Cohere পার্স 5 (পার্স-v5.0) প্রকাশ করেছে, একটি নথি-পার্সিং মডেল যার লক্ষ্য উচ্চ-ভলিউম এন্টারপ্রাইজ ইনজেশন, এবং এটি এখন সাধারণত কোন অপেক্ষা তালিকা ছাড়াই উপলব্ধ। MarkTechPost — একটি বাজি VentureBeat স্পষ্টভাবে সংক্ষিপ্ত করা হয়েছে: পার্স 5 "পয়েন্টের মানদণ্ড হারায়। এটি প্রতি পৃষ্ঠার খরচে জিতে যায়।"

পার্স 5 আসলে কি For more context on this story, see our ongoing AI news.

পার্স 5 হল একটি 2.3-বিলিয়ন-প্যারামিটার ভিশন ল্যাঙ্গুয়েজ মডেল যা কোহেরে ল্যাবসের উত্তর-মাইক্রো-ভিশন-ইন্সট্রাক্ট আর্কিটেকচারে তৈরি করা হয়েছে, যার একটি 8,192-টোকেন প্রসঙ্গ উইন্ডো এবং প্রায় 4.6GB এর ফুটপ্রিন্ট রয়েছে। এটি একটি PDF, PowerPoint, বা JPEG পৃষ্ঠাকে একটি বেস64-এনকোডেড ইনপুট হিসাবে নেয় এবং একটি একক পাসে মার্কডাউন প্রদান করে: পাঠ্যের ক্রমানুসারে পাঠ্য, এইচটিএমএল হিসাবে রেন্ডার করা টেবিল, তালিকা, ফর্ম কী-মান জোড়া, চিত্রের বিবরণ এবং ভিজ্যুয়াল উপাদানগুলির জন্য বাউন্ডিং বক্স স্থানাঙ্ক।

উল্লেখযোগ্য স্থাপত্য পছন্দ যা এটি অপসারণ করে। মডেলের সামনে আলাদা কোনো OCR পর্যায় নেই — লেআউট সনাক্তকরণ, পাঠ্য স্বীকৃতি, এবং কাঠামো একটি নেটওয়ার্কের মধ্যে ঘটে, যা স্থাপনাকে সহজ করে এবং ঐতিহ্যগত নথি পাইপলাইনে ক্যাসকেডিং ত্রুটির একটি সাধারণ উত্স দূর করে।

কোহেরে নয়টি ভাষাকে স্থিতিশীল হিসাবে তালিকাভুক্ত করা হয়েছে — আরবি, ইংরেজি, ফ্রেঞ্চ, জার্মান, ইতালীয়, জাপানি, কোরিয়ান, পর্তুগিজ এবং স্প্যানিশ — কম নির্ভুলতায় অন্যদের জন্য শূন্য-শট সমর্থন সহ।

দুটি আউটপুট মোড

এর ডিফল্ট মোডে, পার্স 5 প্রতি পৃষ্ঠায় একটি মার্কডাউন স্ট্রিং প্রদান করে। একটি দ্বিতীয় মোড, `output_format="blocks"` দিয়ে সক্ষম, পরিবর্তে টাইপ করা ব্লক ফেরত দেয়, যেখানে প্রতিটি টেবিল ব্লক তার HTML, তার বাউন্ডিং বক্স এবং একটি বিবরণ বহন করে। সেই দ্বিতীয় মোডটি যা উদ্ধৃতি-স্তরের সন্ধানযোগ্যতাকে সম্ভব করে তোলে — একটি এন্টারপ্রাইজ পৃষ্ঠায় একটি পার্স করা চিত্রটি ঠিক কোথা থেকে এসেছে তা নির্দেশ করতে পারে, যা পুনরুদ্ধার-বর্ধিত প্রজন্মের সিস্টেমে নথিগুলি খাওয়ানো নিয়ন্ত্রিত শিল্পগুলির জন্য গুরুত্বপূর্ণ।

