Cohere、文書解析モデル「Parse 5」を発表

Cohereは、PDF、PPT、JPEGなどの非構造化エンタープライズ文書を、クリーンで構造化されたMarkdownに解析するための専用23億パラメータの視覚言語モデル(VLM)「Parse 5」を正式にリリースした。8,192トークンのコンテキストウィンドウと9言語に対応する。このモデルは、単一パスのエンドツーエンド抽出を実行し、テキストを正しい読み順で出力し、表を構造化HTMLとして、フォームのキーと値のペア、画像の説明をバウンディングボックス付きで出力する。また、取り消し線や上付き文字などの意味的書式も保持する。出力モードは、ページ全体のMarkdownと構造化コンテンツブロックの2種類を提供する。CohereはParseBenchスコア79.2を主張し、5つの次元のうち3つでMistral OCR 4(74.5)とAzure Document Intelligence(69.3)を上回る。ただし、5次元すべてのベンチマークではLlamaParse Agenticがリードしている。評価はLayoutとChartsの次元を除外しており、チャートのデータ抽出は将来のバージョンで計画されている。
Key insights
Parse 5は、非構造化文書をLLM対応データに変換する際のボトルネック解決を目指す
今回の発表は、文書解析がLLMがエンタープライズデータを効果的に活用する上での主要なボトルネックであるという考えに基づいている。従来、組織は高品質だがスケーラブルでなく高コストな解析か、スケーラブルだが低品質で情報損失のある解析かのどちらかを選ばざるを得なかった。Parse 5は、1ページあたりのコストが低く、高品質でスケーラブルな解析を提供し、大量のエンタープライズワークロードに適したソリューションとして位置づけられている。独立したOCR段階を持たないエンドツーエンドのモデルであり、単一のフォワードパスで複雑な文書構造を保持できると説明されている。
Parse 5の性能主張は強いが、ベンチマークには特定の注釈がある
Cohereの市場最高水準の性能主張は、ParseBenchスコア79.2に基づいているが、これはベンチマークの5つの次元のうち3つ(Tables、Content Faithfulness、Semantic Formatting)のみで測定されている。LayoutとChartsの次元は除外された。Layoutは、Parse 5がテキストブロックのバウンディングボックスを意図的に出力しないためであり、Chartsは、モデルがチャートをデータ抽出ではなく説明付き画像として扱うためである。5つの次元すべてで測定した場合、LlamaParse Agenticが84.9のスコアで引き続きリードしている。ベンチマークの採点ルールは、太字・見出し検出のバグに対処するために最近修正され、Cohereは新しいルールで全競合製品を再実行した。