Cohere ใน Amazon Bedrock

สร้างแอปพลิเคชัน AI ขององค์กรที่เข้าใจธุรกิจของคุณ

แนะนำรูปแบบมูลนิธิองค์กรของ Cohere

Command R และ R+เป็นโมเดลภาษาขั้นสูงที่ทรงพลังของ Cohere สำหรับแอปพลิเคชันระดับองค์กรในโลกแห่งความเป็นจริง โมเดลนี้สร้างสมดุลระหว่างประสิทธิภาพและความแม่นยำ ช่วยให้ธุรกิจสามารถเปลี่ยนจากการพิสูจน์แนวคิดไปสู่การใช้งาน AI ในแต่ละวันได้ โมเดลเหล่านี้รองรับภาษาหลัก 10 ภาษา และมีความโดดเด่นในด้านการดึงข้อมูลเพื่อการสร้างแบบเสริม (RAG) และงานที่มีบริบทยาว Command R และ R+ เหมาะสำหรับองค์กรระดับโลก โดยได้รับการปรับให้เหมาะสมสำหรับกรณีการใช้งาน RAG และมีความเชี่ยวชาญในการสร้างข้อความ เหมาะอย่างยิ่งสำหรับการนำ AI ไปใช้อย่างเต็มรูปแบบ โดยที่ R+ มอบประสิทธิภาพที่เพิ่มขึ้นสำหรับธุรกิจที่พร้อมจะใช้ประโยชน์จาก AI ในทุกการดำเนินงาน

Cohere's Embed 3 เป็นโมเดลการฝังชั้นนำของอุตสาหกรรมที่สร้างการฝังจากทั้งข้อความและรูปภาพ ช่วยให้องค์กรสามารถปลดล็อกมูลค่าจากข้อมูลรูปภาพจำนวนมาก โดยสร้างระบบการค้นหาที่แม่นยำสำหรับรายงานที่ซับซ้อน แคตตาล็อกผลิตภัณฑ์ และไฟล์การออกแบบ รองรับมากกว่า 100 ภาษาและโดดเด่นในงานค้นหาหลายรูปแบบ, Embed 3 ปรับปรุงแอปพลิเคชัน AI ขั้นสูง เพิ่มประสบการณ์อีคอมเมิร์ซ การจัดการทรัพย์สินการออกแบบ และกระบวนการตัดสินใจที่ขับเคลื่อนด้วยข้อมูล

โมเดลตัวจัดอันดับของ Cohere คือ Cohere Rerank 3.5 ให้การปรับปรุงด้านความหมายอันทรงพลังต่อคุณภาพการค้นหาของระบบค้นหาคำหลักหรือการค้นหาเวกเตอร์ใด ๆ ในกรณีการใช้ RAG การจัดอันดับใหม่สามารถช่วยทำให้มั่นใจได้ว่าเฉพาะข้อมูลที่เกี่ยวข้องมากที่สุดเท่านั้นจะถูกส่งไปยังโมเดล สิ่งนี้สามารถให้การตอบสนองที่ดีขึ้น เวลาแฝงลดลง และต้นทุนลดลงเนื่องจากโมเดลประมวลผลข้อมูลน้อยลง

