Cohere wydało Parse 5 (parse-v5.0), model analizowania dokumentów mający na celu przetwarzanie dużych ilości dokumentów przez przedsiębiorstwa, i jest teraz ogólnie dostępny bez listy oczekujących. Jak szczegółowo opublikowano w MarkTechPost, wydanie jest zakładem, że większości przedsiębiorstw bardziej zależy na koszcie strony niż na pozycji w tabeli liderów – zakład VentureBeat podsumował bez ogródek: Parse 5 „traci punkt odniesienia w zakresie punktów. Wygrywa pod względem kosztu strony”.
Czym właściwie jest Parse 5 Więcej kontekstu na ten temat znajdziesz w naszych trendy AI.
Parse 5 to model języka wizyjnego zawierający 2,3 miliarda parametrów, zbudowany w oparciu o architekturę North-Micro-Vision-Instruct firmy Cohere Labs, z oknem kontekstowym zawierającym 8192 tokenów i zajmującym około 4,6 GB. Pobiera stronę PDF, PowerPoint lub JPEG jako dane wejściowe zakodowane w base64 i zwraca Markdown w jednym przebiegu: tekst w kolejności czytania, tabele renderowane jako HTML, listy, pary klucz-wartość, opisy obrazów i współrzędne ramki ograniczającej dla elementów wizualnych.
Godnym uwagi wyborem architektonicznym jest to, co usuwa. Przed modelem nie ma oddzielnego etapu OCR — wykrywanie układu, rozpoznawanie tekstu i strukturyzowanie odbywa się w ramach jednej sieci, co upraszcza wdrażanie i eliminuje typowe źródło kaskadowych błędów w tradycyjnych potokach dokumentów.
Cohere uznaje dziewięć języków za stabilne — arabski, angielski, francuski, niemiecki, włoski, japoński, koreański, portugalski i hiszpański — z obsługą zerowego zasięgu dla innych przy niższej dokładności.
Dwa tryby wyjściowe
W trybie domyślnym Parse 5 zwraca ciąg znaków Markdown na stronę. Drugi tryb, włączany za pomocą `output_format="blocks"`, zamiast tego zwraca wpisane bloki, w których każdy blok tabeli zawiera swój kod HTML, swoją ramkę ograniczającą i opis. Ten drugi tryb umożliwia śledzenie na poziomie cytatów — przedsiębiorstwo może wskazać dokładnie miejsce, z którego na stronie pochodzi przeanalizowana liczba, co ma znaczenie w przypadku regulowanych branż dostarczających dokumenty do systemów generowania wspomaganego wyszukiwaniem.
Zastrzeżenie dotyczące testów porównawczych
Cohere raportuje wynik ParseBench na poziomie 79,2 dla Parse 5, przed Mistral OCR 4 na poziomie 74,5, Azure Document Intelligence na poziomie 74,3 i Databricks AI Parse na poziomie 72,4. Istnieje jednak ważna gwiazdka, którą analiza MarkTechPost rozpakowuje szczegółowo.
ParseBench to test porównawczy LlamaIndex obejmujący około 2078 zweryfikowanych przez człowieka stron korporacyjnych ocenianych w pięciu wymiarach: tabele, wykresy, wierność treści, formatowanie semantyczne i podstawy wizualne. Cohere 79,2 uśrednia tylko trzy z pięciu wymiarów, pomijając wykresy i wizualne uziemienie — dokładnie te dwa wymiary, w których większość parserów radzi sobie najgorzej. W publicznej pięciowymiarowej tabeli liderów ci sami dostawcy uzyskują ogólnie znacznie niższe wyniki: Mistral OCR 4 i Databricks AI Parse z wynikiem 60,68, Azure Document Intelligence (Layout) z wynikiem 59,64, a LlamaParse Agentic prowadzi w rankingu z wynikiem 84,88. Parse 5 nie jest obecnie wymieniony w tej tabeli liderów.
Innymi słowy, 79,2 to wynik podzbioru zgłoszony przez dostawcę, a nie korona referencyjna. Średnia trójwymiarowa platformy Azure wynosi 74,3, co dokładnie odpowiada metodologii Cohere — zatem porównanie dotyczy co najmniej jabłek w obrębie podzbioru, który obejmuje.
Matematyka cenowa
Argument kosztów ma uzasadnienie w stanowisku Cohere’a. Cena interfejsu API Parse wynosi 1,50 USD za 1000 stron — 0,0015 USD za stronę. W przypadku organizacji, które preferują pojemność dedykowaną, oferta Model Vault z jednym dzierżawcą kosztuje 4,00 USD za godzinę (2500 USD miesięcznie) w przypadku instancji Medium lub 7,00 USD za godzinę (4300 USD miesięcznie) w przypadku instancji XL.
Punkt przecięcia ma większe znaczenie niż każda liczba osobno. Przy stawkach mierzonych instancja Medium Vault osiąga próg rentowności przy około 1,67 miliona stron miesięcznie, a XL przy około 2,87 miliona. Poniżej tych wolumenów wywoływanie API w razie potrzeby jest tańsze; nad nimi pojemność dedykowana wygrywa ceną, nie uwzględniając korzyści związanych z przechowywaniem danych, które zwykle w pierwszej kolejności decydują o przyjęciu Vault.
Dostępność
Parse 5 jest ogólnie dostępny za pośrednictwem interfejsu API Cohere Parse, Microsoft Foundry, AWS SageMaker i wdrożeń Model Vault z jedną dzierżawą. Nie ma żadnych ograniczeń dostępu do licencji badawczych — Cohere od samego początku traktuje to jako infrastrukturę produkcyjną.
Co to oznacza dla kupujących w przedsiębiorstwach
Wydanie odzwierciedla szerszy wzorzec sztucznej inteligencji dla przedsiębiorstw: możliwości przekraczające granice stają się na tyle małe, że mogą być tanie, a dostawcy w coraz większym stopniu konkurują ekonomią jednostkową, a nie surowymi wynikami. Model o parametrach 2,3B, który analizuje dokumenty przy cenie 1,50 dolara za tysiąc stron, zmniejsza koszty pracy, która wcześniej wymagała albo drogich komercyjnych programów OCR, albo kruchych wewnętrznych procesów.
Komunikat mówi także coś o tym, gdzie Cohere widzi swoje otwarcie. Firma postawiła w swojej działalności korporacyjnej na praktyczność wdrożeń — modele, które działają tanio, prywatnie i przewidywalnie w środowiskach korporacyjnych — zamiast gonić za granicami. Analizator dokumentów nie jest efektowny w porównaniu z pionierskimi modelami rozumowania, ale przetwarzanie dokumentów to jedno z niewielu zadań związanych ze sztuczną inteligencją, w przypadku których przedsiębiorstwa mogą dziś mierzyć zwrot na stronę, a Cohere wyraźnie chce mieć tę matematykę w posiadaniu.
Praktyczna rada dla kupujących wynikająca z analizy porównawczej brzmi: traktuj Parse 5 w sposób, w jaki sam go przedstawia Cohere — jako żądanie przeprowadzenia testów na podstawie własnych dokumentów, szczególnie jeśli wykresy i podstawy wizualne są kluczowe dla Twojego obciążenia pracą, ponieważ są to wymiary, które pomija raportowany wynik. W przypadku przetwarzania dużej ilości tekstu i tabel, porównanie ceny do wydajności jest proste; do analizowania wykresów, w których znaczenie mają wykresy, w pierwszej kolejności warto ocenić liderów publicznych rankingów.
---
Bądź na Bieżąco z AINajnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.
Czytaj więcej wiadomości AI →
