--- title: "Cohere Inc. (FA)" source: "https://systems-analysis.info/int/Cohere_Inc._(FA)" wiki: "systems-analysis.info/int" article: "Cohere_Inc._(FA)" language: "fa" categories: - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" - "Category:Persian" revision_id: 1045 wiki_created_at: 2026-09-06T22:42:30Z wiki_modified_at: 2026-09-06T22:42:30Z downloaded_at: 2026-09-07T22:43:44Z --- # Cohere Inc. (FA) **Cohere** — یک شرکت فناوری کانادایی در حوزه هوش مصنوعی است که در توسعه مدل‌های زبانی بزرگ (LLM) برای بخش سازمانی (Enterprise AI) تخصص دارد. این شرکت در سال ۲۰۱۹ در تورنتو توسط پژوهشگران سابق Google Brain تأسیس شد و به عنوان یکی از جایگزین‌های اصلی OpenAI شناخته می‌شود^{[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-wiki-cohere-1)}. تمرکز اصلی Cohere ارائه راهکارهای هوش مصنوعی ایمن، قابل تنظیم و مقیاس‌پذیر به کسب‌وکارها است. برخلاف بسیاری از رقبا که بر بازار مصرفی تمرکز دارند، Cohere از همان ابتدا بر مشتریان سازمانی تکیه کرد و این رویکرد، مسیر فناوری آن را تعیین نمود. ## تاریخچه و تأمین مالی Cohere در سال ۲۰۱۹ توسط سه هم‌بنیان‌گذار تأسیس شد: **Aidan Gomez**، **Ivan Zhang** و **Nick Frosst**. Aidan Gomez یکی از نویسندگان مقاله علمی برجسته سال ۲۰۱۷ با عنوان **«Attention Is All You Need»** است که معماری transformer را به جهان معرفی کرد^{[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-wiki-cohere-1)}. در دسامبر ۲۰۲۲، Martin Kon، مدیر مالی سابق YouTube، به عنوان رئیس و مدیر عملیاتی شرکت منصوب شد^{[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-wiki-cohere-1)}. این شرکت نتایج چشمگیری در جذب سرمایه‌گذاری به دست آورده است: - در سال ۲۰۲۳، در قالب دور تأمین مالی Series C مبلغ **۲۷۰ میلیون دلار** جذب شد که ارزش‌گذاری شرکت را به ۲.۱ تا ۲.۲ میلیارد دلار رساند^{[\[2\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-mostecosystem-funding-2)}. - در سال ۲۰۲۴، شرکت **۵۰۰ میلیون دلار** اضافی جذب کرد و ارزش‌گذاری آن به ۵.۵ میلیارد دلار افزایش یافت^{[\[3\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-uniteai-funding-3)}. سرمایه‌گذاران کلیدی Cohere عبارتند از: PSP Investments، Cisco Systems، AMD، Fujitsu، NVIDIA، Salesforce Ventures، Oracle و Google Cloud^{[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-wiki-cohere-1)[\[2\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-mostecosystem-funding-2)}. ## پشته فناوری ### Retrieval-Augmented Generation (RAG) - تولید تقویت‌شده با بازیابی اطلاعات فناوری محوری رویکرد Cohere، **Retrieval-Augmented Generation (RAG)** است — تولید متن با کمک بازیابی اطلاعات. RAG به مدل‌ها امکان می‌دهد در زمان واقعی به پایگاه‌های دانش خارجی دسترسی داشته باشند، که پاسخ‌های آن‌ها را بر داده‌های واقعی «مبتنی» می‌سازد، «توهم» را کاهش می‌دهد و به‌روز بودن اطلاعات را تضمین می‌کند^{[\[4\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-4)}. مدل‌های **Command R** و **Command A** به‌طور ویژه برای استفاده چندمرحله‌ای از ابزارها در سیستم‌های RAG بهینه‌سازی شده‌اند^{[\[5\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-servernews-command-r-5)}. ### چندزبانگی Cohere توجه ویژه‌ای به چندزبانگی دارد. این شرکت مدل‌هایی را توسعه داده که بر داده‌های بومی‌زبانان آموزش دیده‌اند و کیفیت بالایی را تضمین می‌کنند. برای نمونه، مدل متن‌باز **Aya** از بیش از ۱۰۰ زبان از جمله فارسی پشتیبانی می‌کند و خانواده **Command** از بیش از ۱۰ زبان کلیدی جهان پشتیبانی می‌کند. ### امنیت و استقرار Cohere گزینه‌های استقرار انعطاف‌پذیری ارائه می‌دهد، از جمله پلتفرم SaaS، استقرارهای ابر خصوصی و یکپارچه‌سازی با پلتفرم‌های شخص ثالث (Amazon SageMaker، Google Vertex AI، Azure). این شرکت توجه ویژه‌ای به امنیت داده‌های سازمانی دارد و امکان عدم استفاده از آن‌ها برای آموزش و انطباق با استاندارد SOC 2 Type II را فراهم می‌کند^{[\[6\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-enterprise-data-commitments-6)}. ## خط محصولات و مدل‌ها Cohere چندین نوع مدل برای مراحل مختلف پردازش زبان توسعه می‌دهد. ### Command (مدل‌های مولد) **Command** خانواده پرچم‌دار مدل‌های مولد است. - **Command A**: کارآمدترین مدل (۲۰۲۵) با **۱۱۱ میلیارد پارامتر**. از پنجره متنی **۲۵۶ هزار token** پشتیبانی می‌کند و می‌تواند تنها با دو GPU کار کند، در حالی که مدل‌های رقیب به تا ۳۲ GPU نیاز دارند^{[\[7\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-habr-command-a-7)}. سرعت تولید آن تا ۱۵۶ token در ثانیه است که ۱.