Cohere 深度拆解 — 面向企业的 LLM

开场

2.4 亿美元 ARR，同比增长 287%——这是 Cohere 在 2025 年交出的成绩单。在一个所有人都在谈论 ChatGPT 和 Claude 的市场里，Cohere 选择了一条完全不同的路：不做消费者产品，不追模型榜单排名，只做企业客户的私有部署。CEO Aidan Gomez 是 Transformer 论文"Attention Is All You Need"的八位共同作者之一。我在给几家金融客户评估 LLM 供应商时深入研究了 Cohere 的方案，它的定位和执行都很独特。

他们解决什么问题

大模型在企业落地的核心障碍不是模型能力——GPT-5 和 Claude 已经足够强了。真正的障碍是：

1. 数据安全：企业数据不能发送到第三方 API 端点
2. 合规要求：金融、医疗、政府等行业有严格的数据驻留规定
3. 可控性：企业需要模型在自己的基础设施上运行，可以审计、定制、控制

Cohere 的答案：85% 的收入来自私有部署。模型直接跑在客户的 VPC 或本地服务器上，数据不出客户的网络边界。

目标客户画像：

• Fortune 500 级别的企业，IT 团队有能力管理私有部署
• 金融机构（银行、保险、资产管理）
• 日本、韩国等对数据主权敏感的市场
• 已经在使用 Oracle、AWS、GCP 等云平台的企业客户

产品矩阵

核心产品

Command 系列：Cohere 的生成模型家族。

• Command A / Command R+：旗舰模型，定价 $2.50/$10 每百万 token
• Command R：中端模型，$0.15/$0.60 每百万 token
• Command R7B：最轻量版，$0.0375/$0.15 每百万 token

Embed：向量嵌入模型，专门为 RAG（检索增强生成）场景设计。支持 100+ 语言，在企业搜索和知识库场景中被广泛使用。

Rerank：重排序模型，显著提升 RAG 系统的检索精度。这是 Cohere 的差异化杀手锏——很多用 OpenAI 或 Claude 做生成的团队，会单独用 Cohere 的 Rerank 做检索优化。

Model Vault（2025 年 9 月推出）：企业级模型推理平台，支持在隔离的 VPC 或本地环境中部署 Command、Rerank、Embed 全系列模型。

技术差异化

Cohere 不追求"全球最强"的模型，而是追求"企业最适用"的模型。关键差异：

• Embed + Rerank 组合：做 RAG 的团队都知道，检索质量决定了最终效果的上限。Cohere 在 Embed 和 Rerank 上的投入让它在 RAG 场景中有明显优势
• 多语言能力：100+ 语言的 Embed 支持，对跨国企业有直接价值
• 私有部署架构：Model Vault 的设计让企业可以在不牺牲安全性的前提下使用大模型

商业模式

定价策略

方案	价格	目标客户
Command R7B API	$0.0375/$0.15 每百万token	高吞吐量/低成本场景
Command R API	$0.15/$0.60 每百万token	中端使用
Command A / R+ API	$2.50/$10 每百万token	高质量生成
Embed API	按 token 计费	RAG/搜索场景
Rerank API	按请求计费	搜索优化
Model Vault	企业定制报价	私有部署
Fine-tuned Command R	$0.30/$1.20 每百万token	定制模型

收入模式

• 85% 来自企业私有部署的多年合同
• API 按量计费是补充收入
• 毛利率约 70%

增长飞轮：私有部署的企业合同周期长（多年期），续约率高，一旦部署切换成本极高，形成天然的 lock-in。

融资与估值

轮次	时间	金额	估值
Series C	2023.6	$2.7亿	~$22亿
Series D	2024.7	$5亿	$55亿
最新轮	2025.8-9	$6亿	$70亿

总融资 15.4 亿美元。由 Radical Ventures、Inovia Capital 领投，AMD Ventures、Nvidia、Salesforce Ventures 参投。

CEO 公开表示 IPO"即将到来"，已聘请有 IPO 经验的 CFO，2026 年 IPO 被广泛预期。

客户与市场

标杆客户

• Oracle：深度集成 Cohere 模型到 OCI（Oracle Cloud Infrastructure）
• Fujitsu：日本市场的关键合作伙伴
• RBC（加拿大皇家银行）：金融行业标杆
• LG：韩国市场的代表
• Notion：产品 AI 功能的底层模型之一

这些客户的共同特征：对数据安全有刚性需求，愿意为私有部署付溢价。

市场规模

企业 LLM 私有部署市场在 2026 年预计 200-400 亿美元规模。Cohere 在这个细分市场中的定位非常精准——不和 OpenAI 争消费者，不和 Meta 争开源，只争企业的钱包。

竞争格局

维度	Cohere	OpenAI	Anthropic	开源方案
旗舰模型能力	二线	最强	最强	接近一线
私有部署	核心优势	有但非重点	有	自行部署
RAG 工具链	Embed+Rerank最强	基础	基础	需自建
企业合规	深度	在追赶	在追赶	自控
定价	中等	较高	最高	基础设施成本
IPO 时间	2026 预期	2027 预期	2026 预期	—

我实际看到的

好的：在我给金融客户做的 LLM 供应商评估中，Cohere 的 Rerank 模型表现确实突出。一个客户的内部知识库搜索项目，加上 Cohere Rerank 后，Top-5 检索准确率提升了 30% 以上。Model Vault 解决了"数据不出网"的刚性需求，这在银行和保险行业是 deal-breaker 级别的要求。70% 的毛利率在 AI 公司中算健康。

复杂的：Cohere 的模型在公开基准测试上不如 GPT-5 和 Claude，这是事实。一些客户在做 PoC（概念验证）时会先拿 ChatGPT 做 demo，效果很好，然后切换到 Cohere 时发现质量有差距。"够用但不是最好"是一个需要持续解释的定位。

现实的：2.4 亿 ARR 对应 70 亿估值，P/S 约 29 倍。增速很快（287%），但基数还小。私有部署虽然粘性高，但扩展速度比 API 慢——每个客户都需要专门的部署和支持。而且，OpenAI 和 Anthropic 都在加强企业部署能力，Cohere 的窗口期在缩短。

我的判断

• ✅ 适合：对数据安全有零容忍要求的金融、医疗、政府客户；做 RAG 系统需要高质量 Embed + Rerank 的团队；已经在 Oracle Cloud 上的企业（集成最顺畅）
• ❌ 跳过如果：你需要最强的生成能力（选 GPT-5 或 Claude）；你是创业公司只需要 API（Cohere 的优势你用不到）；你对 RAG 没有需求

一句话：Cohere 是企业 LLM 私有部署市场中最专注的玩家，Embed + Rerank 组合是它的护城河，但它必须在 OpenAI 和 Anthropic 把企业部署做得更好之前，把客户基数做到足够大。

互动

你的团队在做 RAG 时用什么 Embedding 模型？是直接用 OpenAI 的 text-embedding-3 还是试过其他选择？Cohere 的 Embed + Rerank 组合在我测试中效果最好，但很多团队因为惯性还是默认选 OpenAI。你是怎么选的？