---
title: "Cohere"
source: "https://systems-analysis.info/wiki/Cohere"
wiki: "systems-analysis.info/wiki"
article: "Cohere"
language: "ru"
categories:
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
  - "Категория:Машинное обучение"
  - "Категория:Семейства LLM"
revision_id: 81
wiki_created_at: 2026-09-06T21:54:43Z
wiki_modified_at: 2026-09-06T21:54:43Z
downloaded_at: 2026-09-07T22:17:17Z
---

# Cohere

**Cohere** — это канадская технологическая компания в области искусственного интеллекта, специализирующаяся на разработке [больших языковых моделей](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели") (LLM) для корпоративного сектора (Enterprise AI). Компания была основана в 2019 году в Торонто бывшими исследователями из Google Brain и позиционируется как одна из ключевых альтернатив OpenAI<sup>[\[1\]](https://systems-analysis.info/wiki/Cohere#cite_note-wiki-cohere-1)</sup>.

Основной фокус Cohere — предоставление бизнесу безопасных, настраиваемых и масштабируемых ИИ-решений. В отличие от многих конкурентов, ориентированных на потребительский рынок, Cohere с самого начала делала ставку на корпоративных клиентов, что определило её технологический подход.

## История и финансирование

Cohere была основана в 2019 году тремя соучредителями: **Айданом Гомесом (Aidan Gomez)**, **Иваном Чжаном (Ivan Zhang)** и **Ником Фростом (Nick Frosst)**. Айдан Гомес является одним из соавторов знаковой научной работы 2017 года **«Attention Is All You Need»**, которая представила миру архитектуру трансформера<sup>[\[1\]](https://systems-analysis.info/wiki/Cohere#cite_note-wiki-cohere-1)</sup>. В декабре 2022 года президентом и операционным директором компании стал Мартин Кон, бывший финансовый директор YouTube<sup>[\[1\]](https://systems-analysis.info/wiki/Cohere#cite_note-wiki-cohere-1)</sup>.

Компания продемонстрировала впечатляющие результаты в привлечении инвестиций:

- В 2023 году в рамках раунда финансирования Серии C было привлечено **\$270 миллионов**, что привело к оценке компании в \$2,1–2,2 миллиарда<sup>[\[2\]](https://systems-analysis.info/wiki/Cohere#cite_note-mostecosystem-funding-2)</sup>.
- В 2024 году компания привлекла дополнительно **\$500 миллионов**, увеличив свою оценку до \$5,5 миллиардов<sup>[\[3\]](https://systems-analysis.info/wiki/Cohere#cite_note-uniteai-funding-3)</sup>.

Ключевыми инвесторами Cohere являются PSP Investments, Cisco Systems, AMD, Fujitsu, NVIDIA, Salesforce Ventures, Oracle и Google Cloud<sup>[\[1\]](https://systems-analysis.info/wiki/Cohere#cite_note-wiki-cohere-1)[\[2\]](https://systems-analysis.info/wiki/Cohere#cite_note-mostecosystem-funding-2)</sup>.

## Технологический стек

### Retrieval-Augmented Generation (RAG)

Центральной технологией в подходе Cohere является **Retrieval-Augmented Generation (RAG)** — генерация, дополненная извлечением информации. RAG позволяет моделям в реальном времени обращаться к внешним базам знаний, что "заземляет" их ответы на фактических данных, снижает "галлюцинации" и обеспечивает актуальность информации<sup>[\[4\]](https://systems-analysis.info/wiki/Cohere#cite_note-4)</sup>. Модели **Command R** и **Command A** специально оптимизированы для многоэтапного использования инструментов в RAG-системах<sup>[\[5\]](https://systems-analysis.info/wiki/Cohere#cite_note-servernews-command-r-5)</sup>.

### Многоязычность

Cohere уделяет особое внимание многоязычности. Компания разработала модели, обученные на данных носителей языка, что обеспечивает высокое качество работы. Например, открытая модель **Aya** поддерживает более 100 языков, включая русский, а семейство **Command** поддерживает более 10 ключевых мировых языков.

### Безопасность и развертывание

Cohere предлагает гибкие варианты развертывания, включая SaaS-платформу, частные облачные развертывания и интеграцию с платформами третьих сторон (Amazon SageMaker, Google Vertex AI, Azure). Компания уделяет особое внимание безопасности корпоративных данных, предлагая возможность отказа от их использования для обучения и соответствие стандарту SOC 2 Type II<sup>[\[6\]](https://systems-analysis.info/wiki/Cohere#cite_note-enterprise-data-commitments-6)</sup>.

## Линейка продуктов и моделей

Cohere разрабатывает несколько типов моделей, предназначенных для разных этапов работы с языком.

### Command (Генеративные модели)

**Command** — это флагманское семейство генеративных моделей.

- **Command A**: Наиболее эффективная модель (2025 г.) с **111 млрд параметров**. Поддерживает [контекстное окно](https://systems-analysis.info/wiki/%D0%9A%D0%BE%D0%BD%D1%82%D0%B5%D0%BA%D1%81%D1%82%D0%BD%D0%BE%D0%B5_%D0%BE%D0%BA%D0%BD%D0%BE "Контекстное окно") в **256 000 [токенов](https://systems-analysis.info/wiki/%D0%A2%D0%BE%D0%BA%D0%B5%D0%BD "Токен")** и может работать всего на двух GPU, в то время как конкурирующие модели требуют до 32<sup>[\[7\]](https://systems-analysis.info/wiki/Cohere#cite_note-habr-command-a-7)</sup>. Демонстрирует скорость генерации до 156 токенов в секунду, что в 1,75 раза быстрее [GPT-4o](https://systems-analysis.info/wiki/GPT-4o "GPT-4o")<sup>[\[8\]](https://systems-analysis.info/wiki/Cohere#cite_note-dsmedia-command-a-8)</sup>.
- **Command R+**: Мощная модель со 104 миллиардами параметров и контекстным окном в 128 000 токенов. Превосходит многие аналоги и приближается к возможностям GPT-4 Turbo<sup>[\[9\]](https://systems-analysis.info/wiki/Cohere#cite_note-vc-future-command-r-9)</sup>.
- **Command R**: Модель с 35 миллиардами параметров, предназначенная для разговорных задач с высокой точностью<sup>[\[10\]](https://systems-analysis.info/wiki/Cohere#cite_note-aigenom-command-r-10)</sup>.

