Cohere、PDF処理モデル「Parse 5」を公開。精度は低いがコスト面で優位性

企業は、PDF やスライド、スキャン文書を AI パイプラインに読み込ませようとする際、常に同じ壁にぶつかります。既存のツールは、表やチャート、レイアウトといった構造を見逃すか、スケールして運用するにはコストが高すぎます。

Cohere は木曜日に Parse 5 をリリースしました。これは純粋な精度ではなく、価格対性能を前面に出した製品です。企業規模での運用に適した、コストと機能の最適なバランスを実現しています。Parse 5 は 23 億パラメータのビジョンランゲージモデルで、PDF、スライド、画像をエンタープライズスケールで構造化された Markdown へ変換するために設計されています。

Cohere が公開したベンチマーク比較によると、Parse 5 の精度は、より大規模な汎用フロンティアモデル 3 つに劣ります。Cohere が報告する ParseBench の 3 つの次元において、GPT-5.5、Opus 4.8、Gemini 3.5 Flash はいずれも Parse より高いスコアを記録しています。Cohere は最高得点を主張しているわけではありません。彼らが主張するのは、「トップクラスに近いスコア」に対する「最良のコストパフォーマンス」です。同社は API を通じて、1,000 ページあたり 1.50 ドルでこのモデルを提供しています。また、大規模な展開に対応するため、Cohere のセキュアかつ単テナント型の管理推論プラットフォームである Model Vault も利用可能です。

「文書解析が未解決なのは、難しい部分がテキストの読み取りではなく、構造と意味を保持することにあるからです」と、Cohere の AI 検索担当バイスプレジデントである Nils Reimers は VentureBeat に語りました。「エンタープライズ文書には表や図、チャートが含まれており、それらがデータの解釈を変える複雑なフォーマットを持っています。多くのツールは依然として構造を失ったり、内容を捏造したりしますし、フロンティアモデルでさえもレイアウトが重いページでは破綻してしまいます。」

単一パスアーキテクチャの内部

Parse 5 はページを画像として扱い、単一のビジョン・ランゲージモデル（VLM）のパスで処理して構造化された Markdown を返します。これにより、通常は別々のステップとして実行される OCR とモデルを組み合わせたパイプラインが統合されました。

アーキテクチャについて。これは Cohere Labs の「North-Micro-Vision-Instruct」アーキテクチャを基盤とした 23 億パラメータのビジョン・ランゲージモデルです。コンテキストウィンドウは 8,192 トークン、推論に必要なメモリ容量は約 4.6GB です。PDF、PowerPoint、JPEG のページを base64 でエンコードされた画像として受け取り、読書順に Markdown を出力します。テーブルは HTML 形式で描画され、画像の説明やテーブル・画像のバウンディングボックス座標も含まれます。

言語対応について。アラビア語、英語、フランス語、ドイツ語、イタリア語、日本語、韓国語、ポルトガル語、スペイン語では安定した精度を誇ります。その他の言語についてはゼロショットでのサポートが可能ですが、精度は低くなります。

出力モードについて。デフォルトのモードではページごとに Markdown 文字列が返されます。一方、「blocks」モードでは型付けされた要素が返され、各テーブルには独自の HTML、バウンディングボックス、説明が付与されます。Cohere はこの形式こそが、エージェントによる引用レベルの追跡可能性を可能にする鍵だと位置付けています。

利用状況について。Parse 5 は現在、Cohere API、Model Vault、Microsoft Foundry、AWS SageMaker を通じて一般提供されています。

ベンチマークの結果は「勝敗」ではなく「トレードオフ」を示しています

ParseBench は、人間が検証したエンタープライズ向けページに対して文書解析ツールの性能を評価するベンチマークです。Cohere によると、Parse 5 は表、コンテンツの忠実度、セマンティックなフォーマットの 3 つの次元で総合スコア 79.2 を記録しました。この結果は、GPT-5.5（84.4）、Opus 4.8（84.3）、Gemini 3.5 Flash（81.8）には及びませんが、LlamaParse の Cost Effective タイプ（78.3）、Mistral OCR 4（74.5）、Databricks AI Parse（72.4）、Azure Document Intelligence（69.3）を上回っています。

