---
title: "Cohere Inc. (PT)"
source: "https://systems-analysis.info/int/Cohere_Inc._(PT)"
wiki: "systems-analysis.info/int"
article: "Cohere_Inc._(PT)"
language: "pt"
categories:
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
  - "Category:Portuguese"
revision_id: 1055
wiki_created_at: 2026-09-06T22:42:40Z
wiki_modified_at: 2026-09-06T22:42:40Z
downloaded_at: 2026-09-07T22:43:49Z
---

# Cohere Inc. (PT)

**Cohere** é uma empresa canadense de tecnologia de inteligência artificial especializada no desenvolvimento de grandes modelos de linguagem (LLMs) para o setor corporativo (Enterprise AI). A empresa foi fundada em 2019 em Toronto por ex-pesquisadores do Google Brain e se posiciona como uma das principais alternativas à OpenAI<sup>[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-wiki-cohere-1)</sup>.

O foco principal da Cohere é fornecer soluções de IA seguras, personalizáveis e escaláveis para empresas. Diferente de muitos concorrentes focados no mercado de consumo, a Cohere apostou desde o início em clientes corporativos, o que definiu sua abordagem tecnológica.

## História e financiamento

A Cohere foi fundada em 2019 por três cofundadores: **Aidan Gomez**, **Ivan Zhang** e **Nick Frosst**. Aidan Gomez é um dos coautores do influente artigo científico de 2017, **"Attention Is All You Need"**, que apresentou a arquitetura Transformer ao mundo<sup>[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-wiki-cohere-1)</sup>. Em dezembro de 2022, Martin Kon, ex-diretor financeiro do YouTube, tornou-se presidente e diretor de operações da empresa<sup>[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-wiki-cohere-1)</sup>.

A empresa demonstrou resultados impressionantes na captação de investimentos:

- Em 2023, em uma rodada de financiamento da Série C, foram levantados **\$270 milhões**, resultando em uma avaliação da empresa de \$2,1 a \$2,2 bilhões<sup>[\[2\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-mostecosystem-funding-2)</sup>.
- Em 2024, a empresa levantou mais **\$500 milhões**, aumentando sua avaliação para \$5,5 bilhões<sup>[\[3\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-uniteai-funding-3)</sup>.

Os principais investidores da Cohere incluem PSP Investments, Cisco Systems, AMD, Fujitsu, NVIDIA, Salesforce Ventures, Oracle e Google Cloud<sup>[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-wiki-cohere-1)[\[2\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-mostecosystem-funding-2)</sup>.

## Stack tecnológico

### Retrieval-Augmented Generation (RAG)

A tecnologia central na abordagem da Cohere é a **Retrieval-Augmented Generation (RAG)** — geração aumentada por recuperação de informação. A RAG permite que os modelos acessem bases de conhecimento externas em tempo real, o que "ancora" suas respostas em dados factuais, reduz "alucinações" e garante a atualidade das informações<sup>[\[4\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-4)</sup>. Os modelos **Command R** e **Command A** são especialmente otimizados para o uso de ferramentas em várias etapas em sistemas RAG<sup>[\[5\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-servernews-command-r-5)</sup>.

### Multilinguismo

A Cohere dedica atenção especial ao multilinguismo. A empresa desenvolveu modelos treinados com dados de falantes nativos, o que garante alta qualidade de desempenho. Por exemplo, o modelo de código aberto **Aya** suporta mais de 100 idiomas, incluindo o russo, e a família **Command** suporta mais de 10 dos principais idiomas do mundo.

### Segurança e implantação

A Cohere oferece opções flexíveis de implantação, incluindo uma plataforma SaaS, implantações em nuvem privada e integração com plataformas de terceiros (Amazon SageMaker, Google Vertex AI, Azure). A empresa dá atenção especial à segurança dos dados corporativos, oferecendo a opção de não utilizá-los para treinamento e conformidade com o padrão SOC 2 Tipo II<sup>[\[6\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-enterprise-data-commitments-6)</sup>.

## Linha de produtos e modelos

A Cohere desenvolve vários tipos de modelos, projetados para diferentes estágios do trabalho com linguagem.

### Command (Modelos generativos)

**Command** é a principal família de modelos generativos.

- **Command A**: O modelo mais eficiente (2025) com **111 bilhões de parâmetros**. Suporta uma janela de contexto de **256.000 tokens** e pode operar com apenas duas GPUs, enquanto modelos concorrentes exigem até 32<sup>[\[7\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-habr-command-a-7)</sup>. Demonstra uma velocidade de geração de até 156 tokens por segundo, o que é 1,75 vezes mais rápido que o GPT-4o<sup>[\[8\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-dsmedia-command-a-8)</sup>.
- **Command R+**: Um modelo poderoso com 104 bilhões de parâmetros e uma janela de contexto de 128.000 tokens. Supera muitos análogos e se aproxima das capacidades do GPT-4 Turbo<sup>[\[9\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-vc-future-command-r-9)</sup>.
- **Command R**: Um modelo com 35 bilhões de parâmetros, projetado para tarefas de conversação com alta precisão<sup>[\[10\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-aigenom-command-r-10)</sup>.

### Modelos especializados

- **Aya**: Um modelo multilíngue de código aberto que suporta mais de 100 idiomas. Desenvolvido com a participação de mais de 3.000 pesquisadores de 119 países<sup>[\[11\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-computerra-aya-11)</sup>.
- **Embed**: Modelos para criar representações vetoriais de texto. O **Embed 4** suporta multimodalidade e uma janela de contexto de 128.000 tokens<sup>[\[12\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-habr-embed4-12)</sup>.
- **Rerank**: Modelos para melhorar a qualidade da busca em sistemas RAG.

## Parcerias e integrações

A Cohere desenvolve ativamente parcerias com grandes empresas de tecnologia, incluindo:

- **Oracle:** Integração das tecnologias da Cohere no Oracle Fusion Cloud e NetSuite<sup>[\[13\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-erp-today-oracle-13)</sup>.
- **Salesforce:** Incorporação de funcionalidades de chat nos produtos da Salesforce<sup>[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-wiki-cohere-1)</sup>.
- **Fujitsu:** Desenvolvimento conjunto do modelo de linguagem japonês Takane<sup>[\[14\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-14)</sup>.
- **McKinsey:** Colaboração na integração de IA generativa em operações corporativas<sup>[\[1\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-wiki-cohere-1)</sup>.

## Aplicações em diversas indústrias

- **Educação:** A Cohere é usada para criar planos de aula educacionais, classificação e apoio a iniciativas multilíngues<sup>[\[15\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-arxiv-rag-education-15)[\[16\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-ieee-online-learning-16)</sup>.
- **Saúde e ciência:** Os modelos são aplicados na formulação de protocolos científicos, análise de dados médicos e apoio à pesquisa<sup>[\[17\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-bmcmededuc-protocols-17)</sup>.
- **Soluções corporativas:** Automação do fluxo de documentos, análise de dados, redação de textos de marketing e atendimento ao cliente<sup>[\[5\]](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_note-servernews-command-r-5)</sup>.

## Ver também

- Grandes modelos de linguagem
- 

## Literatura

- 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>.

## Notas

1.  <span id="cite_note-wiki-cohere-1">↑ <sup>[1.0](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_ref-wiki-cohere_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_ref-wiki-cohere_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_ref-wiki-cohere_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_ref-wiki-cohere_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_ref-wiki-cohere_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_ref-wiki-cohere_1-5)</sup> "Cohere (company)". Na *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._(PT)#cite_ref-mostecosystem-funding_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_ref-mostecosystem-funding_2-1)</sup> "A startup de IA Cohere, agora avaliada em mais de US\$ 2,1 bilhões, levantou US\$ 270 milhões". *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._(PT)#cite_ref-uniteai-funding_3-0) "Cohere recebe um impulso de 500 milhões". *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._(PT)#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._(PT)#cite_ref-servernews-command-r_5-0)</sup> <sup>[5.1](https://systems-analysis.info/int/Cohere_Inc._(PT)#cite_ref-servernews-command-r_5-1)</sup> "Cohere Command R: O que é e como usar?". *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._(PT)#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._(PT)#cite_ref-habr-command-a_7-0) "Cohere lançou o Command A — o modelo de IA para negócios mais eficiente até hoje". *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._(PT)#cite_ref-dsmedia-command-a_8-0) "Cohere lança um modelo de IA de baixo custo que requer apenas duas GPUs". *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._(PT)#cite_ref-vc-future-command-r_9-0) "LLM para negócios: o que o Command R da Cohere pode fazer". *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._(PT)#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._(PT)#cite_ref-computerra-aya_11-0) "Cohere for AI lança o poliglota de IA Aya". *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._(PT)#cite_ref-habr-embed4_12-0) "Cohere apresentou o Embed 4 — seu modelo mais poderoso para criar representações vetoriais". *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._(PT)#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._(PT)#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._(PT)#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._(PT)#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._(PT)#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>