Porównanie modeli
Porównaj EmbeddingGemma 2 i Cohere Embed 4, korzystając z tej samej rubryki osadzania i wyszukiwanie wektorów pochodzącej od dostawcy. Żadnych tajemniczych wyników i żadnego wymyślonego rankingu porównawczego.
Podaj zużycie. Szacunek aktualizuje się podczas wpisywania.
Zakładamy 600 tokenów na stronę, przetwarzaną osobno. Faktyczna liczba się różni. Tylko embeddingi, bez przechowywania, wyszukiwania i odpowiedzi.
Szacunki nie obejmują podatków, narzędzi, zapisu i przechowywania pamięci podręcznej, darmowych limitów ani rabatów. Dla obrazów obejmują tylko wynik, bez promptu i obrazów referencyjnych. Tryby jakości różnią się. Brak stawki nie oznacza bezpłatności.
| Modelka | Dostęp | Szacowany koszt (USD) |
|---|---|---|
| Cohere Embed 4Cohere | Cohere | Brak zweryfikowanej stawki |
| EmbeddingGemma 2Google DeepMind | Google DeepMind | Brak zweryfikowanej stawki |
Wyniki dotyczą konkretnego testu, języka i konfiguracji, a nie ogólnej inteligencji. Brak wyników nie oznacza gorszej jakości.
Wynik przesłany przez społeczność
Trafność wyszukiwania (0–1; więcej znaczy lepiej)
MTEB · 1.38.43 · eng-Latn · test/default
dimensions: 1536 · similarity: cosine · modelMetadata: https://github.com/embeddings-benchmark/results/blob/main/results/Cohere__Cohere-embed-v4.0/1/model_meta.json
Sprawdzono: 5 września 2026
MTEB contributors · FinanceBenchRetrieval0,8833 nDCG@10
Szybkie ujęcie
Model embeddingowy Google DeepMind z otwartymi wagami do lokalnego wyszukiwania w tekście, kodzie, obrazach, dźwięku i wideo.
Otwarte wagi nie oznaczają darmowych obliczeń. Przy zmianie modelu przebuduj i oceń indeks, stosuj udokumentowaną precyzję liczbową i sprawdzaj skrócone wektory na własnych danych.
Cohere to korporacyjny model osadzania wielojęzycznego tekstu, obrazów i bogatych wizualnie dokumentów z oknem kontekstowym o wielkości 128 KB.
Cohere nie publikuje jednej prostej ceny tokena hostowanego dla Embed 4 na stronie z przeglądanymi cenami. Przed porównaniem całkowitego kosztu zapytaj o dokładny wskaźnik SaaS lub wdrożenia prywatnego.
Porównaj opublikowane fakty
Wartości korzystają z opublikowanych jednostek i limitów każdego dostawcy. Puste miejsce oznacza, że dostawca nie opublikował bezpośrednio porównywalnej wartości w sprawdzanych źródłach.
| Osadzania i wyszukiwanie wektorów | EmbeddingGemma 2 | Cohere Embed 4 |
|---|---|---|
| Cena osadzaniaAktualna cena dostawcy za milion tokenów wejściowych lub najbliższa opublikowana jednostka rozliczeniowa. | Otwarte wagi; samodzielny hosting | Cena jednostki hostowanej nie została opublikowana |
| Pojemność wejściowaMaksymalna zawartość akceptowana w jednym wejściu do osadzania, przy użyciu udokumentowanej podstawy tokena dostawcy. | 8,192 tokenów współdzielonych przez tekst i media | 128 tys. tokenów |
| Wymiary wektoroweObsługiwane rozmiary wyjściowe; mniejsze wektory zmniejszają ilość pamięci, podczas gdy większe wektory mogą zachować więcej informacji. | Domyślnie 768; 512, 256 lub 128 po ponownej normalizacji | 256, 512, 1024 lub 1536 |
| Zaakceptowane dane wejścioweTekst, kod, obraz, dźwięk, wideo, plik PDF lub dane wejściowe obsługujące dokument obsługiwane przez punkt końcowy. | Tekst, kod, obrazy, dźwięk i próbkowane klatki wideo | Tekst, obrazy i pliki PDF o mieszanej zawartości |
| Kontrola pobieraniaTryby zapytań/dokumentów, typy zadań, obcinanie, dzielenie na porcje i inne elementy sterujące kształtujące wektory do pobrania. | Prompty zadaniowe, wybór koderów, skracanie wektorów i normalizacja | Wyszukaj typy danych wejściowych zapytań/dokumentów, klasyfikacji i grupowania |
| Gdzie biegnieBezpośredni interfejs API, rynek w chmurze, wdrożenie prywatne lub trasa hostowana samodzielnie udokumentowana przez dostawcę. | Lokalnie lub samodzielnie hostowany; wagi Apache 2.0 | Cohere API, przechowalnia modeli, Microsoft Foundry, SageMaker |
Jak wybrać
Zacznij od zadania, które chcesz wykonać, a następnie sprawdź koszty, dostęp i szczegóły zasad dotyczące dokładnej trasy dostawcy.
Inferencja może działać lokalnie bez przesyłania treści źródłowej do API embeddingowego. Przechowywanie danych i dostęp do sieci zależą od aplikacji oraz podłączonych usług.
Klienci korporacyjni Cohere mogą zrezygnować ze szkolenia; Monity i generacje SaaS są zazwyczaj usuwane po 30 dniach. Zatwierdzone konta z zerowym przechowywaniem danych i wdrożenia prywatne zapewniają lepszą kontrolę.
Często zadawane pytania
EmbeddingGemma 2: Model embeddingowy Google DeepMind z otwartymi wagami do lokalnego wyszukiwania w tekście, kodzie, obrazach, dźwięku i wideo. Cohere Embed 4: Cohere to korporacyjny model osadzania wielojęzycznego tekstu, obrazów i bogatych wizualnie dokumentów z oknem kontekstowym o wielkości 128 KB.
Rozważ EmbeddingGemma 2, jeśli Twoim priorytetem jest Lokalne i offline wyszukiwanie multimodalne. Rozważ Cohere Embed 4, jeśli Twoim priorytetem jest Wyszukiwanie korporacyjne w bogatych wizualnie dokumentach. Przed zatwierdzeniem przetestuj oba rozwiązania, korzystając z własnych danych i trasy dostawcy.
Nie. To porównanie porównuje fakty opublikowane przez dostawcę dla kategorii Osadzania i wyszukiwanie wektorów. Nie wskazuje uniwersalnego zwycięzcy ani nie łączy niezgodnych wyników testów porównawczych stron trzecich.
