Cohere เปิดตัว Embed 5 โมเดล Embedding ประสิทธิภาพสูงเพื่อธุรกิจ

Cohere ได้เปิดตัว Embed 5 ซึ่งเป็นตระกูลโมเดล embedding ใหม่ที่ออกแบบมาเพื่อการค้นหาข้อมูลในระดับองค์กร ระบบ RAG (Retrieval-Augmented Generation) และการทำงานของ AI Agent โดยเฉพาะ

โมเดลตระกูลนี้มีให้เลือกใช้งาน 2 ระดับ ได้แก่ Embed 5 Pro ที่มุ่งเน้นคุณภาพในการดึงข้อมูลสูงสุด และ Embed 5 Fast ที่เน้นความเร็ว (latency) และการลดต้นทุนสำหรับการค้นหาข้อมูลแบบสด ทั้งคู่รองรับการป้อนข้อมูลทั้งข้อความ รูปภาพ และการผสมผสานทั้งสองอย่าง รองรับได้มากกว่า 100 ภาษา และประมวลผลข้อมูลได้สูงสุดถึง 128K tokens

จุดเด่นสำคัญคือทั้งรุ่น Pro และ Fast ถูกออกแบบให้ใช้ embedding space ร่วมกัน ทำให้ผู้ใช้สามารถสร้างดัชนี (index) ข้อมูลด้วยโมเดลหนึ่ง และใช้ค้นหา (query) ด้วยอีกโมเดลหนึ่งได้ทันที ซึ่งช่วยเพิ่มความยืดหยุ่นในการบริหารจัดการทรัพยากร

ปัจจุบันทั้งสองรุ่นเปิดให้บริการทั่วไปแล้วผ่าน Cohere API and Model Vault, Microsoft Foundry และ Amazon SageMaker สำหรับองค์กรที่ต้องการใช้งานผ่าน Private VPC หรือแบบติดตั้งในพื้นที่ (on-prem) สามารถรันผ่าน vLLM ได้

สิ่งที่ Cohere เปิดตัว

รหัสโมเดลบน API คือ embed-v5.0-pro และ embed-v5.0-fast ตามที่ระบุใน เอกสารโมเดลของ Cohere โดยสามารถเลือกขนาดมิติของเอาต์พุตได้ตั้งแต่ 256 ไปจนถึง 2048 มิติ (ค่าเริ่มต้นอยู่ที่ 2048)

ในด้านราคา Embed 5 Pro อยู่ที่ $0.12 ต่อ 1 ล้าน text tokens ส่วนรุ่น Fast อยู่ที่ $0.08 ขณะที่การประมวลผลรูปภาพจะมีราคาเท่ากันที่ $0.40 ต่อ 1 ล้าน tokens โดยตัวโมเดลสามารถทำ embedding จากรูปภาพของหน้ากระดาษได้โดยตรง และหลอมรวมรูปภาพเข้ากับ Metadata ให้กลายเป็น Vector เดียวกันได้ ช่วยลดปัญหาข้อมูลสูญหายจากการสกัดข้อความแบบเดิมในเอกสารจำพวกผังงานหรือแผนภูมิ

Pro และ Fast: หนึ่ง Index สองเส้นทาง Query

จากการทดสอบของ Cohere พบว่าหากใช้รุ่น Pro ทำ index และใช้รุ่น Fast ในการ query จะได้คะแนนประสิทธิภาพสูงถึง 98.4 เมื่อเทียบกับการใช้รุ่น Pro ทั้งระบบ (100 คะแนน) ในขณะที่การใช้รุ่น Fast ทั้งหมดจะได้คะแนนอยู่ที่ 96.6

แนวทางที่แนะนำคือการผสมผสานโดยใช้ Pro สร้าง Index และใช้ Fast ในการ Query เพื่อตอบโจทย์งานด้าน AI Agent ที่มักมีการค้นหาหลายสิบครั้งต่อหนึ่งงาน ซึ่งจะช่วยลดเวลาสะสมลงได้มาก โดยรุ่น Fast สามารถประมวลผลได้เร็วถึง 377.3 เอกสารต่อวินาที เทียบกับรุ่น Pro ที่ทำได้ 159.7 เอกสารต่อวินาที

ผลการทดสอบประสิทธิภาพ (Benchmarks)

