XNews

Cohere Parse 5 文档解析模型发布

Cohere Parse 5 文档解析模型发布

Cohere 正式发布 Parse 5,这是一款专用于解析非结构化企业文档(如 PDF、PPT 和 JPEG)的 23 亿参数视觉语言模型(VLM),可将其转换为清晰、结构化的 Markdown 格式。该模型支持 8192 上下文窗口和九种语言。它采用端到端单次提取,输出内容保持正确的阅读顺序,表格以结构化 HTML 呈现,表单中的键值对以及带有边界框的图像描述,同时保留语义格式(如删除线和上标)。模型提供两种输出模式:整页 Markdown 和结构化内容块。Cohere 声称其 ParseBench 得分为 79.2,在五个维度中的三个上超越了 Mistral OCR 4(74.5)和 Azure Document Intelligence(69.3),但 LlamaParse Agentic 在完整的五维度基准测试中仍保持领先。评估排除了布局和图表维度,图表数据提取计划在后续版本中实现。

Key insights

Parse 5 旨在解决将非结构化文档转换为 LLM 可用数据的瓶颈

此次发布围绕一个观点展开:文档解析是阻碍 LLM 有效利用企业数据的主要瓶颈。此前,组织必须在高质量但不可扩展且昂贵的解析,与可扩展但低质量且有损的解析之间做出选择。Parse 5 被定位为一种解决方案,能够以较低的每页成本提供高质量、可扩展的解析,适用于高吞吐量的企业工作负载。它被描述为一种端到端模型,无需单独的 OCR 阶段,从而能够在单次前向传递中保留复杂的文档结构。

Parse 5 的性能声明虽强,但存在特定基准测试的局限性

Cohere 声称的市场领先性能基于 ParseBench 得分 79.2,但该得分仅基于基准测试五个维度中的三个(表格、内容忠实度、语义格式)。布局和图表维度被排除在外——布局是因为 Parse 5 有意不输出文本块的边界框,图表是因为该模型将图表视为带有描述的图像,而非提取其底层数据。当在所有五个维度上进行衡量时,LlamaParse Agentic 仍以 84.9 的得分保持领先。该基准测试的评分规则近期已修复,以解决粗体/标题检测中的错误,Cohere 使用新规则重新运行了所有竞争对手。

Source posts