Cohere、文書解析モデル「Parse 5」を公開し企業ドキュメントを Markdown に変換

Cohere は、大量の企業文書を処理するためのドキュメント解析モデル「Parse (parse-v5.0)」をリリースしました。このモデルは 23 億パラメータを持つビジョンランゲージモデルで、8,192 トークンのコンテキストウィンドウと約 4.6GB のフットプリントを持ちます。基盤には Cohere Labs が開発した「North-Micro-Vision-Instruct」アーキテクチャが採用されています。

Parse は、PDF、PPT、JPEG のページを base64 エンコードされたデータ URI として受け取り、読み順のテキスト、HTML 形式でレンダリングされた表、リスト、フォームのキー・バリューペア、画像の説明、およびバウンディングボックス座標を含む Markdown を返します。事前段階に OCR モデルを別途設ける必要はありません。

Cohere は Parse API の料金を 1,000 ページあたり 1.50 ドルと設定し、最高精度ではなく価格対性能を重視しています。同社はこの主張を裏付けるため、ParseBench のスコア 79.2 を報告していますが、これはベンチマークの 5 つある評価項目のうち 3 つのみを対象に測定したものです。

実運用への導入は可能でしょうか？

はい、可能です。Parse は Cohere Parse API、Microsoft Foundry、AWS SageMaker、シングルテナントの Model Vault を通じて一般提供されています。ウェイトリストや研究用ライセンスの制限もありません。

どの企業が利用すべきか？

すでに RAG スタックを運用している中堅企業は、無料トライアルキーを使って従量課金 API から始められます。データ所在地やエアギャップ要件を持つ大規模企業は、Model Vault またはプライベートデプロイメントへ直接移行できます。シード期のスタートアップも利用可能ですが、月間 10 万ページを超える処理量にならないと経済的なメリットは現れません。

Cohere が対象とする業界は、金融・保険、ヘルスケアとライフサイエンス、公共部門、通信、エネルギー、製造業などです。これらはスキャンされたフォームや密集した表が一般的で、文書に依存する分野です。

主な用途としては、RAG（検索拡張生成）用のデータ取り込み、インテリジェントなドキュメント処理、請求書と請求パイプラインの自動化、契約やファイルの検索、そしてエージェントに対して文書のコンテキストを提供することが挙げられます。

Parse とは何か？

Parse は、Cohere Labs の「North-Micro-Vision-Instruct」アーキテクチャを基盤とした 23 億パラメータ規模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、モデルサイズは約 4.6GB です。PDF、PPT、JPEG のページを base64 でエンコードしたデータ URI として受け取り、ドキュメント本文、リスト、HTML 形式でレンダリングされた表、バウンディングボックス座標、画像の説明を含む Markdown を出力します。

このモデルの前段に OCR（光学文字認識）工程は存在しません。テキストの抽出と読み順の復元、表やリスト、フォーム、キー・バリューペア、画像とそのキャプション、さらにページ境界や視覚要素の位置情報を、単一の処理パスで同時に取得します。

現在、安定してサポートされている言語は 9 カ国語です（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）。それ以外の言語もゼロショットで利用可能ですが、精度はやや低くなります。

実用上重要なのは出力モードの選択です。デフォルトではページごとに Markdown 文字列を返します。一方、output_format="blocks" を設定すると、型付きブロックが返されます。例えば表ブロックには HTML 形式のデータ、バウンディングボックス、説明が含まれます。この「ブロック」モードこそが、引用レベルでの追跡可能性を実現する鍵となります。

ベンチマーク

Cohere は、Parse の ParseBench スコアが 79.2 だと発表しました。これは表、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 つの指標を平均した値で、Mistral OCR 4（74.5）、Azure Document Intelligence（74.3）、Databricks AI Parse（72.4）を上回っています。

ParseBench は LlamaIndex が提供するベンチマークで、約 2,078 ページの人間が検証したエンタープライズ向けドキュメントを対象にしています。評価は表、チャート、コンテンツの忠実度、セマンティックなフォーマット、視覚的グラウンディングの 5 つの次元で行われます。Cohere が発表した数値は、このうち 3 つを平均したものであり、多くのパーサーが機能不全に陥りがちな「チャート」と「視覚的グラウンディング」の 2 つは除外されています。

パブリックなリーダーボードを見ると、同じベンダーのスコアは 5 つの全次元でさらに低くなります。Mistral OCR 4 は 60.68、Databricks AI Parse も 60.68、Azure Document Intelligence（レイアウト）は 59.64 です。Azure の 3 次元平均値が 74.3 となり、Cohere の数値と完全に一致しています。これは評価手法の整合性を裏付けるものです。なお、Cohere Parse は現在このリーダーボードには掲載されておらず、同リストでは LlamaParse Agentic が 84.88 で首位となっています。

つまり、79.2 というスコアはベンダーが報告した部分集合の数値であり、リーダーボード上の順位を示すものではありません。自社のドキュメントで検証してみる価値のある妥当な主張だと言えます。

コストについて

Cohere の Parse API は、1,000 ページあたり 1.50 ドルで提供されています。Model Vault では、Parse 5 の Medium インスタンスが時間あたり 4.00 ドル（月額 2,500 ドル）、XL インスタンスは時間あたり 7.00 ドル（月額 4,300 ドル）となっています。

誰も報じないクロスオーバー：1 ページあたり 0.0015 ドルの場合、単一の Medium インスタンスは月間約 167 万ページで損益分岐点に達し、XL では約 287 万ページになります。これより少ない利用量ならメーター型 API コールの方が安価ですが、それを超えるとデータ所在地の問題（企業が Vault へ移行する本当の理由であることが多い）を別として、専用容量の方が価格面で有利になります。

主なポイント

Cohere は parse-v5.0 をリリースしました。これは PDF、スライド、画像を HTML テーブルとバウンディングボックス付きの Markdown に変換する 23 億パラメータのビジョンランゲージモデル（VLM）です。

API の料金は 1,000 ページあたり 1.50 ドル。Model Vault は Medium で月額 2,500 ドル、XL で月額 4,300 ドルです。

専用容量がメーター型料金より有利になるのは、月間約 167 万ページを超えた時点からです。

ParseBench の数値である 79.2 はベンダー報告によるもので、5 つの次元のうち 3 つにわたるもの。チャートやビジュアルグラウンディングは含まれていません。