Cohere : modèles Command, Embed, Rerank, North et usages en entreprise

Cohere est un éditeur canadien de modèles de langage et d'outils qui permettent d'intégrer l'IA générative dans les systèmes d'information des entreprises. À la différence d'OpenAI ou de Mistral AI, l'entreprise ne s'adresse pas au grand public : ses clients sont des organisations, souvent dans des secteurs réglementés comme la finance, la santé, les télécommunications ou le secteur public.

Elle a été fondée en 2019 à Toronto par Aidan Gomez, Ivan Zhang et Nick Frosst. Aidan Gomez est l'un des coauteurs de l'article « Attention Is All You Need », publié en 2017 par des chercheurs de Google, qui a introduit l'architecture Transformer sur laquelle reposent les LLM actuels. Les premiers produits de Cohere sont des modèles de génération et d'embedding accessibles par API. En 2023, l'entreprise lance Rerank, un modèle dédié au classement de résultats de recherche ; en 2024, la famille Command R, conçue pour le RAG et l'appel d'outils. En 2025 arrivent Command A, un modèle prévu pour tourner sur deux GPU, puis North, une plateforme d'agents pour les équipes. Son laboratoire de recherche, créé en 2022 sous le nom Cohere For AI, devient Cohere Labs en 2025.

En 2026, Cohere publie Command A+, son premier grand modèle sous licence Apache 2.0, et inaugure une nouvelle famille de modèles ouverts, North, avec un modèle de code. L'entreprise annonce aussi en avril 2026 un rapprochement avec l'allemand Aleph Alpha, formalisé par un accord définitif en septembre 2026 et encore soumis aux autorisations réglementaires. L'entité combinée doit garder le nom Cohere et disposer de deux sièges, à Toronto et à Berlin.

À retenir : Cohere ne cherche pas à concurrencer les assistants grand public. Son offre vise les entreprises qui veulent bâtir de la recherche documentaire, du RAG et des agents, si besoin dans leur propre infrastructure.

Le catalogue est organisé en familles, chacune associée à une fonction : générer, représenter, classer, traduire, transcrire. Les noms de version intègrent souvent la date de publication (par exemple command-a-03-2025), ce qui aide à suivre les mises à jour. Les versions changent plusieurs fois par an : mieux vaut raisonner par famille et consulter la documentation officielle au moment du choix.

Command A+, publié en mai 2026, est présenté par Cohere comme le dernier modèle de la famille Command A. Il repose sur une architecture à mélange d'experts (Mixture of Experts) : seule une fraction de ses paramètres est activée pour chaque token. Il réunit des capacités auparavant réparties entre plusieurs variantes (vision, raisonnement, traduction, agents) et couvre 48 langues. Cohere publie des versions quantifiées qui permettent de le servir sur deux GPU H100. Les modèles Embed et Rerank, renouvelés respectivement en 2026 (Embed 5) et fin 2025 (Rerank 4), existent chacun en deux variantes : l'une orientée qualité, l'autre orientée latence et débit. La famille Aya, issue de Cohere Labs, comprend depuis 2026 les modèles Tiny Aya, conçus pour fonctionner sur un ordinateur portable dans plus de 70 langues, ce qui les rattache aux SLM.

Pourquoi des modèles d'embedding et de reranking ?

Dans un système de RAG, la qualité de la réponse dépend d'abord des documents retrouvés. Un modèle d'embedding transforme les documents et la question en vecteurs pour retrouver rapidement des candidats ; un modèle de reranking relit ensuite ces candidats avec la question pour les classer plus finement. Cohere propose ces deux briques séparément, ce qui permet de les ajouter à une architecture existante sans changer de modèle de génération. Notre article sur le reranking détaille cette étape et son effet sur la pertinence.

La réponse dépend du modèle. Cohere est une société commerciale : son API, North, ses offres de déploiement privé et ses modèles Embed et Rerank sont des services propriétaires et payants. Une partie de ses modèles, en revanche, est publiée avec ses poids, sous des licences qui ne donnent pas les mêmes droits.

• Poids ouverts sous Apache 2.0 : Command A+ et North Mini Code, publiés en 2026. Cette licence autorise l'usage commercial, la modification et la redistribution.
• Poids publiés sous licence non commerciale : Command R, Command R+, Command A et ses variantes, ainsi que la plupart des modèles Aya, sont distribués sous licence CC-BY-NC 4.0, accompagnée d'une politique d'usage. Ils peuvent servir à la recherche et à l'évaluation, mais pas à un usage commercial sans accord avec Cohere.
• Modèles réservés aux services : les modèles Embed, Rerank et Parse sont accessibles par l'API, par les clouds partenaires ou en déploiement privé, sans téléchargement des poids.

Il s'agit de modèles « à poids ouverts » plus que de projets open source au sens strict : les données et le code d'entraînement ne sont pas publiés. Pour un usage en production, la licence se vérifie modèle par modèle, sur sa fiche officielle ou sur Hugging Face, où les modèles sont publiés sous l'organisation CohereLabs.

À retenir : chez Cohere, « poids publiés » ne veut pas toujours dire « utilisables en production ». Jusqu'en 2026, la plupart des poids étaient réservés à la recherche ; Command A+ marque un changement de politique.

Mistral AI est le point de comparaison le plus pertinent : les deux fournisseurs se présentent comme des alternatives aux grands laboratoires américains, mettent en avant le déploiement privé et la souveraineté des données, et visent les entreprises et le secteur public. Ils se distinguent par leur cible, leur gamme et leur politique de licences.

Lequel choisir ? Cohere se justifie lorsque le projet repose sur la recherche documentaire ou le RAG, et que des modèles d'embedding et de reranking de qualité comptent autant que le modèle de génération. Mistral AI se justifie lorsque les licences ouvertes, la largeur de la gamme ou un assistant prêt à l'emploi pour les collaborateurs pèsent davantage. Dans les deux cas, comparez la qualité sur vos données, le coût au volume réel, la latence et les conditions de déploiement. Les deux sont d'ailleurs compatibles dans une même architecture : on peut, par exemple, utiliser Cohere Rerank avec un modèle de génération Mistral.