Vi använder cookies. Cookies och webbläsarlagring håller dig inloggad och kommer ihåg dina preferenser. Med ditt tillstånd mäter vi också hur webbplatsen används. Du kan när som helst. Läs vår cookiepolicy.
cohere/embed-5-fastKörs på ditt saldo till priserna ovan. Nya konton börjar med gratis användning.
Inställningar
Cohere: Embed 5 Fast är en multimodal inbäddningsmodell från Cohere, positionerad som företagets lägre latens, kostnadseffektiva nivå i Embed 5-familjen. Den är byggd för utvecklare som behöver omvandla innehåll till vektorrepresentationer i stor skala, där genomströmning och responsivitet är lika viktiga som inbäddningskvalitet. Modellen tillhör kategorin inbäddningar snarare än kategorin chatt, så den genererar inte konversationell text; dess uppgift är att producera vektorer som nedströms system kan söka i, jämföra eller klassificera.
Modellen accepterar text, bilder och varvat text- och bildinnehåll som indata, och returnerar inbäddningar som enda utdata. Detta stöd för multimodala indata innebär att en enda modell kan bädda in ett stycke, ett produktfoto eller en dokumentsida som blandar båda, vilket håller hämtningspipelines enklare än att underhålla separata text- och bildkodare. Den erbjuder en kontextlängd på 128 000 token, med maximal utdata på 115 200, vilket ger utrymme att hantera långa dokument och stora bild- och textnyttolaster utan aggressiv uppdelning. Med cirka 1B parametrar är den en kompakt modell till sin design, vilket är förenligt med dess snabba, kostnadseffektiva positionering.
Dessa förmågor pekar mot en ganska specifik uppsättning användningsfall. Semantisk sökning över blandade medier är den mest direkta tillämpningen: indexera text och bilder i ett gemensamt vektorrum så att en fråga kan hämta antingen det ena eller det andra. Pipelines för hämtningsförstärkt generering kan använda den för att bädda in kunskapsbaser som innehåller figurer, skärmbilder eller skannade sidor tillsammans med prosa. Rekommendations- och likhetssystem drar nytta av det delade rummet, eftersom objekt kan jämföras oavsett om deras innehåll är textuellt eller visuellt. Klassificering, klustring, deduplicering och avvikelsedetektering över stora korpusar är också naturliga tillämpningar, särskilt där datamängden gör latens och kostnad per inbäddning till en praktisk angelägenhet.
Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id:t "cohere/embed-5-fast". Eftersom slutpunkten följer OpenAI:s konvention för inbäddningar kan befintliga klienter och SDK:er som redan riktar sig mot det gränssnittet peka mot api14 med minimala ändringar, vanligtvis bara genom att byta bas-URL och modell-id. Modellen deklarerar inga stödda begärandeparametrar utöver standardformen för inbäddningsbegäranden, så du bör inte förvänta dig att justeringsrattar som anpassade dimensioner eller leverantörsspecifika alternativ är tillgängliga; skicka din indata och läs de returnerade vektorerna.
Med tanke på att det är den snabba nivån i Embed 5-familjen är den det förnuftiga standardvalet när du bäddar in i volym och latens eller genomströmning är begränsningen. Om din arbetsbelastning är enbart text och inte behöver bildhantering kan en textbaserad inbäddningsmodell vara en enklare lösning. Om du behöver en modell som genererar text snarare än vektorer är detta inte rätt val, eftersom dess utdatamodalitet endast är inbäddningar.
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));
Den här communityn har inga trådar ännu. Starta den första om Cohere: Embed 5 Fast.