বেঞ্চমার্ক সতর্কতা

Cohere পার্স 5 এর জন্য একটি পার্সবেঞ্চ স্কোর 79.2 রিপোর্ট করেছে, মিস্ট্রাল ওসিআর 4 থেকে 74.5 এ এগিয়ে, Azure ডকুমেন্ট ইন্টেলিজেন্স 74.3 এবং Databricks AI পার্স 72.4 এ। কিন্তু একটি গুরুত্বপূর্ণ তারকাচিহ্ন রয়েছে যা MarkTechPost-এর বিশ্লেষণ।

ParseBench হল একটি LlamaIndex বেঞ্চমার্ক যা প্রায় 2,078টি মানব-যাচাইকৃত এন্টারপ্রাইজ পৃষ্ঠা পাঁচটি মাত্রা জুড়ে স্কোর করেছে: টেবিল, চার্ট, বিষয়বস্তু বিশ্বস্ততা, শব্দার্থিক বিন্যাস, এবং ভিজ্যুয়াল গ্রাউন্ডিং। কোহেরের 79.2 গড় সেই পাঁচটি মাত্রার মধ্যে মাত্র তিনটি, ড্রপিং চার্ট এবং ভিজ্যুয়াল গ্রাউন্ডিং - সঠিকভাবে দুটি মাত্রা যেখানে বেশিরভাগ পার্সাররা সবচেয়ে খারাপ কাজ করে। পাবলিক ফাইভ-ডাইমেনশন লিডারবোর্ডে, একই বিক্রেতারা সামগ্রিকভাবে অনেক কম স্কোর করে: Mistral OCR 4 এবং Databricks AI পার্স 60.68 এ, Azure ডকুমেন্ট ইন্টেলিজেন্স (লেআউট) 59.64 এ, LlamaParse Agentic বোর্ডের নেতৃত্ব দিচ্ছে 84.88 এ। পার্স 5 বর্তমানে সেই লিডারবোর্ডে তালিকাভুক্ত নয়।

অন্য কথায়, 79.2 একটি বিক্রেতা-প্রতিবেদিত উপসেট স্কোর, একটি বেঞ্চমার্ক মুকুট নয়। Azure-এর ত্রি-মাত্রিক গড় 74.3-এ কাজ করে, Cohere-এর পদ্ধতির সাথে হুবহু মিলে যায় — তাই এটি কভার করা উপসেটের মধ্যে তুলনাটি অন্তত আপেল-টু-আপেল।

দামের গণিত

খরচ যুক্তি যেখানে Cohere এর অবস্থান কংক্রিট পায়. পার্স API-এর মূল্য প্রতি 1,000 পৃষ্ঠায় $1.50 - প্রতি পৃষ্ঠায় $0.0015। যে সংস্থাগুলি ডেডিকেটেড ক্ষমতা পছন্দ করে তাদের জন্য, একক ভাড়াটে মডেল ভল্ট অফারটি একটি মাঝারি উদাহরণে প্রতি ঘন্টায় $4.00 (প্রতি মাসে $2,500), বা XL-এ প্রতি ঘন্টায় $7.00 (প্রতি মাসে $4,300) চালায়।

ক্রসওভার পয়েন্ট একা সংখ্যার চেয়ে বেশি গুরুত্বপূর্ণ। মিটার করা হারে, একটি মিডিয়াম ভল্ট ইনস্ট্যান্স প্রতি মাসে মোটামুটি 1.67 মিলিয়ন পৃষ্ঠা এবং XL প্রায় 2.87 মিলিয়নে বিরতি দেয়। সেই ভলিউমগুলির নীচে, প্রয়োজন অনুসারে API কল করা সস্তা; তাদের উপরে, ডেটা-রেসিডেন্সি সুবিধাগুলির জন্য অ্যাকাউন্টিং করার আগে ডেডিকেটেড ক্ষমতা মূল্যের উপর জয়লাভ করে যা সাধারণত প্রথম স্থানে ভল্ট গ্রহণ করে।