ประโยชน์

ด้วยหน้าต่างบริบทที่มีโทเค็นสูงสุด 128K โมเดล Command R จึงเข้าใจและสร้างการตอบสนองภายในบริบทที่กว้างขวาง ทำให้เหมาะสำหรับเวิร์กโฟลว์ที่ซับซ้อนด้วยการนำเข้าเอกสารขนาดใหญ่ การอ้างอิงที่เกี่ยวข้องกับการดึงข้อมูลขั้นสูง และการใช้เครื่องมือ
โมเดล Command R มีความสามารถในการสร้างหลายภาษาใน 10 ภาษาธุรกิจหลัก ได้แก่ อังกฤษ ฝรั่งเศส สเปน อิตาลี เยอรมัน โปรตุเกส ญี่ปุ่น เกาหลี อาหรับ และจีน
Command R+ รองรับการใช้เครื่องมือหลายขั้นตอนซึ่งช่วยให้โมเดลสามารถรวมเครื่องมือหลายอย่างในหลายขั้นตอนเพื่อทำงานที่ยากลำบากให้สำเร็จ โมเดลสามารถแก้ไขตัวเองได้เมื่อพยายามใช้เครื่องมือแต่ล้มเหลว ทำให้โมเดลสามารถพยายามทำภารกิจให้สำเร็จหลายครั้งและเพิ่มอัตราความสำเร็จโดยรวม
โมเดล Command R ได้รับการออกแบบมาเพื่อเพิ่มประสิทธิภาพการทำงานโดยการรวมความสามารถของ AI แบบสร้างสรรค์เข้ากับแอปและเวิร์กโฟลว์ในชีวิตประจำวันได้อย่างราบรื่น ตอนนี้ธุรกิจสามารถปรับปรุงกระบวนการและปรับปรุงประสิทธิภาพโดยรวม ซึ่งนำไปสู่ผลลัพธ์ทางธุรกิจที่ดีขึ้น ด้วย Command R+ องค์กรสามารถปลดล็อกความเป็นไปได้ใหม่ๆ และยกระดับประสบการณ์ของพนักงานและลูกค้า
Cohere ปลูกฝังมาตรการความเป็นส่วนตัวของข้อมูลที่แข็งแกร่ง ช่วยให้ลูกค้าสามารถควบคุมข้อมูลของตนได้อย่างสมบูรณ์ ตั้งแต่การปรับแต่งไปจนถึงอินพุตและเอาต์พุตแบบจำลอง ธุรกิจสามารถมั่นใจได้ว่าข้อมูลที่ละเอียดอ่อนของพวกเขาจะยังคงปลอดภัยและอยู่ภายใต้การดูแลของพวกเขา

พบกับ Command FM ของ Cohere

Command คือโมเดลการสร้างข้อความสำหรับกรณีใช้งานทางธุรกิจ

กรณีใช้งาน

สร้างข้อความของคุณด้วยผู้ช่วย AI เพื่อให้คุณสามารถเขียนอีเมลที่ชัดเจนและสั้นยิ่งขึ้น

บันทึกจุดสำคัญจากห่วงโซ่อีเมล รายงานทางการเงิน หรือการบันทึกการโทรของลูกค้า

ให้ผลการค้นหาที่เกี่ยวข้องและเป็นส่วนตัวมากขึ้นแก่ผู้ใช้ผ่านการค้นหาเชิงความหมาย ซึ่งออกแบบมาเพื่อให้ตรงกับความตั้งใจของผู้ใช้ที่อยู่เบื้องหลังแบบสอบถาม

ถามคำถามและรับคำตอบจากฐานความรู้ทั้งหมดของ บริษัท ของคุณ ตั้งแต่แพลตฟอร์มการส่งข้อความของคุณไปจนถึงผู้ให้บริการจัดเก็บข้อมูลบนคลาวด์และ CRM คำตอบมาพร้อมกับการอ้างอิงเพื่อให้คุณสามารถยืนยันความถูกต้องได้

ป้อนชุดข้อมูลและให้ผู้ช่วย AI ของคุณให้คำแนะนำแก่คุณ

เวอร์ชันโมเดล

Rerank 3.5

เพิ่มความแม่นยำในการค้นหาโดยการจัดอันดับคำหลักและผลลัพธ์เวกเตอร์ใหม่ เพื่อให้แน่ใจว่าเฉพาะเนื้อหาที่เกี่ยวข้องมากที่สุดเท่านั้นที่เข้าถึงโมเดล ซึ่งให้การตอบสนองที่ดีขึ้นในขณะเดียวกันก็ลดทั้งเวลาแฝงและค่าใช้จ่าย

โทเค็นสูงสุด: 4,096

ภาษา: อังกฤษ จีน เกาหลี ฮินดี ญี่ปุ่น สเปน เยอรมัน ฝรั่งเศส อาหรับ รัสเซีย โปรตุเกส และอื่น ๆ 

รองรับการปรับแต่งอย่างละเอียด: ไม่

กรณีการใช้งานที่รองรับ: สถานการณ์ที่ต้องค้นหามาก ใช้เอกสารมาก และ RAG (ตัวอย่าง: การค้นหาโรงแรม)

อ่านบล็อก

Command R+

Command R+เป็นโมเดลภาษาสร้างที่ทรงพลังที่สุดของ Cohere ที่ปรับให้เหมาะสมสำหรับงานบริบทที่ยาวนาน เช่น การสร้างแบบดึงข้อมูล (RAG) และการใช้เครื่องมือหลายขั้นตอน


