Cohere、大規模企業文書処理向け VLM「Parse」を発表

Cohere Parse は、大量の企業文書を処理するためのコスト効率に優れたビジョン言語モデルです。複雑なマルチモーダルファイルを構造化された機械可読データに変換し、ドキュメントインデックス化、RAG（検索拡張生成）、エージェント型検索など、企業の知識活用ユースケースを可能にします。

単なる文字認識を超え、Parse は表や埋め込み画像といった重要な視覚要素を検出し理解した上で、後続処理やアプリケーション利用に適したクリーンな Markdown ファイルとして出力します。Parse を利用すれば、世界の主要 9 か国語で文書と画像の処理が可能です。

Parse は、ワークロードが拡大しても解析品質を維持し、推論コストを見通せるように設計されています。本番環境で必要となる高スループットにも対応しています。顧客は Cohere API を通じて Parse にアクセスでき、1,000 ページあたり 1.50 ドルという価格で利用可能です。あるいは、Model Vault でデプロイすることで、セキュアな単一テナント型の推論を実現し、ページあたりのコストをさらに削減できます。規制の厳しい業界に所属するチームは、Parse を自社のインフラ上に安全に展開でき、最小限のサービングフットプリントで運用可能です。

まずは試してみたいですか？Space で Cohere Parse があなたの文書をどのように処理するか、無料で体験できます。

パフォーマンス

Cohere Parse は、評価したモデルの中で「価格と性能のトレードオフにおいて最強」です。このモデルは、主要な特化型ドキュメント解析ソリューションを上回る競争力を持ちながら、数十万ページから数百万ページに及ぶ高ボリュームワークロードにも対応可能な価格設定を実現しています。

*評価対象のモデルにおける、性能（ParseBench の 3 つの評価次元の平均）と価格（1,000 ページあたりの米ドル）のパレートフロンティア。価格は幅広い範囲を反映するため対数スケールで表示しています。

エージェント向けの解析性能を測定する ParseBench では、Parse は 3 つの評価次元で総合スコア 79.2 を記録しました。これに対し、Mistral OCR 4 は 74.5、Databricks AI Parse は 72.4、LlamaParse のコスト効率重視版は 78.3 です。

この性能差は、主要クラウドプロバイダーのドキュメントインテリジェンスソリューションと比較するとさらに顕著です。AWS Textract や Google Document AI では、いずれも 20 ポイント以上の改善が見られます。評価セットにおいて、Parse よりも優れた結果を示したのは、GPT-5.5、Opus 4.8、Gemini 3.5 Flash という最先端の汎用大規模言語モデルのみです。これらはすべて汎用モデルであり、Parse と比較してはるかに大型です。

Proprietaryおよびopen-weightの文書解析・OCRツールの代表的なセットにおける、3 つの能力次元ごとの*ParseBench*平均スコア。

ParseBench の能力別スコアは、データグリッドとセルの構造的抽出精度を評価するテーブルテスト、テキストの省略・幻覚・読み順の破綻を検証するコンテンツ忠実度テスト、取り消し線や斜体などデータの意味を変える書式を捉える能力を測るセマンティックフォーマット 1 の各項目で構成されています。なお、本評価ではチャートやビジュアルグラウンディング 2 は対象外でした（Zhang et al., 2026）。

スループット性能では、Cohere Parse が 1 秒あたり 4.5 ページを処理します。これは H100 GPU 8 枚構成のノードで計算すると 1 分間に 2,160 ページ（1 秒あたり 36 ページ）に相当し、同様の GPU 環境における RedNote の dots.mocr より約 1.4 倍、Chandra OCR 2 より約 2.2 倍の性能です。

Parse は Cohere API を通じて利用可能ですが、Cohere が提供する管理された推論用の安全な単テナントプラットフォームである Model Vault からもアクセスできます。持続的で大量の生産ワークロードには Model Vault の利用を推奨します。利用量が増えるほど、Model Vault は大きなコスト削減効果をもたらします。

GPU 利用率が 50% の場合、Cohere API と比較して推論コストは 23% 削減されます。1 時間あたりの利用率が最大限に達すれば、その節約額は 61% にまで拡大します。

例えば、月間約 1,300 万ページを処理する大企業の請求書支払いワークフローを考えてみましょう。この規模で Cohere API ではなく Model Vault を介して Cohere Parse を展開すると、推論コストは月額約 12,000 ドル、年額では 144,000 ドル削減されます。さらに、1,000 ページあたり 10 ドルで提供されるハイパースケール事業者のサービスと比較した場合、この単一のワークフローだけで年間約 147 万ドルの節約が可能になります。