প্রাপ্যতা

পার্স 5 সাধারণত কোহেরে পার্স এপিআই, মাইক্রোসফ্ট ফাউন্ড্রি, এডব্লিউএস সেজমেকার এবং একক ভাড়াটে মডেল ভল্ট স্থাপনার মাধ্যমে উপলব্ধ। কোনও গবেষণা লাইসেন্স গেটিং অ্যাক্সেস নেই — কোহের প্রথম দিন থেকেই এটিকে উত্পাদন অবকাঠামো হিসাবে বিবেচনা করছে।

এন্টারপ্রাইজ ক্রেতাদের জন্য এর অর্থ কী

রিলিজটি এন্টারপ্রাইজ AI-তে একটি বিস্তৃত প্যাটার্ন প্রতিফলিত করে: সীমানা-সংলগ্ন ক্ষমতা সস্তায় চালানোর জন্য যথেষ্ট ছোট হয়ে যাচ্ছে, এবং বিক্রেতারা কাঁচা স্কোরের পরিবর্তে ইউনিট অর্থনীতিতে ক্রমবর্ধমানভাবে প্রতিযোগিতা করছে। একটি 2.3B-প্যারামিটার মডেল যা প্রতি হাজার পৃষ্ঠায় $1.50-এ ডকুমেন্ট পার্স করে একটি কাজের চাপের খরচ সংকুচিত করে যার জন্য হয় ব্যয়বহুল বাণিজ্যিক OCR স্যুট বা ভঙ্গুর ইন-হাউস পাইপলাইন প্রয়োজন।

রিলিজটি কোহের কোথায় তার উদ্বোধন দেখে সে সম্পর্কে কিছু বলে। কোম্পানী তার এন্টারপ্রাইজ ব্যবসাকে স্থাপনার ব্যবহারিকতার উপর স্থগিত করেছে — মডেলগুলি যেগুলি সস্তায়, ব্যক্তিগতভাবে এবং কর্পোরেট পরিবেশের মধ্যে অনুমানযোগ্যভাবে চালিত হয় — সীমান্ত তাড়া করার পরিবর্তে। ফ্রন্টিয়ার রিজনিং মডেলের পাশে একটি ডকুমেন্ট পার্সার অস্বাভাবিক, কিন্তু ডকুমেন্ট ইনজেশন হল কয়েকটি এআই ওয়ার্কলোডের মধ্যে একটি যেখানে এন্টারপ্রাইজগুলি আজ প্রতি পৃষ্ঠায় রিটার্ন পরিমাপ করতে পারে এবং কোহের স্পষ্টভাবে সেই গণিতের মালিক হতে চায়।

ক্রেতাদের জন্য, বেঞ্চমার্ক বিশ্লেষণের ব্যবহারিক উপদেশ হল পার্স 5-এর সাথে আচরণ করা যেভাবে Cohere নিজেই এটিকে ফ্রেম করে — আপনার নিজের নথির বিরুদ্ধে পরীক্ষা করার দাবি হিসাবে, বিশেষ করে যদি চার্ট এবং ভিজ্যুয়াল গ্রাউন্ডিং আপনার কাজের চাপের কেন্দ্রবিন্দুতে থাকে, যেহেতু সেগুলি হল সেই মাত্রাগুলি যেগুলির রিপোর্ট করা স্কোর বাদ দেওয়া হয়৷ উচ্চ-ভলিউম, টেক্সট-এবং-টেবিল-ভারী ইনজেশনের জন্য, দাম-পারফরম্যান্স কেসটি সহজবোধ্য; পার্সিং করার জন্য যেখানে চার্ট অর্থ বহন করে, পাবলিক লিডারবোর্ডের নেতাদের প্রথমে মূল্যায়ন করা উচিত।

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →