Cohere lança Embed 5 e propõe nova métrica de busca

Modelos Pro e Fast compartilham espaço vetorial para baratear consultas, enquanto a empresa desafia a régua tradicional de avaliação com cálculo próprio.

No dia 30 de setembro de 2026, a Cohere lançou comercialmente a família de modelos Embed 5, voltada para sistemas corporativos de busca e recuperação de informações em fluxos de RAG (geração aumentada por recuperação, processo em que a IA pesquisa documentos antes de formular uma resposta). A linha traz duas versões, o Embed 5 Pro e o Embed 5 Fast, e vem acompanhada de uma proposta técnica incomum: uma nova fórmula matemática de avaliação, chamada RCP-nDCG@10. A Cohere sustenta que as métricas tradicionais da indústria perderam a precisão. Ambos os modelos já estão disponíveis na API da Cohere, no Model Vault, no Microsoft Foundry e no Amazon SageMaker, cobrando US$ 0,12 por milhão de tokens na versão Pro e US$ 0,08 por milhão na Fast.

Menos custo de consulta com o Embed 5

A principal novidade prática de engenharia é o conceito que a empresa chamou de “Index Once, Query Cheap” (indexe uma vez, consulte barato). Em sistemas de busca semântica, converter documentos em embeddings (vetores que transformam palavras ou imagens em coordenadas numéricas para medir similaridade) consome tempo e poder de processamento. Quando equipes de engenharia tentam trocar um modelo pesado por um mais leve para cortar custos operacionais de consulta, geralmente precisam recalcular todos os vetores da base corporativa do zero.

Com o Embed 5, as versões Pro e Fast compartilham o mesmo espaço vetorial. Isso permite usar o modelo Pro para indexar o acervo histórico e rodar o modelo Fast apenas para converter as perguntas dos usuários em tempo real, sem reprocessar a base. Ambos os modelos suportam janelas de contexto de até 128 mil tokens, cobrem mais de 100 idiomas e aceitam entradas multimodais, como páginas digitalizadas e diagramas. A Cohere manteve o suporte a representações Matryoshka, que permitem encurtar vetores de 2.048 dimensões para até 256 dimensões em formatos float, int8 ou binário, reduzindo gastos com armazenamento sem perder o significado central dos dados.

Nova régua para substituir rótulos fixos

Ao mesmo tempo em que lançou os modelos, a Cohere abriu uma discussão sobre como a indústria mede a qualidade da recuperação de dados. Em tabelas conhecidas como o MTEB (Massive Text Embedding Benchmark), a pontuação depende de listas antigas de documentos com rótulos estáticos definidos por humanos. O problema é que esses testes geram muitos falsos negativos: quando um modelo moderno descobre um documento altamente relevante que os avaliadores originais não marcaram anos atrás, a métrica tradicional registra o acerto como erro.

Para tentar corrigir essa falha, os pesquisadores da Cohere Fabian David Schmidt, Donato Crisostomi, Carlos Lassance e Nils Reimers desenvolveram a metodologia RCP-nDCG@10 (Rubric-Calibrated Preferences nDCG@10). O sistema troca rótulos estáticos por rubricas qualitativas avaliadas por modelos de linguagem e calibradas estatisticamente pela Teoria de Resposta ao Item (IRT). A equipe publicou o estudo teórico no repositório arXiv (paper 2609.35739) e liberou o código no GitHub. Kenneth Enevoldsen, pesquisador da Universidade de Aarhus e principal mantenedor do MTEB, elogiou publicamente a proposta e manifestou interesse em incorporar a metodologia ao benchmark comunitário.

Números da empresa e ressalvas necessárias

Nos testes internos que a Cohere realizou no benchmark de documentos ViDoRe V3 sob a métrica RCP-nDCG@10, o Embed 5 Pro atingiu 85,8 pontos e o Embed 5 Fast marcou 84,5. A empresa usou essas pontuações para posicionar seus modelos à frente de concorrentes como o Voyage 4 Large (83,7), o Gemini Embedding 2 (83,2) e o text-embedding-3-large da OpenAI (75,5). Em um teste com 46 avaliadores humanos contratados pela própria companhia, o novo método teve 70% de concordância em 289 disputas de desempate.

Esses números pedem cautela técnica. Criar o modelo e a régua usada para medi-lo traz um conflito de interesse evidente. Qualquer afirmação sobre desempenho superior validado por auditorias neutras fora da Cohere é RUMOR. A própria fornecedora admite que treinou a linha Embed 5 para essa nova metodologia e que os modelos podem pontuar abaixo nas métricas clássicas de rótulo fixo. Além disso, relatos de que a nova métrica já está integrada e ativa no leaderboard público do MTEB no Hugging Face também são RUMOR. A utilidade prática do Embed 5 vai depender de como a arquitetura se comporta em bancos vetoriais reais de produção.