Cohere の表注記では、「レイアウト」と「チャート」の 2 つの次元が除外されていると明記されており、これは性能不足ではなく製品のスコープによるものとしています。Parse 5 はテキストに対して要素ごとのバウンディングボックスを返すのではなく、読み順に沿った Markdown を出力します。また、チャートのデータそのものを抽出するのではなく、チャートの内容を記述する形式を採用しており、チャートデータの抽出機能は将来のバージョンで実装される予定です。

Reimers 氏は、この設計思想が「エージェント型ワークフロー」において実際にどこで破綻するかという点に基づいていると説明しました。

「例えばチャートの処理については、Agentic AI が視覚的にチャートを検査できることを示すインジケーターと共に、一般的なチャート記述を提供しています。他のソリューションはチャートからデータを抽出しようとしますが、その過程で色や線の模様といった重要な情報が抜け落ち、結果として Chat や Agentic AI アプリケーションでハルシネーション（幻覚）が発生する恐れがあります」と Reimers 氏は解説しました。

Cohere が最も強調しているのはコスト面です。Reimers 氏は、同社が大手金融サービス企業向けにモデル化したワークフロー事例を挙げています。

750 億件の文書を年次処理する大規模な金融サービスワークフローのデータ分析では、GPT-5.5 のような汎用大規模モデルではなく Parse 5 を採用することで、コストを 98% 以上削減できることが示されました。

ただしこの数字は、Cohere が単一のシミュレーションされたワークフローに対して独自に算出した推計値であり、監査済みの実運用環境での数値ではありません。

Parse 5 の市場における立ち位置

文書解析ソリューションを検討する企業にとって選択肢が不足しているわけではありません。

GPT-5.5、Opus 4.8、Gemini 3.5 Flash といった汎用最先端モデルは精度比較で上位を占めますが、その分、ページごとに大規模モデル特有のコストとレイテンシが発生します。

一方、Mistral OCR 4 や LlamaParse といった専門パーサーや、Chandra OCR 2、RedNote の dots.mocr といったオープンウェイトの選択肢も存在します。

AWS Textract、Google Document AI、Azure Document Intelligence、Databricks AI Parse などの大手クラウドベンダーが提供する文書インテリジェンスサービスは、純粋な解析品質よりもエコシステムの利便性を競っており、Cohere の独自比較では最も低い評価となっています。

BARC US の研究担当バイスプレジデントである Kevin Petrie は、現在、企業における AI 導入の中心に文書解析があると指摘しています。

「現在実施中の調査では、文書分析が AI の利用ケースとして圧倒的に第 1 位であり、対象とした組織の 62% がすでに採用していることが示されました」と Petrie は VentureBeat に語りました。「画像などを含む文書やその他の非構造化データには、企業がエージェント型 AI 施策を差別化するために必要な独自コンテキストが蓄積されています。」

ペティ氏は、Cohere のコストパフォーマンスが最先端モデルと比べてどうなるかは時間がかかるものの、戦略的には Cohere が正しい方向性を持っていると指摘しています。

HyperFRAME Research の AI スタック担当プラクティスリーダーであるステファニー・ウォルター氏は、Cohere Parse 5 を「従来の OCR と、すべてのページで高価な最先端モデルを使用する」の間の適切な位置にあると評価しています。

「その潜在的な利点は、大量のデータ取り込みに対応可能な価格で、構造化されたデータ、空間的な出典情報、そしてプライベートデプロイメントを提供できる点にあります」とウォルター氏は VentureBeat に語りました。「あらゆるベンチマークで勝つ必要はありません。重要なのは、大規模な企業環境でのパース処理を経済的に実現することです。」

真の試練はベンチマークではなく、その後の活用段階にあるのです。

「エンタープライズ AI スタックにおいて、パース処理は最初の品質ゲートです」とウォルター氏は強調します。「取り込みの過程で表や見出し、画像、あるいは読み順が失われてしまえば、優れた埋め込みベクトルや大規模モデルを使っても、失われた構造を復元することはできません。」

ベンチマークのスコアだけが重要なのではありません。「企業は、自社の最も困難なドキュメントに対してパース処理を試行し、抽出されたテキストがどれだけきれいかではなく、その後の検索精度やタスク実行精度を測定すべきです」とウォルター氏は述べています。「問うべきは『PDF を読み取れたか』ではなく、『エージェントが情報を正しく活用できるか』なのです。」