Cohere lance Embed v4 : 30% de meilleure précision avec une taille de modèle plus petite

Annonce

Cohere a publié Embed v4, leur dernier modèle d'embeddings qui atteint des améliorations significatives en précision, efficacité et performance multilingue.

Améliorations clés

Gains de performance

Scores MTEB (Massive Text Embedding Benchmark) :

Dimensions réduites

Le passage de 1024 à 768 dimensions offre :

• 25% moins de stockage par embedding
• 20% de recherche de similarité plus rapide
• 15% de réduction des coûts API
• Pas de perte de précision (en fait améliorée)

Excellence multilingue

Embed v4 supporte plus de 100 langues avec de bonnes performances :

• Anglais : 68.2 (MTEB)
• Chinois : 65.1
• Espagnol : 64.8
• Arabe : 62.3
• Hindi : 61.7

La récupération inter-langues (requête dans une langue, récupération dans une autre) améliorée de 35%.

Innovations techniques

Embeddings Matryoshka

Embed v4 utilise le Matryoshka Representation Learning, permettant une réduction flexible des dimensions :

DEVELOPERpython
# Générer un embedding complet de 768 dimensions
full_embedding = co.embed(texts=["texte exemple"], model="embed-v4")

# Tronquer à des dimensions plus petites sans recalculer
embedding_256 = full_embedding[:256]  # Utiliser les 256 premières dims
embedding_512 = full_embedding[:512]  # Utiliser les 512 premières dims

# Compromis : taille plus petite vs. légère perte de précision

Dimension vs. précision :

• 768 dims : 100% de précision (référence)
• 512 dims : 98.5% de précision
• 256 dims : 95.2% de précision
• 128 dims : 89.1% de précision

Embeddings conscients des instructions

Embed v4 prend des instructions de tâche optionnelles pour une meilleure adaptation au domaine :

DEVELOPERpython
# Embedding standard
embedding = co.embed(
    texts=["Modèle d'apprentissage automatique"],
    model="embed-v4"
)

# Avec instruction de tâche pour un meilleur alignement au domaine
embedding = co.embed(
    texts=["Modèle d'apprentissage automatique"],
    model="embed-v4",
    input_type="search_document",
    embedding_types=["float"]
)

# Pour les requêtes (différent des documents)
query_embedding = co.embed(
    texts=["Comment fonctionne le ML ?"],
    model="embed-v4",
    input_type="search_query"
)

Améliorations de l'entraînement

Entraîné sur :

• 1,2 trillion de tokens (3x plus que v3)
• Négatifs difficiles synthétiques
• Apprentissage contrastif avec batching dynamique
• Entraînement multi-tâches sur plus de 50 tâches

Tarification

Tarification Embed v4 (par 1M de tokens) :

• embed-v4 : $0.10
• embed-v4-light : $0.02 (384 dims, précision légèrement inférieure)

Comparé aux concurrents :

• OpenAI text-embedding-3-small : $0.02 (1536 dims)
• OpenAI text-embedding-3-large : $0.13 (3072 dims)

Guide de migration

Mise à niveau de v3 vers v4 :

DEVELOPERpython
# Ancien (v3)
response = co.embed(
    texts=texts,
    model="embed-english-v3.0"
)

# Nouveau (v4)
response = co.embed(
    texts=texts,
    model="embed-v4",
    input_type="search_document"  # Nouveau paramètre
)

Note : Les embeddings v3 et v4 ne sont pas compatibles. Vous devez réencoder tout votre corpus.

Cas d'usage

Embed v4 excelle particulièrement dans :

• Recherche multilingue : Meilleure récupération inter-langues
• Recherche de code : Compréhension sémantique du code améliorée
• RAG spécifique au domaine : Le paramètre d'instruction aide à l'adaptation
• Systèmes à grande échelle : Dimensions réduites = coûts réduits

Benchmarks

Tâches de récupération

Testé sur le benchmark BeIR (récupération zero-shot) :

Classification

Sur les benchmarks standard de classification de texte :

• Banking77 : 86.2% → 89.1% (+3.4%)
• Amazon Reviews : 63.8% → 67.2% (+5.3%)
• TREC : 91.3% → 93.7% (+2.6%)

Disponibilité

• Généralement disponible via l'API Cohere
• Supporté dans tous les SDK (Python, Node.js, Go, Java)
• Prochainement sur AWS Bedrock et Azure
• Option auto-hébergée via Cohere Private Deployment

Bonnes pratiques

Sélection des dimensions

• 768 dims : Par défaut, meilleure qualité
• 512 dims : Bon équilibre pour la plupart des cas d'usage
• 256 dims : Optimisé pour le coût, toujours de bonnes performances

Types d'entrée

• search_document : Pour les documents indexés
• search_query : Pour les requêtes de recherche
• classification : Pour les tâches de classification
• clustering : Pour les tâches de clustering

Stratégie de migration

1. Tester v4 sur des requêtes échantillons
2. Comparer la qualité de récupération
3. Réencoder le corpus progressivement
4. Utiliser les tests A/B pendant la transition

Conclusion

Embed v4 établit une nouvelle norme pour les modèles d'embeddings en production, combinant une précision de pointe avec des améliorations d'efficacité pratiques. Les dimensions flexibles via les embeddings Matryoshka le rendent adapté à une large gamme de scénarios de déploiement et de budgets.