Cohere宣布推出Parse 5，用于处理PDF文件、演示文稿和扫描图像，并将其转换为结构化Markdown，目标客户是需要将大量文档输入人工智能应用和软件代理的企业。该模型可通过Cohere API、Model Vault、Microsoft Foundry和AWS SageMaker使用。
该公司将Parse 5定位为不同于更大型通用人工智能模型的产品：它并非以最高准确率为目标，而是试图在处理数百万页时实现准确率与成本之间的平衡。Cohere将其API使用价格定为每1,000页1.50美元，而Model Vault则支持在安全的单租户平台上进行托管部署，以满足更大规模的需求。
用一个模型取代独立的处理链
Parse 5采用拥有23亿参数的视觉语言模型，基于Cohere Labs的North-Micro-Vision-Instruct架构构建。其上下文窗口长度为8,192个令牌，模型大小约为4.6 GB。该模型接收以base64编码图像格式提供的PDF、PowerPoint或JPEG页面，然后按照阅读顺序以Markdown形式返回其内容。
表格会被转换为HTML，模型还会为图像添加描述，并提供表格和图像的边界框坐标。默认模式会为每个页面返回一个Markdown字符串，而blocks模式则提供带有类型标记的元素，使每个表格都包含自身的HTML、描述和坐标。Cohere认为，这种格式有助于在代理应用中按照引用级别追踪信息来源。
根据来源，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均可获得稳定的准确率，同时也支持其他语言的zero-shot处理，但准确率较低。
准确率低于更大型模型，但价格模式不同
根据Cohere发布的ParseBench比较，Parse 5在表格、内容保真度和语义格式三个维度上的总分为79.2。GPT-5.5以84.4分、Opus 4.8以84.3分、Gemini 3.5 Flash以81.8分超过了它。另一方面，Parse 5超过了LlamaParse的Cost Effective类别，该类别得分为78.3；也超过了得分为74.5的Mistral OCR 4、得分为72.4的Databricks AI Parse以及得分为69.3的Azure Document Intelligence。
该比较不包括布局Layout和图表Chart两个维度。Cohere表示，这是由于产品范围所致。该模型按照阅读顺序返回文本，而不是为每个文本元素提供坐标；同时，它会描述图表，而不是提取其中的基础数据。该公司表示，图表数据提取计划在未来版本中推出。
这对企业的实际改变是什么？
Parse 5的核心价值在于减少每页对大型通用模型的依赖，而不在于绝对优于文档处理工具。Cohere估计，在一个每年处理7.5亿份文档的金融服务公司典型工作流程中，相较于使用GPT-5.5，使用Parse 5可将成本降低超过98%。不过，这一比例是公司针对建模工作流程作出的估算，并非经审计的部署结果或独立研究结论。
这一比较表明，文档解析工具的选择不应仅依据单一基准测试结果。如果在输入阶段丢失表格、标题或阅读顺序，后续的嵌入模型或更大型模型将无法恢复丢失的结构。因此，企业需要在自身最复杂的文档上测试Parse 5，并衡量检索准确率和最终任务表现，而不能只评估提取文本的外观。
来源中引用的专家意见支持这种谨慎的使用方式；他们认为，Parse 5处于传统OCR与对每一页运行高成本通用模型之间。尚待明确的问题是，提供结构和元素坐标以及较低价格，是否确实会在最终应用中带来更好的结果，尤其是在包含大量图表或复杂布局的文档中。