Cohere Embed

Ausführliche Erklärung

Embedding-Modelle wandeln Texte – zunehmend auch Bilder und ganze Dokumentseiten – in numerische Vektoren um. Diese Vektoren bilden die Bedeutung des Inhalts ab, sodass sich die inhaltliche Ähnlichkeit zweier Texte rechnerisch bestimmen lässt. Sie sind damit die technische Grundlage für semantische Suche, RAG (Retrieval Augmented Generation), Textklassifikation und Clustering. Cohere Embed ist die entsprechende Modellfamilie des kanadischen Anbieters Cohere und eine der bekannteren Alternativen zu den Embedding-Modellen von OpenAI oder Google.

Aktuell ist die vierte Generation, embed-v4.0, die Cohere im April 2025 als Nachfolgerin von Embed v3 veröffentlicht hat. Sie verarbeitet Text, Bilder und PDF-Seiten in einem einzigen Aufruf, unterstützt mehr als 100 Sprachen, arbeitet mit einem Kontextfenster von bis zu 128.000 Token und lässt Sie die Vektorlänge zwischen 256 und 1.536 Dimensionen wählen – kürzere Vektoren senken Speicherbedarf und Suchkosten in der Vektordatenbank. Die Vorgängergeneration (embed-english-v3.0 und embed-multilingual-v3.0) liefert 1.024 Dimensionen und verarbeitet nur 512 Token je Abschnitt; sie bleibt nutzbar, ist für neue Projekte aber nicht mehr die erste Wahl. Stand: September 2026 – Modellnamen, Versionen und Preise ändern sich bei diesen Anbietern mehrmals jährlich, prüfen Sie die Angaben vor einer Investitionsentscheidung.

Eine Besonderheit der Cohere-Modelle ist die Angabe des Eingabetyps: Beim Aufruf legen Sie fest, ob der Text eine Suchanfrage oder ein zu indizierendes Dokument ist. Das Modell richtet den Vektorraum entsprechend aus, was die Treffergenauigkeit der späteren Suche erhöht. Da längere Texte vor der Verarbeitung in Abschnitte zerlegt werden müssen, bestimmt die gewählte Abschnittsgröße maßgeblich die Qualität der Ergebnisse.

Cohere Embed wird über die API von Cohere sowie über Microsoft Azure AI Foundry und Amazon Bedrock angeboten; für Unternehmen mit hohen Anforderungen an die Datenhoheit gibt es zusätzlich dedizierte und private Bereitstellungen. Abgerechnet wird nach Verbrauch: für Embed 4 rund 0,12 US-Dollar je Million Text-Token und rund 0,47 US-Dollar je Million Bild-Token, für die ältere v3-Generation rund 0,10 US-Dollar je Million Token (Stand: September 2026). Für Unternehmen jeder Größe bedeutet der Einsatz eine verwaltete Lösung ohne eigene Infrastruktur, zugleich aber eine Abhängigkeit von der Verfügbarkeit des Anbieters. Weil bei der Indizierung Unternehmensinhalte an einen Dienstleister übertragen werden, sind vorab ein Auftragsverarbeitungsvertrag abzuschließen und der Verarbeitungsort zu prüfen.

Code-Beispiel

import cohere

co = cohere.ClientV2("IHR_API_KEY")

# Dokumente in Vektoren umwandeln
dokumente = ["Digitalisierungsförderung 2026", "Beratung zu KI-Projekten"]
doc_vektoren = co.embed(
    texts=dokumente,
    model="embed-v4.0",
    input_type="search_document",
    embedding_types=["float"],
).embeddings.float

# Suchanfrage in einen Vektor umwandeln
such_vektor = co.embed(
    texts=["Digitale Transformation"],
    model="embed-v4.0",
    input_type="search_query",
    embedding_types=["float"],
).embeddings.float[0]