Kami menggunakan cookie. Cookie dan penyimpanan browser menjaga Anda tetap masuk dan mengingat preferensi Anda. Dengan izin Anda, kami juga mengukur cara situs digunakan. Anda dapat kapan saja. Lihat kebijakan cookie kami.
cohere/embed-5-fastBerjalan dengan saldo Anda sesuai harga di atas. Akun baru mendapat pemakaian gratis.
Pengaturan
Cohere: Embed 5 Fast adalah model embedding multimodal dari Cohere, diposisikan sebagai tier dengan latensi lebih rendah dan hemat biaya dari keluarga Embed 5 milik perusahaan tersebut. Model ini dibangun untuk pengembang yang perlu mengubah konten menjadi representasi vektor dalam skala besar, di mana throughput dan responsivitas sama pentingnya dengan kualitas embedding. Model ini berada dalam kategori embeddings, bukan kategori chat, sehingga tidak menghasilkan teks percakapan; tugasnya adalah menghasilkan vektor yang dapat dicari, dibandingkan, atau diklasifikasikan oleh sistem hilir.
Model ini menerima teks, gambar, dan konten teks serta gambar yang berselang-seling sebagai input, dan mengembalikan embeddings sebagai satu-satunya output. Dukungan input multimodal tersebut berarti satu model dapat melakukan embedding pada paragraf, foto produk, atau halaman dokumen yang mencampur keduanya, yang membuat pipeline retrieval lebih sederhana dibandingkan memelihara encoder teks dan gambar secara terpisah. Model ini menawarkan panjang konteks 128.000 token, dengan output maksimum 115.200, memberinya ruang untuk menangani dokumen panjang dan payload gambar serta teks berukuran besar tanpa chunking yang agresif. Dengan sekitar 1B parameter, model ini memang dirancang kompak, yang konsisten dengan posisinya yang cepat dan hemat biaya.
Kemampuan tersebut mengarah pada serangkaian use case yang cukup spesifik. Pencarian semantik atas media campuran adalah kecocokan paling langsung: mengindeks teks dan gambar ke dalam satu ruang vektor sehingga sebuah query dapat mengambil salah satunya. Pipeline retrieval-augmented generation dapat menggunakannya untuk melakukan embedding pada basis pengetahuan yang berisi figur, screenshot, atau halaman hasil pemindaian bersama dengan prosa. Sistem rekomendasi dan kemiripan diuntungkan oleh ruang bersama tersebut, karena item dapat dibandingkan terlepas dari apakah kontennya tekstual atau visual. Klasifikasi, clustering, deduplikasi, dan deteksi anomali atas korpus besar juga merupakan aplikasi yang wajar, terutama ketika volume data membuat latensi dan biaya per embedding menjadi perhatian praktis.
Anda memanggil model ini melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "cohere/embed-5-fast". Karena endpoint tersebut mengikuti konvensi embeddings OpenAI, klien dan SDK yang sudah ada yang menargetkan antarmuka itu dapat diarahkan ke api14 dengan perubahan minimal, biasanya hanya mengganti base URL dan model id. Model ini tidak mendeklarasikan parameter permintaan yang didukung di luar bentuk permintaan embedding standar, jadi Anda tidak perlu mengharapkan tersedianya knob penyetelan seperti dimensi kustom atau opsi khusus provider; kirim input Anda dan baca vektor yang dikembalikan.
Karena ini adalah tier cepat dari keluarga Embed 5, model ini adalah default yang masuk akal ketika Anda melakukan embedding dalam volume besar dan latensi atau throughput menjadi kendala. Jika beban kerja Anda sepenuhnya teks dan tidak memerlukan penanganan gambar, model embedding khusus teks mungkin lebih cocok. Jika Anda memerlukan model yang menghasilkan teks, bukan vektor, ini bukan pilihan yang tepat, karena modalitas outputnya hanya embeddings.
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));
Komunitas ini belum memiliki topik. Buka topik pertama tentang Cohere: Embed 5 Fast.