Cohere Embed KI-Funktionen, Kosten und Datenschutz (Oktober 2026)

Cohere Embed ist eine Familie von Embedding-Modellen des Anbieters Cohere aus Toronto. Sie wandelt Text, Bilder und gemischte Dokumente in Vektoren für semantische Suche, Retrieval-Augmented Generation und Agenten um, besonders bei mehrsprachigen Beständen.

Embed gehört zur Unternehmensplattform von Cohere, neben den Sprachmodellen Command, Rerank und dem Arbeitsplatzprodukt North. Embed 4 verarbeitet Text, Bilder und gemischte Dateien wie PDFs, hat 128.000 Token Kontext und liefert Vektoren mit 256 bis 1.536 Dimensionen. Kunden nutzen die gehostete API, dedizierte Instanzen im Model Vault oder private Bereitstellungen im eigenen Rechenzentrum oder in abgeschotteten VPCs. Laut Trust Center von Cohere liegen SOC 2 Type II, ISO/IEC 27001 und ISO/IEC 42001 vor.

• Dokumente sprachübergreifend findenEmbed legt Anfragen und Dokumente unabhängig von der Sprache in einen Vektorraum, abgedeckt sind über 100 Sprachen. Eine deutsche Anfrage findet so einen englischen Vertrag, internationale Teams brauchen nur einen Index.
• Gescannte PDFs und Folien einbettenEmbed 4 erzeugt für Seiten mit Text und Bildern einen einzigen Vektor. Wissensteams indexieren Berichte und Foliensätze, ohne jede Seite vorher in sauberen Text umzuwandeln.
• Speicherbedarf für Vektoren senkenDie Vektorgröße lässt sich auf 256, 512, 1.024 oder 1.536 Dimensionen einstellen. Technikteams tauschen dort, wo es passt, etwas Genauigkeit gegen kleinere Indizes und geringere Datenbankkosten.

• Private Bereitstellung im eigenen Rechenzentrum oder in abgeschotteten VPCs neben der gehosteten API.
• Ein Vektor für Seiten mit Text und Bildern bei 128.000 Token Kontext.
• Sitz in Toronto, Büros in Europa und Asien.

Cohere wurde 2019 in Toronto gegründet und hat dort seinen Sitz, weitere Büros liegen unter anderem in New York, London und Paris.

Entscheiden Sie zwischen gehosteter API, Model Vault und privater Bereitstellung danach, wo Ihre Dokumente verarbeitet werden dürfen. Trial-Schlüssel sind kostenlos, aber begrenzt und nicht für den Produktivbetrieb gedacht. Produktivschlüssel werden nach Verbrauch abgerechnet, und die Tokenpreise für Embed 4 standen bei unserer Prüfung nicht auf der Preisseite; fragen Sie diese vor der Mengenplanung an. Ein späterer Modellwechsel bedeutet, den gesamten Bestand neu einzubetten, weil Vektoren verschiedener Modelle nicht zusammenpassen.

Noch keine Bewertung. Erzählen Sie als Erste:r, wie Ihr Team es nutzt.

Jede Bewertung zeigt ihre Prüfstufe. Wir lesen jede vor der Veröffentlichung. So prüfen wir Bewertungen