Parse で構築できること

Parse は、文書インテリジェンススタック全体を支える基盤となります。Parse を活用して以下のようなことが実現できます：

*ドキュメント処理の自動化* – クレーム、契約書、請求書などの大量文書から、手動でのレビューやデータ入力なしに構造化データを抽出します。

*セマンティック検索と RAG（Retrieval-Augmented Generation）* – チャンキング、インデックス作成、引用に適した表現を用いて、より高品質な検索システムを構築できます。

*マルチモーダルエージェント* – 自律的なワークフローやアクション実行に必要な文脈を AI エージェントに付与します。

Cohere Search エコシステム

Parse は、Compass の一部として提供されており、Embed や Rerank とともに利用できます。

当社のすべてのモデルは、単独でも連携しても機能するように設計されています。必要なコンポーネントだけを採用するか、文書から回答を生成する統合パイプラインを実現するためのフルマネージドプラットフォーム全体を展開することも可能です。

Parse は以下のようなユーザーに最適です：

• 文書の取り込み、パース、チャンキング、埋め込み、インデックス作成、ハイブリッド検索、2段階の検索といった一連のプロセスを、単一の設定しやすいインターフェースで完結させたい方。
• .xlsx、.docx、.html など幅広いドキュメント形式に対応しつつ、独自の前処理パイプラインを構築・維持する必要がない方。
• 遅延時間とトークン使用量を最適化するため、文書を自動的にテキストまたはビジョン（画像認識）のパスへルーティングするスマートなパース機能を提供したい方。
• データを再取り込みすることなくシームレスに埋め込みモデルをアップグレードできる、完全マネージド型のインデックスを利用したい方。
• 機密性の高いワークロード向けに、文書レベルでのアクセス制御機能を備えたマルチテナント環境で展開したい方。
• SharePoint や Google Drive などのクラウドストレージシステムに対応した、すぐに使えるコネクタを必要とする方。

始め方

Parse は現在、Cohere API、Model Vault、Microsoft Foundry、AWS SageMaker を通じて一般利用可能です。

ダッシュボード にアクセスして API キーの作成または新しい Vault の設定を行い、以下のコードを使用してパース処理を開始してください。

import base64
import os
import requests

API_KEY = os.environ["CO_API_KEY"]
IMAGE_PATH = "YOUR_IMAGE.png"

with open(IMAGE_PATH, "rb") as f:
    image = base64.b64encode(f.read()).decode("utf-8")

response = requests.post(
    "https://api.cohere.com/v2/parse",
    headers={"Authorization": f"Bearer {API_KEY}"},
    json={
        "model": "parse-v5.0",
        "document": {
            "type": "image_url",
            "image_url": f"data:image/png;base64,{image}",
        },
        "output_format": "markdown",
    },
)

response.raise_for_status()
result = response.json()

markdown = "\n\n".join(
    page["markdown"]["content"] for page in result["pages"]
)

with open("parsed_output.md", "w", encoding="utf-8") as f:
    f.write(markdown)

print("Saved to parsed_output.md")

リソース

• Microsoft Foundry
• Amazon SageMaker
• モデルドキュメント
• API リファレンス
• クイックスタート
• Model Vault ドキュメント

脚注

1

ここで報告されているすべての ParseBench スコアは、2026 年 8 月時点の最新評価ルールに基づいています。このルールには、以前はセマンティックフォーマットスコアを過大評価していた太字や見出し検出に関する修正が含まれています。公平な比較のために、競合他社のモデルについても更新されたルールに基づき推論出力から再評価を行いました。

2

レイアウトとチャートの各次元については、ParseBench の比較対象から除外しています。これらはモデルの品質欠陥を測るものではなく、現在の製品範囲外の機能を測定する指標だからです。

レイアウト評価では、要素レベルの空間検出（バウンディングボックスとクラスラベルの一致）をスコアリングします。当モデルは読み順の Markdown 生成を目的として設計されており、テキストに対して個別のバウンディングボックスを出力するのではなく、表や画像のみを対象にしています。この次元でのスコアが低いのは、転記ミスではなく、意図的な出力フォーマットの選択によるものです。

チャート評価では、チャート画像から数値データ系列を抽出して構造化されたテーブルに変換する能力を測ります。当モデルはチャートを記述メタデータを備えた視覚要素として扱い、データ抽出の対象とは見なしません。これは製品のスコープに関する判断であり、チャートデータの抽出機能は次期 Parser バージョンで実装予定です。

製品の目標と合致する 3 つの次元（Tables、Text Content、Text Formatting）については、完全な結果を報告します。これらは、当モデルが学習・最適化している構造化転記と意味的忠実度を網羅したものです。