Embed v4 چیست؟ بررسی کاربرد، مشخصات و محدودیتها
آخرین راستیآزمایی: ۲۶ سپتامبر ۲۰۲۶
تاریخ عرضه: روز دقیق عرضه در متن فعلی ثبت نشده است.
قیمت و شیوهٔ محاسبه: در منبع بررسیشده نرخ ثابت عمومی ثبت نشده؛ تعرفه به پلن، منطقه یا شیوهٔ مصرف وابسته است. تعرفه و دسترسی را برای زمان خرید دوباره در منبع رسمیِ مقاله بررسی کنید.
معرفی و جایگاه مدل
Embed v4 از Cohere یک مدل تولید بردار برای جستجوی معنایی است، نه چتبات یا مدل تولید پاسخ. متن، تصویر و ترکیب آنها در صفحههای PDF را در فضای برداری نمایش میدهد تا بازیاب بتواند محتوای نزدیک را بیابد. در سامانه RAG، انتخاب Embed و کیفیت ایندکس میتواند قبل از انتخاب مدل پاسخدهنده بر نتیجه اثر بگذارد. نام دقیق API embed-v4.0 است؛ «Embed v4» در فهرست این پروژه نام خواندنی همان نسخه است. تعویض خام ایندکس نسخه قبلی با بردارهای نسخه جدید میتواند رتبهبندی را ناسازگار کند.
مشخصات فنی و دسترسی
مستندات Cohere پنجره متن ۱۲۸ هزار توکن و چهار بُعد خروجی ۲۵۶، ۵۱۲، ۱۰۲۴، ۱۵۳۶ (پیشفرض) را ثبت میکند. متن، تصویر و PDFهای ترکیبی قابل پردازشاند و فاصله کسینوسی، ضرب داخلی یا اقلیدسی برای مقایسه بردارها ذکر شده است. انتخاب بُعد پایینتر حافظه و هزینه جستجوی برداری را کم میکند، ولی ممکن است دقت بازیابی را تغییر دهد. هنگام ساخت بردار پرسش و سند، input_type و بُعد را مطابق یک قرارداد ثابت نگه دارید. مشخصات Embed v4.
کاربردهای عملی
برای جستجوی قرارداد اسکنشده، صفحه PDF با جدول و تصویر را مانند سند اصلی وارد و نتیجه را به شماره صفحه برگردانید. برای کاتالوگ محصول، تصویر و توضیح متنی میتوانند جستجوی متقاطع بسازند؛ پیش از آن، تصاویر مشابه ولی متفاوت را در داده آزمون بگذارید. در جستجوی فارسی، شکلهای املایی، نیمفاصله و معادل انگلیسی اصطلاح فنی را آزمایش کنید. پس از بازیابی اولیه، Rerank میتواند ترتیب نامزدها را اصلاح کند و مدل مولد پاسخ بسازد؛ هر کدام نقش جدا دارند.
بنچمارکها و روش ارزیابی
عدد ۱۲۸K نشاندهنده طول ورودی مجاز است، نه اینکه کل فایل بلند در یک بردار بدون افت اطلاعات حفظ شود. مجموعه Eval با حداقل چند ده پرسش واقعی بسازید و Recall@k، MRR یا nDCG را در بُعدهای ۲۵۶ و ۱۵۳۶ اندازه بگیرید. برای تصاویر، پرسشهای متنی که باید صفحه مناسب را پیدا کنند اضافه کنید. برش محتوا، نرمالسازی متن و فیلتر متاداده را ثابت نگه دارید تا اثر خود مدل سنجیده شود. صفحه رسمی در مقایسه با داده شما بنچمارک نهایی قابل انتقالی ارائه نمیکند.
قیمتگذاری و محدودیتها
هزینه واقعی شامل پردازش ورودی، ذخیره بردارها، ایندکس و جستجوی هر پرسش است؛ نرخ و سقف طرح را در داشبورد Cohere بررسی کنید. فایل PDF چندصفحهای و تصویر با سند متن ساده قیمت و بار متفاوت دارد. برای مهاجرت نسخه، یک ایندکس آزمایشی جدا بسازید، دادهها را دوباره Embed کنید و با پرسشهای طلایی مقایسه کنید. از اختلاط تصادفی بردارهای v3 و v4 یا بُعدهای متفاوت در یک ستون جستجو جلوگیری کنید.
مقایسه با گزینههای نزدیک
برای تصمیم میان Embed v4 و Rerank v4.0 Pro و Rerank v4.0 Fast، فقط نام یا نسخه را معیار قرار ندهید. یک مجموعه کار مشترک، مانند پاسخ با منبع، استخراج دقیق، اجرای ابزار و کار چندمرحلهای تعریف کنید و دقت، تأخیر و هزینه هر پاسخ صحیح را ثبت کنید. اگر دو گزینه کار متفاوتی دارند، برای مثال Embedding و Reranking یا عامل مرورگر و مدل گفتوگو، ابتدا نقش هرکدام را در یک جریان کار مشخص کنید. قیمت هر توکن یا درخواست بهتنهایی کافی نیست؛ هزینه کار موفق، نرخ خطا، محدودیت API و نیاز به بازبینی را هم مقایسه کنید.
پرسشهای متداول
آیا Embed v4 پاسخ متنی تولید میکند؟
خیر؛ خروجی اصلی بردار عددی است. مدل چت در مرحله بعد از سند بازیابیشده پاسخ میسازد.
چرا بُعد خروجی را تغییر دهم؟
برای آزمودن تعادل کیفیت بازیابی و هزینه حافظه/ایندکس؛ اثر آن را روی پرسشهای واقعی بسنجید.
جمعبندی
Embed v4 برای جستجوی چندوجهی و اسناد پیچیده ارزش آزمایش دارد. طراحی ایندکس، قرارداد ورودی و سنجش Recall قبل از استقرار گسترده تعیینکننده است.
مدلهای موجود در Buffalo147 AI را ببینید
