Pro-pris når et dokument legges inn eller oppdateres, og bruke Fast på den langt mer trafikkerte spørringssiden. Forskjellen på 38 øre per million tokens ser liten ut isolert. Ved stor trafikk er det nettopp slike små forskjeller som får bein å gå på.
Voyage 4 Large ligger på samme tekstpris som Pro, 0,12 dollar per million tokens, og inkluderer ifølge Voyage sin pristabell 200 millioner gratis tokens per konto før betalt bruk. OpenAI text-embedding-3-large koster 0,13 dollar per million tokens, omtrent 1,25 kroner. Prisforskjellene er små nok til at søkekvalitet på egne data bør veie tyngre enn noen få øre.
Hvor mye lagring trenger vektorene?
Embed 5 kan levere 256, 512, 768, 1 024, 1 536 eller 2 048 dimensjoner. I tillegg kan du velge float, int8 eller binary. Det gir et stort spenn mellom maksimal presisjon og svært kompakt lagring, uten at du trenger å bytte modellfamilie.
En vektor med 2 048 float32-verdier bruker 8 192 byte. En 1 024-dimensjonal int8-vektor bruker 1 024 byte, mens en binær vektor med 256 dimensjoner bruker bare 32 byte. For 100 millioner dokumentbiter betyr det omtrent 819 GB, 102 GB eller 3,2 GB i rå vektordata før overhead fra indeks og database.
Cohere peker på 1 024 dimensjoner med int8 som et godt kompromiss med kvalitet nær full presisjon. Det er et fornuftig sted å begynne en test, ikke en universell fasit. Mindre vektorer reduserer minnebruk og kan gjøre søket raskere, men hvor langt du kan komprimere før relevante treff forsvinner, avhenger av språket, dokumentene og hvor like kandidatene er.
Hvis du skal bruke Pro til indeksering og Fast til spørringer, må dimensjonen være lik på begge sider. Dette er en detalj som er lett å overse når målet er å spare plass. Endrer du dimensjon senere, må eksisterende innhold indekseres på nytt.
Slår Embed 5 Voyage, Gemini og OpenAI?
Embed 5 Pro leder flere av Cohere sine publiserte tester, men det er for tidlig å kåre en ubestridt vinner. På ViDoRe V3 fikk Pro 85,8 og Fast 84,5, mot 83,7 for Voyage 4 Large, 83,2 for Gemini Embedding 2 og 75,5 for OpenAI text-embedding-3-large. Pro ledet også Cohere sin test for analyserte PDF-filer med 84,8 mot 83,6 for Voyage.
Forbeholdet er viktig. Mange av tallene bruker RCP-nDCG@10, en ny Cohere-måling som omorganiserer et fast sett kandidater. Det ligner derfor mer på måling av rangering enn komplett førstegangssøk gjennom en stor indeks. Cohere har publisert evalueringskoden, men uavhengige kjøringer på andre datasett mangler foreløpig.
Resultatene er heller ikke en ren seier på alle språk. Cohere rapporterer et gjennomsnitt på 77 for europeiske språk, men Gemini Embedding 2 slo Pro på 9 av 10 fjernere språk i Cohere sin egen tabell, blant annet japansk, arabisk, hindi og telugu. Har du mye flerspråklig innhold, holder det ikke å lese én gjennomsnittsscore.
Poenget er ganske enkelt: Leverandørtall forteller hvilke modeller som fortjener en plass i din egen test. De forteller ikke hvilken modell som vinner på norske produktnavn, interne forkortelser, rotete PDF-er eller spørsmålene kundene faktisk stiller.
Hvordan skiller konkurrentene seg?
Voyage 4 Large er et sterkt alternativ for tekst. Modellen støtter 32 000 tokens og 256, 512, 1 024 eller 2 048 dimensjoner. Hele Voyage 4-serien deler vektorrom, og dokumentasjonen støtter float, int8, uint8, binary og ubinary. Det gir mye av den samme fleksibiliteten rundt størrelse og presisjon, men modellen tar ikke bildeinput direkte.
Gemini Embedding 2 er bredere multimodalt. Google oppgir støtte for tekst, inntil seks bilder per forespørsel, video på opptil 120 sekunder, lyd og PDF-filer på opptil seks sider. Modellen har 8 192 tokens tekstkontekst og anbefalte dimensjoner på 3 072, 1 536 eller 768. Jeg har tidligere skrevet mer om Gemini Embedding 2 og det felles multimodale vektorrommet.
