内容摘要Cohere发布Embed 5 Pro和Fast，称两者可共用向量空间，分别用于建索引和查询。
正文
Cohere发Embed 5：Pro建索引、Fast查询，不用重建向量库
动察 Beating AI 快讯，英伟达投资的企业 AI 公司 Cohere 发布新一代 embedding 模型 Embed 5，分为 Pro 和 Fast 两档。Embedding 模型负责把文字、图片转成向量，供搜索、RAG 和 Agent 找资料。两款模型支持文字、图片和混合输入，覆盖 100 多种语言，上下文最长 128K token。
两款模型共用同一向量空间。企业可以先用质量更高的 Pro 给文档建索引，再用更快的 Fast 处理查询，不需要重新生成整套向量。Cohere 在 40 个数据集上的测试显示，Pro 建索引、Fast 查询的综合成绩相当于 Pro 全程方案的 98.4%，差距约 1.6%。
Cohere 的测试中，Embed 5 Pro 在 ViDoRe V3 平均得到 85.8，Fast 为 84.5，高于 Voyage 4 Large 的 83.7 和 Gemini Embedding 2 的 83.2。Fast 每百万文本 token 定价 0.08 美元，Pro 为 0.12 美元。
原文链接：https://m.theblockbeats.info/flash/369876
AI 辅助解读
以下为辅助分析，与已报道事实分开展示；重要信息请进一步核实。
Embedding模型会把文字或图片转换成向量，让搜索、RAG和Agent据此查找资料。按原文描述，企业可用质量更高的Pro处理文档，用速度更快的Fast处理用户查询；因为两者共用向量空间，切换查询模型时不必重新生成全部文档向量。
对读者的影响
如果该兼容方式在实际业务中成立，企业可以在检索质量、查询速度和价格之间进行搭配，并减少更换查询模型时重建向量库的工作。
新手可重点理解为：Pro偏向文档入库，Fast偏向日常查询；文中性能、语言覆盖和价格均来自报道或Cohere测试，选型前仍需核对官方资料和实际效果。
风险与未知
- 证据未包含Cohere官方公告，无法独立确认模型可用性、完整规格和定价条件。
- 性能数据来自Cohere测试，缺少第三方独立测评佐证。
- 未说明40个数据集的完整名单、测试方法和具体运行条件。
- 未说明“无需重新生成整套向量”在不同数据库、向量维度及既有索引配置下的适用限制。
