Cohere представляет Embed 4: мультимодальная модель искусственного интеллекта, позволяющая осуществлять поиск по документам объемом до 200 страниц

Расширенное поколение с поиском по предприятию (RAG) по-прежнему занимает центральное место в текущей волне инноваций в области агентского ИИ. Воспользовавшись устойчивым интересом к ИИ-агентам, Cohere выпустила новейшую версию своей модели встраивания, отличающуюся значительно расширенными контекстными окнами и улучшенными мультимодальными возможностями.

Модель Embed 4 от Cohere развивает мультимодальную основу, заложенную в Embed 3, и обеспечивает более высокую эффективность при работе с неструктурированными данными. Благодаря контекстному окну, поддерживающему 128 000 токенов, компании теперь могут генерировать вложения для длинных документов, эквивалентных примерно 200 страницам.

«Традиционные модели встраивания часто не обладают врожденным пониманием сложных мультимодальных бизнес-документов. Это вынуждает компании создавать сложные системы предварительной обработки, которые дают лишь незначительное повышение точности», — отмечает Cohere в своем блоге. «Embed 4 решает эту основную проблему, позволяя компаниям и их командам эффективно обнаруживать ценную информацию, скрытую в обширных хранилищах ранее недоступных для поиска данных».

Для повышения безопасности данных предприятия могут внедрить Embed 4 в виртуальных частных облачных средах или локальной технологической инфраструктуре.

Компании используют встраивание для преобразования документов и различных типов данных в числовые представления, подходящие для приложений RAG. Затем агенты искусственного интеллекта могут использовать эти встраивания для предоставления точных ответов на запросы пользователей.

Специфические знания в конкретной области

По данным компании, Embed 4 особенно подходит для секторов с высокими требованиями к соблюдению нормативных требований, таких как финансы, здравоохранение и производство. Как поставщик ИИ для предприятий, Cohere разрабатывает свои модели с учетом строгих требований безопасности регулируемых отраслей, обеспечивая глубокое понимание бизнес-контекста.

Модель была обучена на устойчивость к нерегулярностям, типичным для реальных корпоративных данных. Она сохраняет высокую точность даже при столкновении с распространенными несовершенствами, такими как орфографические ошибки и несогласованное форматирование.

«Она также демонстрирует высокую производительность при поиске в отсканированных документах и рукописных текстах — форматах, широко распространенных в юридических контрактах, страховых счетах и квитанциях о расходах. Эта возможность устраняет необходимость в сложной подготовке данных или предварительной обработке, что позволяет предприятиям значительно сэкономить время и операционные расходы», — поясняет Cohere.

Организации могут применять Embed 4 к широкому спектру материалов, включая презентации для инвесторов, файлы должной осмотрительности, отчеты о клинических испытаниях, руководства по ремонту оборудования и документацию по продуктам.

Как и его предшественник, модель поддерживает более 100 языков.

Agora, клиент Cohere, интегрировал Embed 4 в свою поисковую систему на базе искусственного интеллекта и отметил эффективность модели в поиске релевантной информации о продуктах.

«Данные электронной коммерции по своей природе сложны, они сочетают в себе изображения и многогранные текстовые описания. Создание единого встроенного представления для наших продуктов ускорило нашу поисковую функциональность и значительно повысило эффективность наших внутренних инструментов», — заявил Парам Джагги, основатель Agora, в своем блоге.

Примеры использования агентов

Cohere полагает, что такие модели, как Embed 4, значительно улучшат агентские приложения искусственного интеллекта, позиционируя их как оптимальную основу для поиска для корпоративных помощников искусственного интеллекта и автономных агентов.

«Помимо высокой точности при работе с различными типами данных, модель создана для обеспечения эффективности на уровне предприятия», — заявила Cohere. «Это позволяет ей эффективно масштабироваться для удовлетворения потребностей крупных организаций».

Cohere также подчеркнула, что Embed 4 генерирует сжатые вложения данных, что помогает снизить зачастую непомерные затраты на хранение.

Используя вложения и поиск на основе RAG, ИИ-агент может точно определять и ссылаться на конкретные документы для выполнения задач, ориентированных на выполнение запросов. Этот подход широко считается более надежным, поскольку он сводит к минимуму риск предоставления агентами неверных или вымышленных ответов.

В конкурентной среде Embed 4 соревнуется с другими моделями, такими как Qodo-Embed-1-1.5B от Qodo и предложениями от Voyage AI, которая недавно была приобретена поставщиком баз данных MongoDB.