---
title: "Cohere Inc. (FR)"
source: "https://systems-analysis.info/int/Cohere_Inc._(FR)"
wiki: "systems-analysis.info/int"
article: "Cohere_Inc._(FR)"
language: "fr"
categories:
  - "Category:French"
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
revision_id: 1046
wiki_created_at: 2026-09-06T22:42:31Z
wiki_modified_at: 2026-09-06T22:42:31Z
downloaded_at: 2026-09-07T22:43:45Z
---

# Cohere Inc. (FR)

**Cohere** est une entreprise technologique canadienne spécialisée dans l'intelligence artificielle, axée sur le développement de [grands modèles de langage](https://systems-analysis.info/int/Grands_mod%C3%A8les_de_langage "Grands modèles de langage") (LLM) pour le secteur de l'entreprise (Enterprise AI). L'entreprise a été fondée en 2019 à Toronto par d'anciens chercheurs de Google Brain et se positionne comme l'une des principales alternatives à OpenAI<sup>[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-wiki-cohere-1)</sup>.

L'objectif principal de Cohere est de fournir aux entreprises des solutions d'IA sécurisées, personnalisables et évolutives. Contrairement à de nombreux concurrents axés sur le marché grand public, Cohere a misé dès le départ sur les clients d'entreprise, ce qui a déterminé son approche technologique.

## Histoire et financement

Cohere a été fondée en 2019 par trois cofondateurs : **Aidan Gomez**, **Ivan Zhang** et **Nick Frosst**. Aidan Gomez est l'un des co-auteurs de l'article scientifique marquant de 2017, **« Attention Is All You Need »**, qui a introduit l'architecture Transformer au monde<sup>[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-wiki-cohere-1)</sup>. En décembre 2022, Martin Kon, ancien directeur financier de YouTube, est devenu président et directeur de l'exploitation de l'entreprise<sup>[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-wiki-cohere-1)</sup>.

L'entreprise a obtenu des résultats impressionnants en matière de levée de fonds :

- En 2023, lors d'un tour de financement de série C, **270 millions de dollars** ont été levés, valorisant l'entreprise entre 2,1 et 2,2 milliards de dollars<sup>[\[2\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-mostecosystem-funding-2)</sup>.
- En 2024, l'entreprise a levé **500 millions de dollars** supplémentaires, portant sa valorisation à 5,5 milliards de dollars<sup>[\[3\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-uniteai-funding-3)</sup>.

Les principaux investisseurs de Cohere sont PSP Investments, Cisco Systems, AMD, Fujitsu, NVIDIA, Salesforce Ventures, Oracle et Google Cloud<sup>[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-wiki-cohere-1)[\[2\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-mostecosystem-funding-2)</sup>.

## Stack technologique

### Retrieval-Augmented Generation (RAG)

La technologie centrale de l'approche de Cohere est la **génération augmentée par récupération (RAG)** (Retrieval-Augmented Generation). Le RAG permet aux modèles d'accéder en temps réel à des bases de connaissances externes, ce qui « ancre » leurs réponses dans des données factuelles, réduit les « hallucinations » et garantit l'actualité de l'information<sup>[\[4\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-4)</sup>. Les modèles **Command R** et **Command A** sont spécialement optimisés pour l'utilisation d'outils en plusieurs étapes dans les systèmes RAG<sup>[\[5\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-servernews-command-r-5)</sup>.

### Multilinguisme

Cohere accorde une attention particulière au multilinguisme. L'entreprise a développé des modèles entraînés sur des données de locuteurs natifs, ce qui garantit une haute qualité de performance. Par exemple, le modèle open source **Aya** prend en charge plus de 100 langues, dont le russe, tandis que la famille **Command** en prend en charge plus de 10 des principales langues mondiales.

