Cohere lança Embed 4: modelo de IA multimodal permite pesquisa em documentos de até 200 páginas

A geração aumentada de recuperação empresarial (RAG) continua a ser fundamental para a onda contínua de inovação em IA agente. Aproveitando o entusiasmo sustentado pelos agentes de IA, a Cohere lançou a mais recente iteração do seu modelo de incorporações, com janelas de contexto significativamente ampliadas e capacidades multimodais aprimoradas.

O modelo Embed 4 da Cohere aprimora a base multimodal estabelecida pelo Embed 3, introduzindo maior proficiência no tratamento de dados não estruturados. Com uma janela de contexto que suporta 128.000 tokens, as empresas agora podem gerar embeddings para documentos longos, equivalentes a aproximadamente 200 páginas.

“Os modelos de embeddings tradicionais muitas vezes carecem de uma compreensão inata de documentos comerciais complexos e multimodais. Isso obriga as empresas a construir sistemas de pré-processamento complexos que geram apenas ganhos marginais de precisão”, observou a Cohere em um anúncio no blog. “O Embed 4 aborda esse desafio central, capacitando as empresas e suas equipes a descobrir com eficiência insights valiosos enterrados em vastos repositórios de informações anteriormente impossíveis de pesquisar.”

Para maior segurança dos dados, as empresas podem implementar o Embed 4 em ambientes de nuvem privada virtual ou em infraestrutura de tecnologia local.

As empresas utilizam embeddings para converter documentos e vários tipos de dados em representações numéricas adequadas para aplicações RAG. Os agentes de IA podem então aproveitar esses embeddings para fornecer respostas precisas às consultas dos usuários.

Conhecimento específico do domínio

O Embed 4 é particularmente adequado para setores de alta conformidade, como finanças, saúde e manufatura, de acordo com a empresa. Como um provedor de IA focado em empresas, a Cohere projeta seus modelos levando em consideração os rigorosos requisitos de segurança de setores regulamentados, garantindo uma compreensão profunda dos contextos de negócios.

O modelo foi treinado para resistir às irregularidades típicas dos dados empresariais do mundo real. Ele mantém alta precisão mesmo quando encontra imperfeições comuns, como erros ortográficos e formatação inconsistente.

“Ele também oferece um desempenho robusto ao pesquisar documentos digitalizados e textos manuscritos — formatos predominantes em contratos jurídicos, faturas de seguros e recibos de despesas. Essa capacidade elimina a necessidade de fluxos de trabalho complexos de preparação ou pré-processamento de dados, economizando tempo e despesas operacionais significativas para as empresas”, explicou a Cohere.

As organizações podem aplicar o Embed 4 a uma ampla variedade de materiais, incluindo apresentações para investidores, arquivos de due diligence, relatórios de ensaios clínicos, manuais de reparo de equipamentos e documentação de produtos.

Espelhando seu antecessor, o modelo oferece suporte para mais de 100 idiomas.

A Agora, cliente da Cohere, integrou o Embed 4 ao seu mecanismo de pesquisa de IA e observou a eficácia do modelo na recuperação de informações relevantes sobre produtos.

“Os dados de comércio eletrônico são inerentemente complexos, combinando imagens com descrições de texto multifacetadas. A criação de uma representação de incorporação unificada para nossos produtos acelerou nossa funcionalidade de pesquisa e melhorou muito a eficiência de nossas ferramentas internas”, afirmou Param Jaggi, fundador da Agora, em uma postagem no blog.

Casos de uso de agentes

A Cohere postula que modelos como o Embed 4 irão melhorar significativamente as aplicações de IA agênica, posicionando-o como uma base de pesquisa ideal para assistentes de IA e agentes autônomos em toda a empresa.

“Além de sua forte precisão em diversos tipos de dados, o modelo foi criado para oferecer eficiência de nível empresarial”, afirmou a Cohere. “Isso permite que ele seja dimensionado de forma eficaz para atender às demandas de grandes organizações.”

A Cohere destacou ainda que o Embed 4 gera embeddings de dados compactados, ajudando a reduzir os custos de armazenamento, muitas vezes proibitivos.

Ao utilizar embeddings e pesquisa baseada em RAG, um agente de IA pode localizar e referenciar documentos específicos para executar solicitações orientadas a tarefas. Essa abordagem é amplamente considerada como produzindo resultados mais confiáveis, minimizando o risco de os agentes fornecerem respostas incorretas ou alucinadas.

No cenário competitivo, o Embed 4 concorre com outros modelos, como o Qodo-Embed-1-1.5B da Qodo e as ofertas da Voyage AI, esta última recentemente adquirida pelo provedor de banco de dados MongoDB.