۷۵ برابر سریع‌تر از GPT-4o می‌باشد^{[\[8\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-dsmedia-command-a-8)}. - **Command R+**: مدل قدرتمند با ۱۰۴ میلیارد پارامتر و پنجره متنی ۱۲۸ هزار token. بسیاری از مدل‌های مشابه را پشت سر می‌گذارد و به توانایی‌های GPT-4 Turbo نزدیک می‌شود^{[\[9\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-vc-future-command-r-9)}. - **Command R**: مدلی با ۳۵ میلیارد پارامتر، طراحی‌شده برای وظایف مکالمه‌ای با دقت بالا^{[\[10\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-aigenom-command-r-10)}. ### مدل‌های تخصصی - **Aya**: مدل چندزبانه متن‌باز با پشتیبانی از بیش از ۱۰۰ زبان. با مشارکت بیش از ۳۰۰۰ پژوهشگر از ۱۱۹ کشور توسعه یافته است^{[\[11\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-computerra-aya-11)}. - **Embed**: مدل‌هایی برای ایجاد بازنمایی‌های برداری متن. **Embed 4** از چندوجهی (multimodality) و پنجره متنی ۱۲۸ هزار token پشتیبانی می‌کند^{[\[12\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-habr-embed4-12)}. - **Rerank**: مدل‌هایی برای بهبود کیفیت جستجو در سیستم‌های RAG. ## مشارکت‌ها و یکپارچه‌سازی‌ها Cohere به‌طور فعال روابط مشارکتی با شرکت‌های فناوری بزرگ توسعه می‌دهد، از جمله: - **Oracle:** یکپارچه‌سازی فناوری‌های Cohere در Oracle Fusion Cloud و NetSuite^{[\[13\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-erp-today-oracle-13)}. - **Salesforce:** تعبیه قابلیت‌های چت در محصولات Salesforce^{[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-wiki-cohere-1)}. - **Fujitsu:** توسعه مشترک مدل زبانی ژاپنی Takane^{[\[14\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-14)}. - **McKinsey:** همکاری در زمینه یکپارچه‌سازی هوش مصنوعی مولد در عملیات سازمانی^{[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-wiki-cohere-1)}. ## کاربرد در صنایع مختلف - **آموزش:** Cohere برای ایجاد طرح‌های درسی آموزشی، طبقه‌بندی و پشتیبانی از ابتکارات چندزبانه استفاده می‌شود^{[\[15\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-arxiv-rag-education-15)[\[16\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-ieee-online-learning-16)}. - **بهداشت و علم:** مدل‌ها برای تدوین پروتکل‌های علمی، تحلیل داده‌های پزشکی و پشتیبانی از پژوهش‌ها به‌کار می‌روند^{[\[17\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-bmcmededuc-protocols-17)}. - **راهکارهای سازمانی:** اتوماسیون گردش اسناد، تحلیل داده، نگارش متون بازاریابی و خدمات مشتریان^{[\[5\]](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_note-servernews-command-r-5)}. ## همچنین ببینید - مدل‌های زبانی بزرگ - ## منابع - Cohere Team (2025). *Command A: An Enterprise‑Ready Large Language Model*. arXiv:2504.00698. - Üstün, A.; et al. (2024). *Aya Model: An Instruction Finetuned Open‑Access Multilingual Language Model*. arXiv:2402.07827. - Singh, S.; et al. (2024). *Aya Dataset: An Open‑Access Collection for Multilingual Instruction Tuning*. arXiv:2402.06619. - Cohere Team (2024). *Command R & Command R+: Technical Overview*. PDF. - Gao, Y.; et al. (2024). *Retrieval‑Augmented Generation for Large Language Models: A Survey*. arXiv:2312.10997. - Yu, H.; et al. (2024). *Evaluation of Retrieval‑Augmented Generation: A Survey*. arXiv:2405.07437. - Zhu, W.; et al. (2025). *PSC: Extending Context Window of Large Language Models via Phase Shift Calibration*. arXiv:2505.12423. - Gao, Y.; et