### Sécurité et déploiement

Cohere propose des options de déploiement flexibles, y compris une plateforme SaaS, des déploiements en cloud privé et une intégration avec des plateformes tierces (Amazon SageMaker, Google Vertex AI, Azure). L'entreprise accorde une importance particulière à la sécurité des données d'entreprise, en offrant la possibilité de refuser leur utilisation pour l'entraînement des modèles et en garantissant la conformité à la norme SOC 2 Type II<sup>[\[6\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-enterprise-data-commitments-6)</sup>.

## Gamme de produits et modèles

Cohere développe plusieurs types de modèles conçus pour différentes étapes du traitement du langage.

### Command (Modèles génératifs)

**Command** est la famille phare de modèles génératifs.

- **Command A** : Le modèle le plus efficace (2025) avec **111 milliards de paramètres**. Il prend en charge une fenêtre de contexte de **256 000 tokens** et peut fonctionner sur seulement deux GPU, alors que les modèles concurrents en nécessitent jusqu'à 32<sup>[\[7\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-habr-command-a-7)</sup>. Il démontre une vitesse de génération allant jusqu'à 156 tokens par seconde, soit 1,75 fois plus rapide que GPT-4o<sup>[\[8\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-dsmedia-command-a-8)</sup>.
- **Command R+** : Un modèle puissant avec 104 milliards de paramètres et une fenêtre de contexte de 128 000 tokens. Il surpasse de nombreux équivalents et se rapproche des capacités de GPT-4 Turbo<sup>[\[9\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-vc-future-command-r-9)</sup>.
- **Command R** : Un modèle de 35 milliards de paramètres, conçu pour des tâches conversationnelles de haute précision<sup>[\[10\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-aigenom-command-r-10)</sup>.

### Modèles spécialisés

- **Aya** : Un modèle multilingue open source prenant en charge plus de 100 langues. Il a été développé avec la participation de plus de 3000 chercheurs de 119 pays<sup>[\[11\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-computerra-aya-11)</sup>.
- **Embed** : Modèles pour la création de représentations vectorielles de texte. **Embed 4** prend en charge la multimodalité et une fenêtre de contexte de 128 000 tokens<sup>[\[12\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-habr-embed4-12)</sup>.
- **Rerank** : Modèles pour améliorer la qualité de la recherche dans les systèmes RAG.

## Partenariats et intégrations

Cohere développe activement des partenariats avec de grandes entreprises technologiques, notamment :

- **Oracle :** Intégration des technologies de Cohere dans Oracle Fusion Cloud et NetSuite<sup>[\[13\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-erp-today-oracle-13)</sup>.
- **Salesforce :** Intégration de fonctionnalités de chat dans les produits Salesforce<sup>[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-wiki-cohere-1)</sup>.
- **Fujitsu :** Développement conjoint du modèle de langage japonais Takane<sup>[\[14\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-14)</sup>.
- **McKinsey :** Collaboration dans le domaine de l'intégration de l'IA générative dans les opérations d'entreprise<sup>[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-wiki-cohere-1)</sup>.

## Applications dans divers secteurs

- **Éducation :** Cohere est utilisé pour créer des plans de cours, pour la classification et pour soutenir des initiatives multilingues<sup>[\[15\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-arxiv-rag-education-15)[\[16\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-ieee-online-learning-16)</sup>.
- **Santé et science :** Les modèles sont appliqués pour formuler des protocoles scientifiques, analyser des données médicales et soutenir la recherche<sup>[\[17\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-bmcmededuc-protocols-17)</sup>.
- **Solutions d'entreprise :** Automatisation des flux de documents, analyse de données, rédaction de textes marketing et service client<sup>[\[5\]](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_note-servernews-command-r-5)</sup>.

