Η Cohere κυκλοφόρησε το Parse 5 (parse-v5.0), ένα μοντέλο ανάλυσης εγγράφων που στοχεύει στην απορρόφηση μεγάλου όγκου για επιχειρήσεις και είναι πλέον γενικά διαθέσιμο χωρίς λίστα αναμονής. Όπως περιγράφεται λεπτομερώς από το MarkTechPost, η έκδοση είναι μια θέση κόστους ανά επιχείρηση, η μεγαλύτερη θέση σε σχέση με το κόστος ανά επιχείρηση/ Το στοίχημα VentureBeat συνοψίζεται ωμά: Το Parse 5 "χάνει το σημείο αναφοράς στους βαθμούς. Κερδίζει με κόστος ανά σελίδα."
Τι είναι στην πραγματικότητα το Parse 5 For more context on this story, see our ongoing breaking AI news.
Το Parse 5 είναι ένα μοντέλο γλώσσας όρασης 2,3 δισεκατομμυρίων παραμέτρων που βασίζεται στην αρχιτεκτονική North-Micro-Vision-Instruct της Cohere Labs, με παράθυρο περιβάλλοντος 8.192 τόνων και αποτύπωμα περίπου 4,6 GB. Λαμβάνει μια σελίδα PDF, PowerPoint ή JPEG ως είσοδο με κωδικοποίηση βάσης 64 και επιστρέφει το Markdown με ένα μόνο πέρασμα: κείμενο σε σειρά ανάγνωσης, πίνακες που αποδίδονται ως HTML, λίστες, ζεύγη κλειδιών-τιμών, περιγραφές εικόνων και συντεταγμένες πλαισίου οριοθέτησης για οπτικά στοιχεία.
Η αξιοσημείωτη αρχιτεκτονική επιλογή είναι αυτό που αφαιρεί. Δεν υπάρχει ξεχωριστό στάδιο OCR μπροστά από το μοντέλο — η ανίχνευση διάταξης, η αναγνώριση κειμένου και η δόμηση συμβαίνουν μέσα σε ένα δίκτυο, γεγονός που απλοποιεί την ανάπτυξη και εξαλείφει μια κοινή πηγή σφαλμάτων κλιμάκωσης στις παραδοσιακές σωληνώσεις εγγράφων.
Το Cohere παραθέτει εννέα γλώσσες ως σταθερές — Αραβικά, Αγγλικά, Γαλλικά, Γερμανικά, Ιταλικά, Ιαπωνικά, Κορεάτικα, Πορτογαλικά και Ισπανικά — με υποστήριξη μηδενικής λήψης για άλλες με χαμηλότερη ακρίβεια.
Δύο λειτουργίες εξόδου
Στην προεπιλεγμένη λειτουργία του, το Parse 5 επιστρέφει μια συμβολοσειρά Markdown ανά σελίδα. Μια δεύτερη λειτουργία, ενεργοποιημένη με `output_format="blocks"`, επιστρέφει πληκτρολογημένα μπλοκ, όπου κάθε μπλοκ πίνακα φέρει το HTML του, το πλαίσιο οριοθέτησής του και μια περιγραφή. Αυτός ο δεύτερος τρόπος είναι που καθιστά δυνατή την ιχνηλασιμότητα σε επίπεδο παραπομπών — μια επιχείρηση μπορεί να υποδείξει ακριβώς από πού προήλθε στη σελίδα ένα αναλυμένο σχήμα, κάτι που έχει σημασία για τις ρυθμιζόμενες βιομηχανίες που τροφοδοτούν έγγραφα σε συστήματα επαυξημένης παραγωγής ανάκτησης.
Η προειδοποίηση αναφοράς
Το Cohere αναφέρει βαθμολογία ParseBench 79,2 για το Parse 5, μπροστά από το Mistral OCR 4 στο 74,5, το Azure Document Intelligence στο 74,3 και το Databricks AI Parse στο 72,4. Ωστόσο, υπάρχει ένας σημαντικός αστερίσκος που η ανάλυση του MarkTechPost.
Το ParseBench είναι ένα σημείο αναφοράς LlamaIndex με περίπου 2.078 εταιρικές σελίδες που έχουν επαληθευτεί από τον άνθρωπο και βαθμολογούνται σε πέντε διαστάσεις: πίνακες, γραφήματα, πιστότητα περιεχομένου, σημασιολογική μορφοποίηση και οπτική γείωση. Το 79,2 του Cohere έχει κατά μέσο όρο μόνο τρεις από αυτές τις πέντε διαστάσεις, απόρριψη γραφημάτων και οπτική γείωση — ακριβώς τις δύο διαστάσεις όπου οι περισσότεροι αναλυτές έχουν τη χειρότερη απόδοση. Στον δημόσιο πίνακα κορυφαίων πέντε διαστάσεων, οι ίδιοι πωλητές βαθμολογούνται πολύ χαμηλότερα συνολικά: Mistral OCR 4 και Databricks AI Parse στο 60,68, Azure Document Intelligence (Layout) στο 59,64, με την LlamaParse Agentic να οδηγεί στο ταμπλό με 84,88. Το Parse 5 δεν περιλαμβάνεται επί του παρόντος σε αυτόν τον πίνακα κατάταξης.
