资料修改2026-09尚无逐条事实核验记录；修改日期不代表已验证

TOOLBOX / 厂商档案 · 美国 · 企业 RAG

本文仍包含未全面复核的历史资料；安装、许可、费用与当前权限请回到官方确认。查看已核信息范围

Cohere

企业级 RAG 的"隐形冠军"：不追通用聊天，专注企业检索增强（Embed + Rerank + Command）、多语言与内部知识库场景；2026 年又把开源线铺开（含 Agentic 编程模型与多语言模型）。它做的都是"企业真正要买的那部分"。

一句话定位 + 能不能本地跑

模型演进

主力线（API）

嵌入与检索线（它的看家本领）

开源线（2026 年集中释放）

你想看哪一个模型的具体评测？MODEL VIDEOS · 收录 1 个型号 / 1 条

型号Command A+（1 条）1 条 · 数据截至 2026-09-21

B站01:47

Cohere推出针对企业的高性能AI模型Command A

暴走AI君

2025-03-14 130 播放

点卡片（或封面）直接跳 B 站原视频、新标签打开——本站不转载、不搬运，视频与封面版权归原 UP 主所有；全部型号汇总见 #/videos。

业务与商业化

官方口径（公开表态与策略）

• "企业只关心三件事"：数据不出域、可私有化、检索准确——Cohere 的产品线全围绕这三点。
• RAG 全栈：Embed（向量化）+ Rerank（重排）+ Command（生成）+ Pa5（文档解析）——企业知识库的完整链路。
• 多语言是差异点：Embed 与翻译线的多语言能力在非英语市场有优势。
• 开源是 2026 新策略：从纯 API 转向"开源小档 + API 主力"的混合路线。

民间梗与争议

• "低调到被人遗忘"：模型榜单存在感低，但企业合同里常见——"看不到但离不开"。

  展开背景

  这条梗有两面。一面是"查无此人"：最刺耳的评价来自它自己的开源发布——2026-06-11 的 North Mini Code（30B 总参、3B 激活的 MoE，Apache-2.0，256K 上下文）拿了 146 分，评论里有人说这次发布"doesn't exactly instill confidence"，有人说它靠加拿大政府资金与"强制采用"续命、"两年前就该死了"，还有人声称它的 API"日活只有几百"，最高赞则指它"certainly not benchmaxxed"、承认落后于 Qwen 3.6 MoE 却仍称有竞争力。另一面是"合同里常见"：2026-09-16 它与德国 Aleph Alpha 签下正式合并协议，合并后估值据媒体报道约 200 亿美元（官方未披露），保留 Cohere 名称、双总部设在柏林与多伦多，据媒体报道，Schwarz 集团投入 5 亿欧元并规划 110–130 亿欧元的数据中心（最多 10 万颗 AI 芯片，算力走 STACKIT；官方新闻稿未载具体金额），官方把它定位为"首个跨大西洋主权 AI 方案"，CEO Aidan Gomez 的话是"没有政府或企业应该在'有能力'与'可控'之间二选一"。于是"低调"成了一种反差：通用榜单上看不到它，政府采购与受监管行业的清单里却常见；宣传口径克制，国家级合作却一个接一个。来源：Cohere 官方：与 Aleph Alpha 签署合并协议（2026-09-16） · TechStartups：Cohere 与 Aleph Alpha 合并成 200 亿美元公司（2026-09-16） · Cohere 官方博客索引（2026 年发布节奏） · HN 讨论：Cohere 首个面向开发者的模型（146 分 / 41 评论） · HN 讨论：Cohere Transcribe 语音识别（221 分 / 71 评论）

• 开源转向的解读：2026 年密集开源被看作"用小模型换开发者注意力，用 API 赚钱"。

  展开背景

  2026 年 Cohere 的开源节奏突然密集：06-09 发布 North Mini Code（官方称其首个 Agentic 编程模型，Apache-2.0、30B 总参 3B 激活、256K 上下文），随后是阿拉伯语语音识别，08 月开源 2.4B 视觉语言模型，09-10 又开源 North Small Translate 翻译模型；官方措辞是"让主权 AI 成为现实""building in the open"，并承诺社区反馈会直接塑造路线图。同一时间主力仍在 API 侧——Command / Embed / Rerank 加 08 月的文档解析 Pa5——"小档开源换注意力、API 赚钱"因此成了社区最常见的读法，官方口径则把它定义为"开源小档 + API 主力"的混合路线。社区更在意成本结构：HN 讨论里有人算过，蒸馏大概比从头训练"快 1000 倍"（直接抄老师模型），30B 与 1.6T 模型的训练成本差约 5000 倍，小档开源因此是低风险高曝光的选择。另一派从生态位解读：开源社区已经拥挤，North Mini Code 与 Qwen 3.6 同档但代码能力略弱、支持面更窄，它的现实卖点是"不许使用中国训练模型的机构"——恰好接上 Cohere 的"主权 AI"叙事。开源动机于是被读成三件事：换开发者注意力、给主权采购一个可信技术栈、在不烧大钱的前提下维持能见度。来源：Cohere 官方：North Mini Code（2026-06-09） · Cohere 官方：North Small Translate（2026-09-10） · Cohere 官方博客索引（2026 年发布节奏） · HN 讨论：Cohere 首个面向开发者的模型（146 分 / 41 评论）

• 说明：以上为公开报道与社区讨论，非官方定论。

怎么用（三条路）

1. 企业 RAG（主场景）

• Embed + Rerank + Command 组合：知识库、客服、文档问答——这是它最强的场景。
• 数据敏感行业优先看私有部署方案。

2. 本地跑（开源档）

• 2.4B VLM、翻译、语音等小档可本地跑（Ollama / vLLM）。
• 量化见 GGUF 量化与显存。

3. API 接入

• 按 token 计费；Embed / Rerank 通常比生成调用更划算。

避坑

• 不是通用聊天首选：通用对话场景下能力不如头部模型。
• 开源档偏小：适合特定任务，不适合当主模型。
• 产品线命名平实：Command / Embed / Rerank 版本号靠数字，引用写全。
• 企业部署要谈：私有化方案多需对接，个人用户以 API 为主。

上手速查

官方入口

• 官网：cohere.com · 文档：docs.cohere.com
• 权重：Hugging Face CohereLabs / CohereForAI

串联

• 横向比较 → 闭源厂商地图
• 自建 RAG → LLM 本地部署 / vLLM / llama.cpp
• 本地嵌入模型 → 模型权重直达