## Voir aussi

- [Grands modèles de langage](https://systems-analysis.info/int/Grands_mod%C3%A8les_de_langage "Grands modèles de langage")
- 

## Bibliographie

- Cohere Team (2025). *Command A: An Enterprise-Ready Large Language Model*. <a href="https://arxiv.org/abs/2504.00698" class="external text" rel="nofollow">arXiv:2504.00698</a>.
- Üstün, A.; et al. (2024). *Aya Model: An Instruction Finetuned Open-Access Multilingual Language Model*. <a href="https://arxiv.org/abs/2402.07827" class="external text" rel="nofollow">arXiv:2402.07827</a>.
- Singh, S.; et al. (2024). *Aya Dataset: An Open-Access Collection for Multilingual Instruction Tuning*. <a href="https://arxiv.org/abs/2402.06619" class="external text" rel="nofollow">arXiv:2402.06619</a>.
- Cohere Team (2024). *Command R & Command R+: Technical Overview*. <a href="https://arxiv.org/pdf/2404.18796.pdf" class="external text" rel="nofollow">PDF</a>.
- Gao, Y.; et al. (2024). *Retrieval-Augmented Generation for Large Language Models: A Survey*. <a href="https://arxiv.org/pdf/2312.10997" class="external text" rel="nofollow">arXiv:2312.10997</a>.
- Yu, H.; et al. (2024). *Evaluation of Retrieval-Augmented Generation: A Survey*. <a href="https://arxiv.org/abs/2405.07437" class="external text" rel="nofollow">arXiv:2405.07437</a>.
- Zhu, W.; et al. (2025). *PSC: Extending Context Window of Large Language Models via Phase Shift Calibration*. <a href="https://arxiv.org/pdf/2505.12423" class="external text" rel="nofollow">arXiv:2505.12423</a>.
- Gao, Y.; et al. (2024). *Fine-Tuning vs. Retrieval-Augmented Generation for Less Popular Entities*. <a href="https://arxiv.org/abs/2403.01432" class="external text" rel="nofollow">arXiv:2403.01432</a>.
- Yu, L.; et al. (2025). *Synergizing RAG and Reasoning: A Systematic Review*. <a href="https://arxiv.org/abs/2504.15909" class="external text" rel="nofollow">arXiv:2504.15909</a>.
- Wang, Y.; et al. (2025). *Universal Embeddings for Multimodal Multilingual Retrieval*. <a href="https://arxiv.org/abs/2506.18902" class="external text" rel="nofollow">arXiv:2506.18902</a>.