โทเค็นสูงสุด: 128K

ภาษา: อังกฤษ ฝรั่งเศส สเปน อิตาลี เยอรมัน โปรตุเกส ญี่ปุ่น เกาหลี อาหรับและจีน

รองรับการปรับแต่งอย่างละเอียด: ไม่

กรณีการใช้งานที่รองรับ: การสร้างข้อความ สรุปข้อความ แชท ผู้ช่วยความรู, คำถามและตอบ, RAG

อ่านบล็อก

Command R

Command R เป็นโมเดลภาษาสร้างของ Cohere ที่ปรับให้เหมาะสมสำหรับงานบริบทที่ยาวนาน เช่น การสร้างแบบเพิ่มการดึงข้อมูล (RAG) และเครื่องมือ และเวิร์กโหลดผลิตปรับขนาดขนาดใหญ่

โทเค็นสูงสุด: 128,000

ภาษา: อังกฤษ ฝรั่งเศส สเปน อิตาลี เยอรมัน โปรตุเกส ญี่ปุ่น เกาหลี อาหรับและจีน

รองรับการปรับแต่งอย่างละเอียด: ไม่

กรณีการใช้งานที่รองรับ: การสร้างข้อความ สรุปข้อความ แชท ผู้ช่วยความรู้ คำถามและตอบ, RAG

อ่านบล็อก

Command

Command คือโมเดลภาษาขนาดใหญ่ (LLM) ของ Cohere

โทเค็นสูงสุด: 4K

ภาษา: อังกฤษ

รองรับการปรับแต่งอย่างละเอียด: ใช่

กรณีการใช้งานที่รองรับ: แชท การสร้างข้อความ การสรุปข้อความ

อ่านบล็อก

Command Light

Command Light เป็นเวอร์ชันที่เล็กกว่าของ Command ซึ่งเป็น LLM ช่วยสร้างของ Cohere (พารามิเตอร์ 6B)

โทเค็นสูงสุด: 4K

ภาษา: อังกฤษ

รองรับการปรับแต่งอย่างละเอียด: ใช่

กรณีการใช้งานที่รองรับ: แชท การสร้างข้อความ การสรุปข้อความ

อ่านบล็อก

Embed 3 หลายภาษา

Embed 3 คือโมเดลการแสดงข้อความและรูปภาพขั้นสูงหรือแบบฝังของ Cohere เวอร์ชันนี้รองรับภาษามากกว่า 100 ภาษา และให้ประสิทธิภาพที่ยอดเยี่ยมสำหรับงานค้นหาและดึงข้อมูลเชิงความหมายข้ามภาษา

โทเค็นสูงสุด: 1,024

ภาษา: หลายภาษา (รองรับมากกว่า 100 ภาษา)

รองรับการปรับแต่งอย่างละเอียด: ไม่

กรณีการใช้งานที่รองรับ: การค้นหาความหมาย การดึงข้อมูลเพื่อการสร้างแบบเสริม (RAG), การจัดหมวดหมู่ และการจัดคลัสเตอร์ การค้นหาและการดึงข้อมูลหลายรูปแบบ

อ่านบล็อก
เรียนรู้เพิ่มเติมเกี่ยวกับการฝังหลายรูปแบบ

Embed 3 ภาษาอังกฤษ

Embed 3 คือโมเดลการแสดงข้อความและรูปภาพขั้นสูงหรือแบบฝังของ Cohere เวอร์ชันนี้รองรับภาษาอังกฤษเท่านั้นและให้ประสิทธิภาพที่ยอดเยี่ยมสำหรับงานค้นหาและดึงข้อมูลเชิงความหมาย

โทเค็นสูงสุด: 1,024

ภาษา: อังกฤษ

รองรับการปรับแต่งอย่างละเอียด: ไม่

กรณีการใช้งานที่รองรับ: การค้นหาความหมาย การดึงข้อมูลเพื่อการสร้างแบบเสริม (RAG), การจัดหมวดหมู่ และการจัดคลัสเตอร์ การค้นหาและการดึงข้อมูลหลายรูปแบบ

อ่านบล็อก
เรียนรู้เพิ่มเติมเกี่ยวกับการฝังหลายรูปแบบ