Cohere

Cohere 主要提供三类模型：Command 系列用于对话生成和指令理解，适合聊天机器人和内容生成；Embed 模型将文本转为向量用于语义搜索和聚类；Rerank 模型对搜索结果重排序提升相关性。RAG 场景中通常组合使用 Embed + Rerank + Command，先检索再精排最后生成答案，准确率比纯生成高 30% 以上。

Cohere 按 token 计费，Command 模型约 $1-3/百万输入 token，Embed 约 $0.1/百万 token。企业用户可谈合约价获得批量折扣。与 OpenAI 相比，Cohere 的 Embed 和 Rerank 价格通常低 40-60%，且提供私有部署选项，本地化场景可按月订阅或一次性授权，避免持续 token 消耗。

Cohere 专为 B 端设计，原生支持 VPC 私有部署和 VPC 直连，数据不经过公网；多语言模型在非英语场景表现更均衡。OpenAI 仅提供云端 API，企业敏感数据合规风险较高；Anthropic Claude 能力强但部署选项有限。Cohere 在检索增强和语义搜索工具链上更成熟，适合文档密集型业务。

支持。企业客户可在自有 AWS、GCP、Azure 或本地 Kubernetes 集群中部署 Cohere 模型，模型权重通过签署企业协议授权使用。常见模式是部署 Embed/Rerank 用于内部知识库检索，Command 用于合规要求严格的客服和文档摘要场景，延迟可控在 100ms 以内。

典型流程：1）用 Embed 模型将文档切块向量化存入向量数据库（如 Pinecone、Weaviate）；2）用户提问时先用 Embed 检索 Top-K 候选文档；3）用 Rerank 精排取前 5 条；4）拼接 Prompt 送入 Command 生成答案并标注引用来源。整个 pipeline 可在 Cohere 的 Toolkit 中通过 Python SDK 一行代码调用，2-3 天即可上线 MVP。