Cohere、複雑文書からの構造化データ抽出に特化した多モーダルモデル「Parse 5」を公開

記事の3ポイント

1. 1

   Parse 5 の基本性能と機能

   Cohere は 23 億パラメータの Vision Language Model (VLM) を公開し、金融報告書や学術論文などの視覚的に豊かな PDF を高精度な Markdown とバウンディングボックスに変換する。

2. 2

   独自のアーキテクチャと技術的特徴

   同モデルは 8K トークンのコンテキストウィンドウを備え、SigLIP 2 を基にしたビジョンエンコーダーと深層学習による統合アプローチ（DeepStack）を採用して文書の空間構造を維持する。

3. 3

   ベンチマーク評価での実績

   ParseBench における評価で、表抽出やコンテンツの忠実性などの指標で平均 79.2 を達成し、既存のツール群の中で高い競争力を持つことを示した。