Cohere 发布文档解析模型 Parse 5

工程师首先会注意到的是体量。据报道，这个模型有 23 亿参数，建立在 Cohere Labs 的 North Micro Vision Instruct 架构之上，上下文窗口为 8,192 个 token，体积约 4.6GB。一个 4 亿参数的视觉编码器以原始分辨率读取页面，用二维旋转位置嵌入保持空间结构，一个 20 亿参数的语言模型接收这些特征，按阅读顺序写出 Markdown。页面图像输入、模型单次通过、Markdown 输出，这样的结构把先跑 OCR 再用另一个模型整理的两步流水线折叠成了一步。METAL 曾报道这个基础模型 North Micro Vision 以 24 亿参数视觉模型的形式公开。

分数以表格形式放在公告里。在文档解析基准 ParseBench 的三项平均中，Parse 5 得 79.2 分：表格提取 87.0，内容忠实度 86.6，语义格式 64.0。同一张表里，GPT-5.5 的 84.4、Opus 4.8 的 84.3、Gemini 3.5 Flash 的 81.8 都排在 Parse 5 之上，公司写道这三者都是通用的、比 Parse 大得多的前沿模型。往下是 LlamaParse 的经济型 78.3、开放权重的 Chandra OCR 2 77.7、Mistral OCR 4 74.5、Databricks AI Parse 72.4、Azure Document Intelligence 69.3，Google Document AI 为 57.3，AWS Textract 为 53.3。公司强调，与两家超大规模云服务商的差距超过 20 分。

表里也有空缺的格子。据公告脚注，ParseBench 的版面和图表两项被排除在比较之外：版面项衡量给每个文字元素画边界框的能力，而这个模型的设计只给表格和图片加坐标；图表项衡量从图形中提取数值数据的能力，而这个模型把图表当作带说明文字的视觉元素来处理。公司表示图表数据提取已列入下一版本计划。同一条脚注还写道，截至 2026 年 8 月的评分规则修正了粗体和标题检测的错误，此前语义格式分数被抬高了，所有竞争模型也都按新规则重新评分。

据报道，Cohere AI 搜索副总裁 Nils Reimers 在采访中说："文档解析之所以没有被解决，是因为难点不在于读取文字，而在于保留结构和含义。"他解释说，企业文档混杂着会改变数据解释的表格、图示、图表和格式，大多数工具要么丢掉结构，要么编造内容，即便是前沿模型在版面复杂的页面上也会出错。关于为什么不把图表提取成数据，他说："其他方案试图从图表中提取数据，但这样会漏掉关键信息（比如线条的颜色或样式），在聊天和智能体应用中导致幻觉。"

速度和成本才是这次发布的正题。据公告，Parse 5 在单张 GPU 上每秒处理 4.5 页，在 8 张 H100 的节点上每秒 36 页，即每分钟 2,160 页。在相同 GPU 配置下，它比 RedNote 的 dots.mocr 快 1.4 倍，比 Chandra OCR 2 快 2.2 倍，比较全部在用 vLLM 提供服务的开源模型之间进行。它可以通过 Cohere API 使用，也可以部署到单租户托管推理平台 Model Vault 上，公司写道在 GPU 利用率 50% 时 Model Vault 比 API 降低 23% 的推理成本，利用率打满时降幅可达 61%。公司举例的规模是每月处理 1,300 万页的大型企业应付账款工作流。

据报道，Reimers 副总裁说，他们测算了一个每年处理 7.5 亿份文档的大型金融机构工作流，如果选择 Parse 5 而不是 GPT-5.5 这样的大型通用模型，成本可降低 98% 以上。这个数字不是实际部署的成绩，而是 Cohere 针对单个工作流建模得出的估算。打个比方，让前沿模型去读几百万张发票，就像让会计去分拣邮件；Parse 5 的提议是在那个位置上安排一名专职分拣员。会计读得更准这一事实，则原样留在表里。

外界的目光越过基准分数，看向下一步。据报道，HyperFRAME Research 的 AI 技术栈业务负责人 Stephanie Walter 说："它不需要赢下每一个基准测试。它需要做的是让可靠的企业级解析变得经济。"她指出，解析是企业 AI 技术栈的第一道质量关口，如果表格、标题、图片和阅读顺序在摄取阶段丢失，更好的嵌入或更大的模型也无法把结构找回来。BARC US 研究副总裁 Kevin Petrie 在同一篇报道中表示，其机构正在完成的一项调查显示，文档分析是采用率第一的 AI 用途，受访组织中有 62% 已经采用。

METAL 核对过的公告也引用了 ParseBench 的构成，据报道，这个基准由保险、金融和政府文档中经人工核对的 2,000 多页组成。同一篇报道指出，在 ParseBench 完整排行榜上，LlamaParse 的 Agentic Plus 配置以 90.20 分领先，而进入 Cohere 表格的是该公司的经济型配置。这就是为什么读公告表格时，要一并看清各家公司送上来的是哪个档次的产品。

部署路径有四条。可以立即通过 Cohere API、Model Vault、Microsoft Foundry 和 AWS SageMaker 使用；在搜索技术栈 Compass 里，它与嵌入模型 Embed、重排序模型 Rerank 打包在一起，从文档摄取、解析、分块、索引到混合搜索都在一个界面里运转。受监管行业的团队可以把它部署到自己的基础设施上，公告也邀请读者先在免费的 Space 里用自己的文档试一试。METAL 曾报道Cohere 首席执行官 Aidan Gomez 就 AI 规则该由谁来定发表了文章，这家公司强调私有云和本地部署的路线，也原样延续到了这款产品的交付方式上。

这是一次公司自己公开精度表上输掉的那几行、再在旁边立起吞吐量和成本表的发布。能把每一页都交给前沿模型的组织很少，在处理几百万页的工作流里，胜负不在 5 分的分差，而在每页成本和每秒页数。Cohere 把这笔账写进了公告，9 月 14 日那段 5 秒短片，就是把这笔账压缩成一句话的广告。