Cohere发布Parse 5：2.3B文档转Markdown模型

人工智能

视觉语言模型

Cohere 发布 Parse（parse-v5.0），这是一款面向高容量企业数据摄入的文档解析模型。它是一个 23 亿参数的视觉语言模型，上下文窗口为 8192 个 token，体积约 4.6GB，基于 Cohere Labs 的 North-Micro-Vision-Instruct 架构构建。Parse 接收 PDF、PPT 或 JPEG 页面作为 base64 编码的 data URI，返回包含按阅读顺序排列的文本、以 HTML 渲染的表格、列表、表单键值对、图片描述以及边界框坐标的 Markdown。其前方没有独立的 OCR 阶段。Cohere 将 Parse API 定价为每 1000 页 1.50 美元，定位于价格性能比而非峰值准确率——公司提供了一个自报的 ParseBench 分数 79.2 来支持这一主张，正如下文详述，该分数测量了该基准的五个维度中的三个。

是的，已投入生产。Parse 通过 Cohere Parse API、Microsoft Foundry、AWS SageMaker 和单租户 Model Vault 全面可用。无需等待名单或研究许可证。

适用对象：已运行 RAG 栈的中型团队可以从按量付费 API 开始，使用免费试用密钥。有数据驻留或空气隔离需求的大型企业直接使用 Model Vault 或私有部署。初创公司也可以使用，但只有每月处理量超过约 10 万页时经济性才开始显现。

适用行业：Cohere 瞄向金融服务、保险、医疗与生命科学、公共部门、电信、能源与制造业——这些文档密集型垂直领域，扫描表单和密集表格是常态。

应用场景：RAG 摄入、智能文档处理、理赔和发票管道、合同与申报搜索，以及为 Agent 提供文档上下文。

Parse 是一个 23 亿参数的视觉语言模型，基于 Cohere Labs 的 North-Micro-Vision-Instruct 架构构建，上下文窗口为 8192 个 token，体积约 4.6GB。它接收 PDF、PPT 和 JPEG 页面作为 base64 编码的 data URI，返回包含文档文本、列表、以 HTML 渲染的表格、边界框坐标和图片描述的 Markdown。

其前方没有独立的 OCR 阶段。该模型在单次传递中恢复文本和阅读顺序、表格、列表、表单和键值对、图片与标题，以及页面边界和视觉元素的位置。稳定支持九种语言——阿拉伯语、英语、法语、德语、意大利语、日语、韩语、葡萄牙语和西班牙语——其他语言为零样本支持，准确率较低。

两种输出模式在实际中很重要。默认模式每页返回一个 Markdown 字符串。设置 output_format="blocks" 返回类型化块，其中表格块携带其 HTML、边界框和描述。第二种模式使引用级可追溯性成为可能。

Cohere 报告 Parse 的 ParseBench 分数为 79.2，跨表格、内容忠实度、语义格式三个维度平均，在 Mistral OCR 4（74.5）、Azure Document Intelligence（74.3）和 Databricks AI Parse（72.4）之上。

ParseBench 是 LlamaIndex 的一个基准，涵盖约 2078 页经人工验证的企业页面，从五个维度评分：表格、图表、内容忠实度、语义格式和视觉定位。Cohere 的数字跨其中三个维度平均，剔除了图表和视觉定位——这是大多数解析器崩溃的两个维度。

对照公开排行榜，同一供应商在完整五维度总分上得分低得多：Mistral OCR 4 为 60.68，Databricks AI Parse 为 60.68，Azure Document Intelligence (Layout) 为 59.64。Azure 的三维度平均分为 74.3，与 Cohere 的数字完全吻合，验证了方法论的正确性。Cohere Parse 目前未在该排行榜上列出，其中 LlamaParse Agentic 以 84.88 领先。

因此 79.2 是供应商报告的子集分数，而非排行榜位置。这是一个值得在自己的文档上测试的合理主张。

Cohere 将 Parse API 定价为每 1000 页 1.50 美元。在 Model Vault 上，Parse 5 Medium 实例为 4.00 美元/小时或 2500 美元/月，XL 为 7.00 美元/小时或 4300 美元/月。

没人公布的那个交叉点：每页 0.0015 美元，单个 Medium 实例在每月约 167 万页时收支平衡，XL 在约 287 万页时收支平衡。低于该量，按量付费 API 更便宜；高于该量，专用容量仅在价格上就赢了——这还没算数据驻留的争论，而这通常是企业转向 Vault 的真正原因。

Cohere 发布了 parse-v5.0，一个 23 亿参数的 VLM，可将 PDF、幻灯片和图片转换为带 HTML 表格和边界框的 Markdown。

API 定价为每 1000 页 1.50 美元；Model Vault 每月 2500 美元（Medium）或 4300 美元（XL）。

只有每月处理量超过约 167 万页时，专用容量才能在价格上击败按量付费。

79.2 的 ParseBench 分数是跨五个维度中的三个维度的供应商报告分数，不含图表和视觉定位。

点击此处查看技术详情，并在 HF 上试用。也欢迎关注我们的 Twitter，别忘了加入我们的 15 万+ ML SubReddit 并订阅我们的通讯。等一下！你用 Telegram 吗？现在你也可以加入我们了。

需要与我们合作推广您的 GitHub 仓库或 Hugging Face 页面或产品发布或网络研讨会吗？联系我们

Asif Razzaq 是 Marktechpost Media Inc. 的首席执行官。作为一位有远见的企业家和工程师，Asif 致力于利用人工智能为社会公益服务。他最新的事业是推出了一个人工智能媒体平台 Marktechpost，该平台以深度报道机器学习和深度学习新闻著称，既技术扎实又通俗易懂。该平台月浏览量超过 200 万次，彰显了其在大受众中的受欢迎程度。