A Cohere bemutatta a Parse dokumentumfeldolgozó modellt

Túlmutat a szövegfelismerésen

A Cohere szerint a Parse nagy mennyiségű vállalati dokumentum feldolgozására készült, költséghatékony vision language modell. A rendszer összetett, multimodális fájlokat alakít strukturált adattá, amelyet többek között dokumentumindexeléshez, retrieval-augmented generation, vagyis RAG megoldásokhoz, valamint agentic retrieval feladatokhoz lehet használni.

A vállalat azt emeli ki, hogy a Parse nem egyszerű optikai karakterfelismerésre, azaz OCR-re épül: táblázatokat, űrlapokat, diagramokat és képeket is értelmez, és tiszta Markdown-kimenetet ad a további feldolgozáshoz. A szolgáltatás kilenc nagy világnyelven képes dokumentumokat és képeket kezelni.

A modell a Cohere leírása szerint üzleti dokumentumokra van betanítva, különösen olyan területeken, mint a pénzügy, a biztosítás és a tudományos munka. A Parse vizuális elemekhez bounding boxokat is visszaad, ami segítheti a dokumentumszerkezet megőrzését, a keresést, a hivatkozások megalapozását és az automatizálást. A forrás lábjegyzete ugyanakkor pontosítja, hogy a modell olvasási sorrend szerinti Markdown-kimenetre készült, és szövegekhez nem, csak táblázatokhoz vagy képekhez ad elemenkénti bounding boxokat.

Ár, teljesítmény és összehasonlítások

A Parse a Cohere API-n keresztül 1,50 dollárba kerül 1000 oldalanként. A vállalat szerint a modell úgy készült, hogy a feldolgozási minőség megmaradjon, az inferenciaköltségek pedig kiszámíthatóak maradjanak nagyobb terhelésnél is. A Parse a Model Vaultban is telepíthető, ahol biztonságos, egybérlős inferenciát kínál, a Cohere szerint oldalanként további költségmegtakarítással.

A Cohere saját mérése alapján a Parse a ParseBench teszten 79,2-es átlagpontszámot ért el három értékelési dimenzióban. Ugyanezen összevetésben a Mistral OCR 4 74,5, a Databricks AI Parse 72,4, a LlamaParse Cost Effective ajánlata 78,3 pontot kapott. A Cohere szerint a különbség még nagyobb a hyperscaler dokumentumintelligencia-szolgáltatásokhoz képest: az AWS Textract és a Google Document AI esetében több mint 20 pontos javulást állít.

A közölt táblázatban a GPT-5.5 84,4, az Opus 4.8 84,3, a Gemini 3.5 Flash 81,8 ponttal szerepel, vagyis a Cohere értékelési készletében ezek előzték meg a Parse-t. A vállalat megjegyzi, hogy ezek általános célú és a Parse-nál lényegesen nagyobb frontier LLM-ek.

A ParseBench három dimenziót vizsgált: a táblázatok szerkezeti kinyerését, a tartalmi hűséget, valamint a szemantikus formázást, például az áthúzás vagy a dőlt betű felismerését, amikor ezek megváltoztatják az adat jelentését. A Cohere közlése szerint ez az értékelés nem tesztelte a diagramokat és a vizuális groundingot.

Áteresztőképességben a Cohere Parse 4,5 oldalt dolgoz fel másodpercenként, illetve 36 oldalt másodpercenként, azaz 2160 oldalt percenként egy 8 H100 GPU-s csomóponton. A vállalat szerint ez körülbelül 1,4-szerese a RedNote dots.mocr, és 2,2-szerese a Chandra OCR 2 teljesítményének ugyanazon GPU-konfiguráción.

Compass, Model Vault és elérhetőség

A Parse a Cohere Compass keresési és visszakeresési csomagjának részeként is használható, az Embed és a Rerank mellett. A Cohere szerint a modellek külön és együtt is alkalmazhatók, így a felhasználók választhatnak egyes komponenseket, vagy bevezethetik a teljes menedzselt platformot dokumentumtól válaszig tartó folyamatokhoz.

A Compassban a Parse olyan feladatokhoz kapcsolódhat, mint a dokumentumbevitel, feldolgozás, darabolás, beágyazás, indexelés, hibrid keresés és kétlépcsős visszakeresés. A Cohere támogatást ígér több dokumentumformátumhoz, köztük .xlsx, .docx és .html fájlokhoz, továbbá intelligens feldolgozási útválasztást, amely a dokumentumokat szöveges vagy vizuális feldolgozási útra küldi a késleltetés és a tokenhasználat optimalizálása érdekében.

A vállalat szerint a menedzselt indexeknél az embedding modellek frissítése az adatok újbóli betöltése nélkül történhet. A Compass emellett többbérlős telepítéseket, dokumentumszintű hozzáférés-szabályozást és felhőtárhely-konnektorokat kínál, például SharePointhoz és Google Drive-hoz.

A Parse általánosan elérhető a Cohere API-n, a Model Vaulton, a Microsoft Foundryn és az AWS SageMakeren keresztül. A Cohere közlése szerint a felhasználók a vállalat dashboardján hozhatnak létre API-kulcsot, vagy konfigurálhatnak új Vaultot.

Mit jelent ez a vállalatoknak

A Cohere a Parse-t olyan vállalati folyamatok alaprétegének szánja, ahol sok dokumentumból kell strukturált adatot előállítani. A megnevezett felhasználási területek közé tartozik az automatizált dokumentumfeldolgozás, például kárigények, szerződések és számlák esetében, a szemantikus keresés és RAG, valamint a multimodális ügynökök kiszolgálása.

A költségoldalon a Cohere a nagy volumenű termelési terheléseknél a Model Vaultot ajánlja. A vállalat példája szerint 50 százalékos GPU-kihasználtságnál a Model Vault 23 százalékkal csökkenti az inferenciaköltségeket a Cohere API-hoz képest, teljes óránkénti kihasználtságnál pedig a megtakarítás 61 százalékra nőhet.

A közlemény egy nagyvállalati szállítói számlafeldolgozási példát is hoz, havi körülbelül 13 millió dokumentumoldallal. A Cohere számítása szerint ennél a terhelésnél a Model Vault használata a Cohere API helyett körülbelül havi 12 000 dollárral, éves szinten 144 000 dollárral csökkentené az inferenciaköltséget. Egy 1000 oldalanként 10 dollárba kerülő hyperscaler ajánlathoz képest a vállalat éves megtakarításként körülbelül 1,47 millió dollárt említ erre az egy munkafolyamatra.