OpenAI text-embedding-3-large er fremdeles en ren tekstmodell med 8 192 tokens og opptil 3 072 dimensjoner. Den kan forkortes med parameteren dimensions, men støtter ikke bilder, lyd eller video. OpenAI er enkelt å ta i bruk dersom resten av løsningen allerede ligger der, men modellen ser gammel ut ved siden av 128 000 tokens og direkte dokumentbilder.
Cohere sitt klare fortrinn er kombinasjonen av lang kontekst, multimodale dokumentsider, fleksible datatyper og Pro/Fast i samme rom. Gemini vinner på bredden av medietyper. Voyage er et godt, modent tekstvalg med en kompatibel modellserie. OpenAI kan fortsatt være det enkleste driftsvalget i en eksisterende OpenAI-stack, men spesifikasjonene alene gir liten grunn til å velge den for en ny, tung dokumentløsning.
Hvilken modell bør du velge?
Velg Embed 5 hvis du søker i lange rapporter, skannede sider, presentasjoner eller dokumenter der tekst og visuell struktur må forstås sammen. Start med Pro til indeksering og Fast til spørringer, samme dimensjon på begge, og mål deretter om Fast også er godt nok for dokumentene dine.
Velg Gemini Embedding 2 når lyd og video er en sentral del av materialet. Et konkret eksempel er videosøk med naturlig språk uten en separat transkripsjonspipeline. Cohere kan ta bilder og dokumentsider, men dekker ikke den samme bredden av levende medier.
Velg Voyage 4 Large dersom oppgaven hovedsakelig er tekst, du vil ha 32 000 tokens og trenger flere kvantiserte formater. Velg OpenAI dersom integrasjon og enkel drift i en eksisterende løsning betyr mer enn det største kontekstvinduet eller direkte bildeinput.
Uansett leverandør bør testen måle mer enn gjennomsnittlig treffscore. Lag et sett med vanskelige, ekte spørsmål. Mål hvor ofte riktig dokument finnes i topp 5 og topp 10, hvor ofte feil dokument ser overbevisende ut, responstid ved vanlig og høy trafikk, indeksstørrelse og total kostnad per ferdig svar. For agenter bør du også telle hvor mange søk som brukes per oppgave.
Embed 5 er sterkest som systemvalg
Cohere Embed 5 ser ut som en svært sterk modellfamilie for dokumenttung RAG. Ikke først og fremst fordi Pro ligger noen poeng foran i en leverandørtest, men fordi familien lar den dyre delen skje når dokumentene indekseres og den raske delen skje hver gang et menneske eller en agent søker.
128 000 tokens, bildebaserte dokumentsider og vektorer helt ned til 32 byte gjør den også interessant for systemer som har vokst forbi en liten samling pene tekstfiler. Her er det tatt tydelige valg for faktisk drift, ikke bare for en resultatliste.
Men jeg ville ikke flyttet en produksjonsindeks på grunnlag av Cohere sine egne tall alene. Kjør en avgrenset test mot dagens løsning, med norske dokumenter og de vanskelige spørsmålene som pleier å ryke. Hvis Pro/Fast-kombinasjonen beholder treffkvaliteten og kutter ventetid eller kostnad, har du et målbart argument. Resten er lanseringsprat.
Ofte stilte spørsmål
Kan Embed 5 Pro og Fast brukes mot samme indeks?
Ja. Pro og Fast deler vektorrom, slik at du kan indeksere dokumenter med Pro og lage spørringsvektorer med Fast. Begge sider må bruke samme antall dimensjoner. Cohere anbefaler denne kombinasjonen for å balansere kvalitet, pris og responstid.
Er Cohere Embed 5 bedre enn Gemini Embedding 2?
Det avhenger av innholdet. Embed 5 har lengre tekstkontekst og sterke resultater på dokument- og finanstester. Gemini Embedding 2 støtter i tillegg video og lyd, og slo Cohere på flere språk i Cohere sin egen sammenligning. Test på egne data.
Må jeg indeksere alt på nytt for å bytte fra Pro til Fast?
Nei, ikke når du bytter mellom Embed 5 Pro og Fast med samme dimensjon. Det felles vektorrommet er laget nettopp for å blande modellene. Bytter du dimensjon eller går til en annen modellfamilie, må dokumentene normalt indekseres på nytt.
Hvilken dimensjon bør jeg starte med i Embed 5?
1 024 dimensjoner med int8 er Cohere sitt foreslåtte kompromiss mellom kvalitet og lagring. Bruk det som startpunkt, og sammenlign mot 2 048 float og en mindre variant på et fast evalueringssett før du bestemmer produksjonsoppsettet.
