Wir verwenden Cookies. Cookies und Browserspeicher halten Sie angemeldet und merken sich Ihre Einstellungen. Mit Ihrer Zustimmung messen wir außerdem, wie die Website genutzt wird. Sie können jederzeit . Siehe unsere Cookie-Richtlinie.
cohere/embed-5-fastLäuft über Ihr Guthaben zu den oben genannten Preisen. Neue Konten starten mit kostenloser Nutzung.
Einstellungen
Cohere: Embed 5 Fast ist ein multimodales Embedding-Modell von Cohere, positioniert als die Variante der Embed 5 Familie mit niedrigerer Latenz und Kosteneffizienz. Es ist für Entwickler gedacht, die Inhalte im großen Maßstab in Vektorrepräsentationen umwandeln müssen, wo Durchsatz und Reaktionsfähigkeit ebenso wichtig sind wie die Embedding-Qualität. Das Modell gehört zur Kategorie der Embeddings und nicht zur Chat-Kategorie, es erzeugt also keinen Konversationstext; seine Aufgabe ist es, Vektoren zu erzeugen, die nachgelagerte Systeme durchsuchen, vergleichen oder klassifizieren können.
Das Modell akzeptiert Text, Bilder sowie verschachtelte Text- und Bildinhalte als Eingabe und gibt als einzige Ausgabe Embeddings zurück. Diese multimodale Eingabeunterstützung bedeutet, dass ein einzelnes Modell einen Absatz, ein Produktfoto oder eine Dokumentseite einbetten kann, die beides mischt, was Retrieval-Pipelines einfacher hält, als separate Text- und Bild-Encoder zu pflegen. Es bietet eine Kontextlänge von 128.000 Token bei einer maximalen Ausgabe von 115.200, was ihm Raum gibt, lange Dokumente und große Bild- und Text-Payloads ohne aggressives Chunking zu verarbeiten. Mit etwa 1B Parametern ist es von seiner Konzeption her ein kompaktes Modell, was zu seiner schnellen, kosteneffizienten Positionierung passt.
Diese Fähigkeiten deuten auf eine ziemlich spezifische Gruppe von Anwendungsfällen hin. Semantische Suche über gemischte Medien ist die direkteste Passung: Text und Bilder in einen einzigen Vektorraum indexieren, sodass eine Abfrage beides abrufen kann. Retrieval-Augmented-Generation-Pipelines können es verwenden, um Wissensbasen einzubetten, die Abbildungen, Screenshots oder gescannte Seiten neben Fließtext enthalten. Empfehlungs- und Ähnlichkeitssysteme profitieren vom gemeinsamen Raum, da Elemente verglichen werden können, unabhängig davon, ob ihr Inhalt textlich oder visuell ist. Klassifikation, Clustering, Deduplizierung und Anomalieerkennung über große Korpora sind ebenfalls naheliegende Anwendungen, insbesondere dort, wo das Datenvolumen Latenz und Kosten pro Embedding zu einem praktischen Anliegen machen.
Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID "cohere/embed-5-fast" auf. Da der Endpunkt der OpenAI-Embeddings-Konvention folgt, können bestehende Clients und SDKs, die bereits auf diese Schnittstelle abzielen, mit minimalen Änderungen auf api14 zeigen, typischerweise nur durch Austauschen der Basis-URL und der Modell-ID. Das Modell deklariert keine unterstützten Anfrageparameter über die standardmäßige Embedding-Anfrageform hinaus, Sie sollten also nicht erwarten, dass Tuning-Optionen wie benutzerdefinierte Dimensionen oder anbieterspezifische Optionen verfügbar sind; senden Sie Ihre Eingabe und lesen Sie die zurückgegebenen Vektoren.
Da es die schnelle Variante der Embed 5 Familie ist, ist es die sinnvolle Standardwahl, wenn Sie in großem Umfang einbetten und Latenz oder Durchsatz die einschränkenden Faktoren sind. Wenn Ihre Arbeitslast rein textbasiert ist und keine Bildverarbeitung benötigt, könnte ein reines Text-Embedding-Modell einfacher passen. Wenn Sie ein Modell benötigen, das Text statt Vektoren erzeugt, ist dies nicht die richtige Wahl, da seine Ausgabemodalität ausschließlich Embeddings sind.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.embeddings.create({
"model": "cohere/embed-5-fast",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
In dieser Community gibt es noch keine Themen. Eröffnen Sie das erste zu Cohere: Embed 5 Fast.