Cohere ने Parse 5 (parse-v5.0) रिलीझ केले आहे, एक दस्तऐवज-विश्लेषण मॉडेल उच्च-वॉल्यूम एंटरप्राइझ अंतर्ग्रहणाच्या उद्देशाने आहे, आणि ते आता सामान्यतः प्रतीक्षा सूचीशिवाय उपलब्ध आहे. MarkTechPost — एक पैज VentureBeat स्पष्टपणे सारांशित: पार्स 5 "पॉइंट्सवर बेंचमार्क गमावते. ते प्रति पृष्ठ किंमतीवर जिंकते."

पार्स 5 प्रत्यक्षात काय आहे For more context on this story, see our ongoing artificial intelligence updates.

पार्स 5 हे कोहेरे लॅब्सच्या नॉर्थ-मायक्रो-व्हिजन-इंस्ट्रक्ट आर्किटेक्चरवर तयार केलेले 2.3-अब्ज-पॅरामीटर व्हिजन लँग्वेज मॉडेल आहे, ज्यामध्ये 8,192-टोकन कॉन्टेक्स्ट विंडो आणि अंदाजे 4.6GB च्या फूटप्रिंट आहेत. हे बेस64-एनकोड केलेले इनपुट म्हणून पीडीएफ, पॉवरपॉईंट किंवा JPEG पृष्ठ घेते आणि एकाच पासमध्ये मार्कडाउन परत करते: वाचन क्रमाने मजकूर, HTML म्हणून प्रस्तुत केलेल्या सारण्या, याद्या, फॉर्म की-व्हॅल्यू जोड्या, प्रतिमा वर्णन आणि दृश्य घटकांसाठी बाउंडिंग बॉक्स निर्देशांक.

उल्लेखनीय आर्किटेक्चरल निवड म्हणजे ते काढून टाकते. मॉडेलच्या समोर कोणताही वेगळा OCR स्टेज नाही — लेआउट डिटेक्शन, टेक्स्ट रेकग्निशन आणि स्ट्रक्चरिंग एका नेटवर्कमध्ये घडते, जे डिप्लॉयमेंट सुलभ करते आणि पारंपारिक दस्तऐवज पाइपलाइनमधील कॅस्केडिंग त्रुटींचे सामान्य स्त्रोत काढून टाकते.

कोहेरे नऊ भाषा स्थिर म्हणून सूचीबद्ध करते — अरबी, इंग्रजी, फ्रेंच, जर्मन, इटालियन, जपानी, कोरियन, पोर्तुगीज आणि स्पॅनिश — कमी अचूकतेवर इतरांसाठी शून्य-शॉट समर्थनासह.

दोन आउटपुट मोड

त्याच्या डीफॉल्ट मोडमध्ये, पार्स 5 प्रति पृष्ठ मार्कडाउन स्ट्रिंग देते. दुसरा मोड, `output_format="blocks"` सह सक्षम केलेला, त्याऐवजी टाइप केलेले ब्लॉक्स परत करतो, जेथे प्रत्येक टेबल ब्लॉकमध्ये त्याचे HTML, त्याचा बाउंडिंग बॉक्स आणि वर्णन असते. तो दुसरा मोड म्हणजे उद्धरण-स्तर शोधण्यायोग्यता शक्य करते — एक एंटरप्राइझ पृष्ठावर विशिष्ट आकृती कोठून आली हे दर्शवू शकते, जी पुनर्प्राप्ती-संवर्धित जनरेशन सिस्टममध्ये दस्तऐवज फीड करणाऱ्या नियंत्रित उद्योगांसाठी महत्त्वाची आहे.

बेंचमार्क चेतावणी

कोहेरेने पार्स 5 साठी पार्सबेंच स्कोअर 79.2 नोंदवला आहे, मिस्ट्रल ओसीआर 4 च्या पुढे 74.5 वर, Azure डॉक्युमेंट इंटेलिजेंस 74.3 वर आणि डेटाब्रिक्स AI पार्स 72.4 वर आहे. पण एक महत्त्वाचा तारका आहे जो MarkTechPost चे विश्लेषण

ParseBench हा सुमारे 2,078 मानवी-सत्यापित एंटरप्राइझ पृष्ठांचा एक LlamaIndex बेंचमार्क आहे जो पाच परिमाणांमध्ये स्कोर केला जातो: सारण्या, चार्ट, सामग्री विश्वासूता, अर्थपूर्ण स्वरूपन आणि व्हिज्युअल ग्राउंडिंग. कोहेरेचे 79.2 सरासरी त्या पाच मितींपैकी फक्त तीन आहेत, चार्ट आणि व्हिज्युअल ग्राउंडिंग - तंतोतंत दोन परिमाणे जेथे बहुतेक विश्लेषक सर्वात वाईट कामगिरी करतात. सार्वजनिक पंच-आयामी लीडरबोर्डवर, समान विक्रेते एकूणच खूप कमी गुण मिळवतात: मिस्ट्रल OCR 4 आणि Databricks AI पार्स 60.68 वर, Azure डॉक्युमेंट इंटेलिजेंस (लेआउट) 59.64 वर, LlamaParse Agentic 84.88 वर बोर्डात आघाडीवर आहे. पार्स 5 सध्या त्या लीडरबोर्डवर सूचीबद्ध नाही.