Με άλλα λόγια, το 79,2 είναι μια βαθμολογία υποσυνόλου που αναφέρεται από τον προμηθευτή, όχι μια κορώνα αναφοράς. Ο τρισδιάστατος μέσος όρος του Azure φτάνει στο 74,3, που ταιριάζει ακριβώς με τη μεθοδολογία του Cohere — επομένως η σύγκριση είναι τουλάχιστον μήλα με μήλα στο υποσύνολο που καλύπτει.
Τα μαθηματικά τιμολόγησης
Το επιχείρημα του κόστους είναι όπου η τοποθέτηση του Cohere γίνεται συγκεκριμένη. Το Parse API κοστίζει 1,50 $ ανά 1.000 σελίδες — 0,0015 $ ανά σελίδα. Για οργανισμούς που προτιμούν αποκλειστική χωρητικότητα, η προσφορά Μοντέλου Vault για έναν ενοικιαστή κοστίζει 4,00 $ την ώρα (2.500 $ το μήνα) σε μια μεσαία περίπτωση ή 7,00 $ ανά ώρα (4.300 $ το μήνα) στο XL.
Το σημείο διασταύρωσης έχει μεγαλύτερη σημασία από οποιονδήποτε αριθμό μόνο. Σε μετρημένες τιμές, μια παρουσία Medium Vault σπάει ακόμη και με περίπου 1,67 εκατομμύρια σελίδες το μήνα και το XL σε περίπου 2,87 εκατομμύρια σελίδες. Κάτω από αυτούς τους τόμους, η κλήση του API όπως απαιτείται είναι φθηνότερη. πάνω από αυτά, η αποκλειστική χωρητικότητα κερδίζει στην τιμή προτού ληφθούν υπόψη τα πλεονεκτήματα διαμονής δεδομένων που συνήθως οδηγούν στην υιοθέτηση του Vault στην πρώτη θέση.
Διαθεσιμότητα
Το Parse 5 είναι γενικά διαθέσιμο μέσω του Cohere Parse API, του Microsoft Foundry, του AWS SageMaker και των αναπτύξεων Μοντέλου Vault μεμονωμένου μισθωτή. Δεν υπάρχει πρόσβαση σε πύλη άδειας έρευνας — η Cohere το αντιμετωπίζει ως υποδομή παραγωγής από την πρώτη μέρα.
Τι σημαίνει για τους αγοραστές επιχειρήσεων
Η έκδοση αντικατοπτρίζει ένα ευρύτερο μοτίβο στην επιχειρηματική τεχνητή νοημοσύνη: η ικανότητα παρακείμενων συνόρων γίνεται αρκετά μικρή ώστε να είναι φθηνή και οι πωλητές ανταγωνίζονται ολοένα και περισσότερο σε οικονομικές μονάδες αντί για ακατέργαστες βαθμολογίες. Ένα μοντέλο παραμέτρων 2,3 Β που αναλύει έγγραφα με 1,50 $ ανά χίλιες σελίδες συμπιέζει το κόστος ενός φόρτου εργασίας που απαιτούσε είτε ακριβές εμπορικές σουίτες OCR είτε εύθραυστες εσωτερικές σωληνώσεις.
Η κυκλοφορία λέει επίσης κάτι για το πού βλέπει το άνοιγμα του Cohere. Η εταιρεία έχει ποντάρει τις επιχειρηματικές της δραστηριότητες στην πρακτικότητα ανάπτυξης - μοντέλα που λειτουργούν φθηνά, ιδιωτικά και προβλέψιμα μέσα σε εταιρικά περιβάλλοντα - αντί να κυνηγούν τα σύνορα. Ο αναλυτής εγγράφων δεν είναι γοητευτικός δίπλα στα μοντέλα συλλογιστικής συνόρων, αλλά η απορρόφηση εγγράφων είναι ένας από τους λίγους φόρτους εργασίας τεχνητής νοημοσύνης όπου οι επιχειρήσεις μπορούν να μετρήσουν την απόδοση ανά σελίδα σήμερα και η Cohere θέλει ξεκάθαρα να κατέχει αυτά τα μαθηματικά.
Για τους αγοραστές, η πρακτική συμβουλή από την ανάλυση συγκριτικής αξιολόγησης είναι να αντιμετωπίζουν το Parse 5 με τον τρόπο που το πλαισιώνει η ίδια η Cohere — ως αξίωση δοκιμής με τα δικά σας έγγραφα, ιδιαίτερα εάν τα γραφήματα και η οπτική γείωση είναι κεντρικά για τον φόρτο εργασίας σας, καθώς αυτές είναι οι διαστάσεις που παραλείπει η αναφερόμενη βαθμολογία του. Για απορρόφηση μεγάλου όγκου, βαριάς μορφής κειμένου και πίνακα, η περίπτωση τιμής-απόδοσης είναι απλή. για την ανάλυση όπου τα γραφήματα έχουν το νόημα, οι ηγέτες του δημόσιου βαθμολογικού πίνακα παραμένουν άξιοι αξιολόγησης πρώτα.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