### Специализированные модели

- **Aya**: Открытая многоязычная модель, поддерживающая более 100 языков. Разработана при участии более 3000 исследователей из 119 стран<sup>[\[11\]](https://systems-analysis.info/wiki/Cohere#cite_note-computerra-aya-11)</sup>.
- **Embed**: Модели для создания векторных представлений текста. **Embed 4** поддерживает мультимодальность и контекстное окно 128 000 токенов<sup>[\[12\]](https://systems-analysis.info/wiki/Cohere#cite_note-habr-embed4-12)</sup>.
- **Rerank**: Модели для улучшения качества поиска в системах RAG.

## Партнёрства и интеграции

Cohere активно развивает партнёрские отношения с крупными технологическими компаниями, включая:

- **Oracle:** Интеграция технологий Cohere в Oracle Fusion Cloud и NetSuite<sup>[\[13\]](https://systems-analysis.info/wiki/Cohere#cite_note-erp-today-oracle-13)</sup>.
- **Salesforce:** Встраивание чат-возможностей в продукты Salesforce<sup>[\[1\]](https://systems-analysis.info/wiki/Cohere#cite_note-wiki-cohere-1)</sup>.
- **Fujitsu:** Совместная разработка японской языковой модели Takane<sup>[\[14\]](https://systems-analysis.info/wiki/Cohere#cite_note-14)</sup>.
- **McKinsey:** Сотрудничество в области интеграции генеративного ИИ в корпоративные операции<sup>[\[1\]](https://systems-analysis.info/wiki/Cohere#cite_note-wiki-cohere-1)</sup>.

## Применение в различных отраслях

- **Образование:** Cohere используется для создания образовательных планов уроков, классификации и поддержки многоязычных инициатив<sup>[\[15\]](https://systems-analysis.info/wiki/Cohere#cite_note-arxiv-rag-education-15)[\[16\]](https://systems-analysis.info/wiki/Cohere#cite_note-ieee-online-learning-16)</sup>.
- **Здравоохранение и наука:** Модели применяются для формулирования научных протоколов, анализа медицинских данных и поддержки исследований<sup>[\[17\]](https://systems-analysis.info/wiki/Cohere#cite_note-bmcmededuc-protocols-17)</sup>.
- **Корпоративные решения:** Автоматизация документооборота, анализ данных, написание маркетинговых текстов и обслуживание клиентов<sup>[\[5\]](https://systems-analysis.info/wiki/Cohere#cite_note-servernews-command-r-5)</sup>.

## См. также

- [Большие языковые модели](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели")
- 

## Литература

- 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>.

## Примечания

1.  <span id="cite_note-wiki-cohere-1">↑ <sup>[1,0](https://systems-analysis.info/wiki/Cohere#cite_ref-wiki-cohere_1-0)</sup> <sup>[1,1](https://systems-analysis.info/wiki/Cohere#cite_ref-wiki-cohere_1-1)</sup> <sup>[1,2](https://systems-analysis.info/wiki/Cohere#cite_ref-wiki-cohere_1-2)</sup> <sup>[1,3](https://systems-analysis.info/wiki/Cohere#cite_ref-wiki-cohere_1-3)</sup> <sup>[1,4](https://systems-analysis.info/wiki/Cohere#cite_ref-wiki-cohere_1-4)</sup> <sup>[1,5](https://systems-analysis.info/wiki/Cohere#cite_ref-wiki-cohere_1-5)</sup> «Cohere (company)». В *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/wiki/Cohere#cite_ref-mostecosystem-funding_2-0)</sup> <sup>[2,1](https://systems-analysis.info/wiki/Cohere#cite_ref-mostecosystem-funding_2-1)</sup> «ИИ-стартап Cohere, который сейчас оценивается более чем в \$2,1 млрд, привлек \$270 млн». *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/wiki/Cohere#cite_ref-uniteai-funding_3-0) «Cohere получает прирост в 500 миллионов». *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/wiki/Cohere#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/wiki/Cohere#cite_ref-servernews-command-r_5-0)</sup> <sup>[5,1](https://systems-analysis.info/wiki/Cohere#cite_ref-servernews-command-r_5-1)</sup> «Cohere Command R: Что это и как использовать?». *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/wiki/Cohere#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/wiki/Cohere#cite_ref-habr-command-a_7-0) «Cohere выпустила Command A — самую эффективную на сегодня ИИ-модель для бизнеса». *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/wiki/Cohere#cite_ref-dsmedia-command-a_8-0) «Cohere выпускает недорогую модель ИИ, требующую всего два графических процессора». *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/wiki/Cohere#cite_ref-vc-future-command-r_9-0) «LLM для бизнеса: что умеет Command R от 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/wiki/Cohere#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/wiki/Cohere#cite_ref-computerra-aya_11-0) «Cohere for AI запускает ИИ-полиглот 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/wiki/Cohere#cite_ref-habr-embed4_12-0) «Cohere представила Embed 4 — свою самую мощную модель для создания векторных представлений». *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/wiki/Cohere#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/wiki/Cohere#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/wiki/Cohere#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/wiki/Cohere#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/wiki/Cohere#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>