## Références

1.  <span id="cite_note-wiki-cohere-1">↑ <sup>[1.0](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-wiki-cohere_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-wiki-cohere_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-wiki-cohere_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-wiki-cohere_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-wiki-cohere_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-wiki-cohere_1-5)</sup> « Cohere (company) ». Dans *Wikipedia*. <a href="https://en.wikipedia.org/wiki/Cohere_(company)" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-mostecosystem-funding-2">↑ <sup>[2.0](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-mostecosystem-funding_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-mostecosystem-funding_2-1)</sup> « La start-up d'IA Cohere, désormais valorisée à plus de 2,1 milliards de dollars, lève 270 millions de dollars ». *Most Ecosystem*. <a href="https://mostecosystem.com/news/ii-startap-cohere-kotoryi-seicas-ocenivaetsia-bolee-cem-v-21-mlrd-privlek-270-mln.59279" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-uniteai-funding-3">[↑](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-uniteai-funding_3-0) « Cohere obtient une augmentation de 500 millions ». *Unite.AI*. <a href="https://www.unite.ai/ru/Cohere-получает-прирост-в-500-миллионов,-более-чем-в-два-раза,-до-5-миллиардов/" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-4">[↑](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-4) « Rethinking the RAG vs Fine-tuning Debate ». *arXiv*. <a href="https://arxiv.org/abs/2404.01037" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-servernews-command-r-5">↑ <sup>[5.0](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-servernews-command-r_5-0)</sup> <sup>[5.1](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-servernews-command-r_5-1)</sup> « Cohere Command R : Qu'est-ce que c'est et comment l'utiliser ? ». *ServerNews*. <a href="https://servernews.ru/1102874" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-enterprise-data-commitments-6">[↑](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-enterprise-data-commitments_6-0) « Enterprise Data Commitments ». *Cohere Docs*. <a href="https://cohere.com/ar/enterprise-data-commitments" class="external autonumber" rel="nofollow">[6]</a></span>
7.  <span id="cite_note-habr-command-a-7">[↑](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-habr-command-a_7-0) « Cohere a sorti Command A — le modèle d'IA pour entreprises le plus efficace à ce jour ». *Habr*. <a href="https://habr.com/ru/companies/bothub/news/891136/" class="external autonumber" rel="nofollow">[7]</a></span>
8.  <span id="cite_note-dsmedia-command-a-8">[↑](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-dsmedia-command-a_8-0) « Cohere lance un modèle d'IA peu coûteux ne nécessitant que deux GPU ». *DSmedia*. <a href="https://dsmedia.pro/news/cohere-vypuskaet-nedoroguju-model-ii-trebujuschuju-vsego-dva-grafichesk-ih-processora" class="external autonumber" rel="nofollow">[8]</a></span>
9.  <span id="cite_note-vc-future-command-r-9">[↑](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-vc-future-command-r_9-0) « LLM pour l'entreprise : ce que peut faire Command R de Cohere ». *VC.ru*. <a href="https://vc.ru/future/1152176-llm-dlya-biznesa-chto-umeet-command-r" class="external autonumber" rel="nofollow">[9]</a></span>
10. <span id="cite_note-aigenom-command-r-10">[↑](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-aigenom-command-r_10-0) « Cohere Command R ». *AIGenom*. <a href="https://aigenom.ru/models/cohere/command-r" class="external autonumber" rel="nofollow">[10]</a></span>
11. <span id="cite_note-computerra-aya-11">[↑](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-computerra-aya_11-0) « Cohere for AI lance Aya, l'IA polyglotte ». *Компьютерра*. <a href="https://www.computerra.ru/293131/cohere-for-ai-zapuskaet-ii-poliglot-aya/" class="external autonumber" rel="nofollow">[11]</a></span>
12. <span id="cite_note-habr-embed4-12">[↑](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-habr-embed4_12-0) « Cohere a présenté Embed 4 — son modèle le plus puissant pour la création de représentations vectorielles ». *Habr*. <a href="https://habr.com/ru/companies/bothub/news/901258/" class="external autonumber" rel="nofollow">[12]</a></span>
13. <span id="cite_note-erp-today-oracle-13">[↑](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-erp-today-oracle_13-0) « Oracle, Salesforce Ventures and Nvidia invest in Cohere ». *ERP Today*. <a href="https://erp.today/oracle-salesforce-ventures-and-nvidia-invest-in-cohere/" class="external autonumber" rel="nofollow">[13]</a></span>
14. <span id="cite_note-14">[↑](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-14) « Fujitsu and Cohere to Partner on Developing Generative AI for the Japanese Language ». *Fujitsu Press Releases*. <a href="https://www.fujitsu.com/global/about/resources/news/press-releases/2024/0716-01.html" class="external autonumber" rel="nofollow">[14]</a></span>
15. <span id="cite_note-arxiv-rag-education-15">[↑](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-arxiv-rag-education_15-0) « Evaluating the Practicality of Retrieval-Augmented Generation in Student-Facing Educational Technology ». *arXiv*. <a href="https://arxiv.org/abs/2408.07542" class="external autonumber" rel="nofollow">[15]</a></span>
16. <span id="cite_note-ieee-online-learning-16">[↑](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-ieee-online-learning_16-0) « A Confusion Classification System for Online Learning Based on Multimodal Information ». *IEEE Xplore*. <a href="https://ieeexplore.ieee.org/document/10361304/" class="external autonumber" rel="nofollow">[16]</a></span>
17. <span id="cite_note-bmcmededuc-protocols-17">[↑](https://systems-analysis.info/int/Cohere_Inc._(FR)#cite_ref-bmcmededuc-protocols_17-0) « Using large language models to streamline the creation of research protocols ». *BMC Medical Education*. <a href="https://bmcmededuc.biomedcentral.com/articles/10.1186/s12909-025-07148-0" class="external autonumber" rel="nofollow">[17]</a></span>