दुसऱ्या शब्दांत, 79.2 हा विक्रेता-अहवाल केलेला उपसंच स्कोअर आहे, बेंचमार्क क्राउन नाही. Azure ची त्रिमितीय सरासरी 74.3 पर्यंत कार्य करते, कोहेरेच्या कार्यपद्धतीशी तंतोतंत जुळते — त्यामुळे तुलना किमान सफरचंद-ते-सफरचंद अशा उपसंचातील आहे.

किंमतीचे गणित

खर्चाचा युक्तिवाद हा आहे जेथे कोहेरेचे स्थान ठोस होते. पार्स API ची किंमत $1.50 प्रति 1,000 पृष्ठ आहे — $0.0015 प्रति पृष्ठ. समर्पित क्षमतेला प्राधान्य देणाऱ्या संस्थांसाठी, सिंगल-टेनंट मॉडेल व्हॉल्ट ऑफर मध्यम उदाहरणावर $4.00 प्रति तास ($2,500 प्रति महिना) किंवा XL वर $7.00 प्रति तास ($4,300 प्रति महिना) चालते.

क्रॉसओव्हर पॉइंट एकट्या संख्येपेक्षा जास्त महत्त्वाचा आहे. मीटर केलेल्या दरांवर, मध्यम व्हॉल्ट उदाहरण दरमहा अंदाजे 1.67 दशलक्ष पृष्ठांवर आणि XL अंदाजे 2.87 दशलक्ष पृष्ठांवर देखील खंडित होते. त्या खंडांच्या खाली, आवश्यकतेनुसार API कॉल करणे स्वस्त आहे; त्यांच्या वर, डेटा-रेसिडेन्सी फायद्यांचा लेखाजोखा करण्यापूर्वी किंमतीवर समर्पित क्षमता जिंकते जे सहसा प्रथम स्थानावर Vault दत्तक घेतात.

उपलब्धता

पार्स 5 सामान्यतः कोहेरे पार्स API, मायक्रोसॉफ्ट फाउंड्री, AWS सेजमेकर आणि सिंगल-टेनंट मॉडेल व्हॉल्ट उपयोजनांद्वारे उपलब्ध आहे. कोणतेही संशोधन परवाना गेटिंग प्रवेश नाही — कोहेरे पहिल्या दिवसापासून यास उत्पादन पायाभूत सुविधा मानत आहेत.

एंटरप्राइझ खरेदीदारांसाठी याचा अर्थ काय आहे

रिलीझ एंटरप्राइझ AI मधील एक विस्तृत नमुना प्रतिबिंबित करते: सीमावर्ती-लगतची क्षमता स्वस्तात चालण्यासाठी पुरेशी कमी होत आहे आणि विक्रेते कच्च्या स्कोअरऐवजी युनिट इकॉनॉमिक्सवर वाढत्या स्पर्धा करत आहेत. एक 2.3B-पॅरामीटर मॉडेल जे प्रति हजार पृष्ठांवर $1.50 दराने दस्तऐवज पार्स करते ते वर्कलोडची किंमत संकुचित करते ज्यासाठी एकतर महागडे व्यावसायिक OCR सूट किंवा घरातील ठिसूळ पाइपलाइनची आवश्यकता असते.

कोहेरेला त्याचे उद्घाटन कोठे दिसते याबद्दल प्रकाशन देखील काहीतरी सांगते. कंपनीने आपला एंटरप्राइझ व्यवसाय तैनात करण्याच्या व्यावहारिकतेवर - जे मॉडेल स्वस्तात, खाजगीरित्या आणि कॉर्पोरेट वातावरणात अंदाजे चालतात - सीमेचा पाठलाग करण्याऐवजी - यावर जोर दिला आहे. दस्तऐवज विश्लेषक हे फ्रंटियर रिजनिंग मॉडेल्सच्या पुढे अशोभनीय आहे, परंतु दस्तऐवज अंतर्ग्रहण हे काही एआय वर्कलोड्सपैकी एक आहे जिथे एंटरप्रायझेस आज प्रति पृष्ठ परताव्याचे मोजमाप करू शकतात आणि कोहेरेला स्पष्टपणे ते गणित हवे आहे.

खरेदीदारांसाठी, बेंचमार्क विश्लेषणाचा व्यावहारिक सल्ला म्हणजे पार्स 5 जसा कोहेरे स्वतः फ्रेम करतो त्याप्रमाणे वागणे हा आहे — तुमच्या स्वतःच्या दस्तऐवजांच्या विरूद्ध चाचणी करण्याचा दावा म्हणून, विशेषतः जर चार्ट आणि व्हिज्युअल ग्राउंडिंग तुमच्या वर्कलोडला केंद्रस्थानी असल्यास, कारण ते त्याचे रिपोर्ट केलेले स्कोअर वगळलेले परिमाण आहेत. उच्च-आवाज, मजकूर-आणि-टेबल-जड अंतर्ग्रहणासाठी, किंमत-कार्यप्रदर्शन केस सरळ आहे; तक्ते जेथे अर्थ धारण करतात ते पार्सिंग करण्यासाठी, सार्वजनिक लीडरबोर्डच्या नेत्यांचे प्रथम मूल्यांकन करणे योग्य आहे.

---

Stay Ahead of AI

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

Read more AI news →