ในการทดสอบ ViDoRe V3 รุ่น Embed 5 Pro ทำคะแนนเฉลี่ยได้ 85.8 นำหน้าคู่แข่งสำคัญอย่าง Voyage 4 Large (83.7), Gemini Embedding 2 (83.2) และ OpenAI text-embedding-3-large (75.5)

นอกจากนี้ Embed 5 ยังทำผลงานได้โดดเด่นในกลุ่มข้อมูลการเงิน โดยคว้าอันดับหนึ่งในชุดทดสอบ FinanceBench, FinQA และ ViDoRe V3 Finance อย่างไรก็ตาม ในด้านการรองรับหลายภาษา Gemini Embedding 2 ยังคงทำคะแนนได้ดีกว่าในบางภาษา เช่น ญี่ปุ่น อาหรับ และฮินดี ตามที่ปรากฏใน ตารางผลลัพธ์ของ Cohere เอง

ข้อควรสังเกตคือตัวเลขส่วนใหญ่ใช้มาตรวัด RCP-nDCG@10 ซึ่งเน้นวัดคุณภาพการจัดลำดับใหม่ (reranking) โดย Cohere ได้เปิดเผย โค้ดสำหรับการประเมิน เพื่อให้ตรวจสอบได้

ต้นทุนการจัดเก็บข้อมูลในระดับสเกล

Embed 5 ใช้เทคนิค Matryoshka representation ร่วมกับเอาต์พุตแบบความแม่นยำต่ำลง เพื่อประหยัดพื้นที่จัดเก็บ โดย Vector แบบ binary ขนาด 256 มิติ ใช้พื้นที่เพียง 32 bytes ซึ่งลดลงมหาศาลเมื่อเทียบกับแบบ float32

สำหรับข้อมูลจำนวน 100 ล้าน chunks พื้นที่จัดเก็บจะลดลงจาก 819 GB เหลือเพียง 3.2 GB เท่านั้น โดย Cohere แนะนำให้ใช้รูปแบบ int8 ขนาด 1024 มิติ เป็นค่าเริ่มต้น เพราะให้คุณภาพใกล้เคียงกับความแม่นยำระดับสูงสุดแต่ประหยัดพื้นที่ได้มากกว่า

คำอธิบายแบบโต้ตอบ: Embed 5 ทำงานอย่างไร

Embed 5 เทียบกับคู่แข่งที่ใกล้เคียงที่สุด

แหล่งที่มา: Cohere blog, Cohere docs, Voyage docs, Google Gemini docs, OpenAI docs ตรวจสอบเมื่อวันที่ 1 ตุลาคม 2026

ประเด็นสำคัญ

• Embed 5 Pro มีประสิทธิภาพเหนือกว่า Voyage 4 Large และ Gemini Embedding 2 ในการทดสอบ ViDoRe V3
• รุ่น Fast ช่วยลดต้นทุนเหลือ $0.08 ต่อล้าน tokens และประมวลผลเร็วกว่ารุ่น Pro 2.4 เท่า
• ความสามารถในการใช้ Vector space ร่วมกันทำให้สลับใช้งานระหว่าง Pro และ Fast ได้โดยไม่ต้องสร้างดัชนีใหม่
• รองรับบริบทขนาดใหญ่ 128K และการค้นหาแบบหลายรูปแบบ (Multimodal)
• เทคนิคการบีบอัดข้อมูลช่วยลดพื้นที่จัดเก็บดิบได้สูงสุดถึง 256 เท่า

FAQ

Cohere Embed 5 คืออะไร? เป็นโมเดล Embedding ยุคใหม่ที่รองรับหลายภาษาและข้อมูลหลากหลายรูปแบบ เปิดตัวเมื่อปลายเดือนกันยายน 2026 แบ่งเป็นรุ่น Pro และ Fast

Embed 5 ราคาเท่าไหร่? รุ่น Pro ราคา $0.12 และรุ่น Fast ราคา $0.08 ต่อ 1 ล้าน text tokens ส่วนรูปภาพอยู่ที่ $0.40 ในทั้งสองรุ่น

สามารถผสมการใช้ Pro และ Fast embedding ได้หรือไม่? ได้ เพราะทั้งคู่ใช้ embedding space เดียวกัน แต่ต้องตั้งค่ามิติของเอาต์พุตให้เท่ากันทั้งสองฝั่ง