Cohere wprowadza Parse: nowa jakość w obszarze Document Intelligence dla przedsiębiorstw
Firma Cohere zaprezentowała Parse – nowy model klasy vision language przeznaczony do masowego przetwarzania dokumentów w przedsiębiorstwach. Narzędzie wpisuje się w rosnącą kategorię Document Intelligence, oferując skalowalne podejście do ekstrakcji wiedzy z trudnych w analizie plików wizualnych. Głównym zadaniem Cohere Parse jest przekształcanie złożonych treści, zawierających m.in. tabele i osadzone grafiki, w ustrukturyzowane, gotowe do przetwarzania pliki w formacie markdown. Narzędzie staje się dzięki temu kluczowym elementem zasilania architektur RAG (Retrieval-Augmented Generation) oraz środowisk agentowych.
Architektura wzrokowo-językowa i funkcje analityczne
Cohere Parse opiera się na własnej architekturze wzrokowo-językowej (z 2,3 miliarda parametrów), która pozwala pominąć tradycyjny, odseparowany proces OCR na rzecz bezpośredniego czytania zawartości stron i obrazów. Rozwiązanie obsługuje aktualnie 9 głównych języków wykorzystywanych w globalnym biznesie. Zespół Cohere wyposażył model w świadomość przestrzenną – Parse potrafi nie tylko rozpoznać układ strony, ale także zwrócić dokładne współrzędne (bounding boxes) dla poszczególnych elementów wizualnych, co znacząco wspiera późniejsze procesy ugruntowania (grounding) informacji.
Narzędzie jest już dostępne przez Cohere API oraz w ramach Microsoft Foundry, Amazon SageMaker, a także w izolowanym środowisku Model Vault. Co ważne, stanowi ono również część szerszego stosu technologicznego firmy o nazwie Compass, współpracując natywnie z modelami Embed oraz Rerank.
Wyniki w benchmarku ParseBench
Rozwiązanie Cohere zostało szczegółowo poddane ewaluacji w teście ParseBench, który ocenia zdolność modeli do ekstrakcji tabel, zachowania wierności treści oraz odczytywania formatowania semantycznego. Cohere Parse uzyskał bardzo konkurencyjny wynik, przewyższając zarówno wyspecjalizowane modele do parsowania dokumentów, jak i niektóre standardowe systemy gigantów chmurowych. Lepsze rezultaty uzyskały w tym zestawieniu jedynie nieporównywalnie większe, wielozadaniowe modele wiodące (tzw. frontier models).
| Model | Average | Tables | Content Faithfulness | Semantic Formatting |
|---|---|---|---|---|
| Cohere Parse | 79.2 | 87.0 | 86.6 | 64.0 |
| GPT-5.5 | 84.4 | 89.3 | 87.5 | 76.5 |
| Opus 4.8 | 84.3 | 89.7 | 89.0 | 74.1 |
| Gemini 3.5 Flash | 81.8 | 87.6 | 84.7 | 73.2 |
| LlamaParse (Cost Effective) | 78.3 | 81.4 | 90.9 | 62.7 |
| Chandra OCR 2 (open) | 77.7 | 89.2 | 83.7 | 60.3 |
| Mistral OCR 4 | 74.5 | 73.9 | 89.5 | 60.1 |
| Databricks AI Parse | 72.4 | 83.7 | 88.3 | 45.3 |
| Azure Document Intelligence | 69.3 | 86.0 | 84.9 | 37.0 |
| Deepseek-OCR 2 (open) | 65.9 | 61.7 | 82.0 | 54.0 |
| dots.mocr (open) | 63.2 | 85.2 | 89.5 | 14.9 |
| Google Document AI | 57.3 | 55.1 | 83.7 | 33.0 |
| AWS Textract | 53.3 | 82.3 | 74.8 | 2.8 |
Dane: Cohere
Przepustowość, koszty i Model Vault
Poza skutecznością ekstrakcji danych, Cohere kładzie silny nacisk na parametry wydajnościowe. Model osiąga przepustowość na poziomie 4.5 pages per second (co daje 36 pages per second lub 2160 pages per minute na węźle składającym się z 8 układów GPU H100). Dla porównania, jest to wynik około 2,2 razy lepszy niż w przypadku otwartoźródłowego Chandra OCR 2 działającego na analogicznej infrastrukturze.
Koszty użycia Cohere Parse przez standardowe API wyceniono na $1.50 per 1,000 pages. Jednak dla największych firm, wdrażających platformę Model Vault (umożliwiającą bezpieczną inferencję w architekturze single-tenant), oszczędności stają się wyraźniejsze wraz z rosnącym obciążeniem. Przy 50-procentowej utylizacji kart GPU koszty wnioskowania spadają o 23%, a przy pełnym wykorzystaniu sprzętu różnica względem API sięga 61%.
Firma ilustruje to na przykładzie typowego dla dużych przedsiębiorstw obiegu dokumentów, w którym przetwarza się 13 milionów stron miesięcznie. Uruchomienie takich procesów przez Model Vault pozwala na zaoszczędzenie blisko $144,000 w skali roku względem podstawowego cennika API. W porównaniu do usług chmurowych z pułapu $10 per 1,000 pages, roczna różnica w kosztach dla tak samo zwymiarowanego zadania wynosi aż $1.47 million.