al. (2024). *Fine‑Tuning vs. Retrieval‑Augmented Generation for Less Popular Entities*. arXiv:2403.01432. - Yu, L.; et al. (2025). *Synergizing RAG and Reasoning: A Systematic Review*. arXiv:2504.15909. - Wang, Y.; et al. (2025). *Universal Embeddings for Multimodal Multilingual Retrieval*. arXiv:2506.18902. ## یادداشت‌ها 1. ↑ ^{[1.0](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-wiki-cohere_1-0)} ^{[1.1](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-wiki-cohere_1-1)} ^{[1.2](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-wiki-cohere_1-2)} ^{[1.3](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-wiki-cohere_1-3)} ^{[1.4](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-wiki-cohere_1-4)} ^{[1.5](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-wiki-cohere_1-5)} «Cohere (company)». В *Wikipedia*. [۱] 2. ↑ ^{[2.0](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-mostecosystem-funding_2-0)} ^{[2.1](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-mostecosystem-funding_2-1)} «ИИ-стартап Cohere, который сейчас оценивается более чем в \$2,1 млрд, привлек \$270 млн». *Most Ecosystem*. [۲] 3. [↑](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-uniteai-funding_3-0) «Cohere получает прирост в 500 миллионов». *Unite.AI*. [۳] 4. [↑](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-4) «Rethinking the RAG vs Fine-tuning Debate». *arXiv*. [۴] 5. ↑ ^{[5.0](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-servernews-command-r_5-0)} ^{[5.1](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-servernews-command-r_5-1)} «Cohere Command R: Что это и как использовать?». *ServerNews*. [۵] 6. [↑](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-enterprise-data-commitments_6-0) «Enterprise Data Commitments». *Cohere Docs*. [۶] 7. [↑](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-habr-command-a_7-0) «Cohere выпустила Command A — самую эффективную на сегодня ИИ-модель для бизнеса». *Habr*. [۷] 8. [↑](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-dsmedia-command-a_8-0) «Cohere выпускает недорогую модель ИИ, требующую всего два графических процессора». *DSmedia*. [۸] 9. [↑](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-vc-future-command-r_9-0) «LLM для бизнеса: что умеет Command R от Cohere». *VC.ru*. [۹] 10. [↑](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-aigenom-command-r_10-0) «Cohere Command R». *AIGenom*. [۱۰] 11. [↑](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-computerra-aya_11-0) «Cohere for AI запускает ИИ-полиглот Aya». *Компьютерра*. [۱۱] 12. [↑](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-habr-embed4_12-0) «Cohere представила Embed 4 — свою самую мощную модель для создания векторных представлений». *Habr*. [۱۲] 13. [↑](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-erp-today-oracle_13-0) «Oracle, Salesforce Ventures and Nvidia invest in Cohere». *ERP Today*. [۱۳] 14. [↑](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-14) «Fujitsu and Cohere to Partner on Developing Generative AI for the Japanese Language». *Fujitsu Press Releases*. [۱۴] 15. [↑](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-arxiv-rag-education_15-0) «Evaluating the Practicality of Retrieval-Augmented Generation in Student-Facing Educational Technology». *arXiv*. [۱۵] 16. [↑](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-ieee-online-learning_16-0) «A Confusion Classification System for Online Learning Based on Multimodal Information». *IEEE Xplore*. [۱۶] 17. [↑](https://systems-analysis.info/int/Cohere_Inc._(FA)#cite_ref-bmcmededuc-protocols_17-0) «Using large language models to streamline the creation of research protocols». *BMC Medical Education*. [۱۷]