Cohere发布Parse 5：23亿参数文档解析大模型

一款面向企业级文档摄入的端到端视觉语言模型

Cohere正式发布Parse v5.0（简称Parse 5），这是一款专为高容量企业文档摄入场景打造的视觉语言模型。模型参数量为23亿，基于Cohere Labs自研的North-Micro-Vision-Instruct架构，上下文窗口达8,192 token，部署体积约4.6GB。它可直接接收PDF、PPT或JPEG单页的base64编码数据URI输入，并一次性输出结构化Markdown：包含按阅读顺序排列的文本、HTML格式渲染的表格、有序/无序列表、表单类键值对、图像描述及像素级边界框坐标。整个流程不依赖外部OCR模块，文本识别、版式还原、语义结构提取与空间定位全部在单次前向推理中完成。

多模态输出与多语言支持

Parse 5支持阿拉伯语、英语、法语、德语、意大利语、日语、韩语、葡萄牙语和西班牙语共9种语言的稳定解析，其余语言支持零样本迁移，但准确率有所下降。模型提供两种输出模式：默认模式返回每页对应的纯Markdown字符串；启用`output_format="blocks"`时，则返回带类型标记的结构化区块（如table block），每个区块内嵌HTML内容、边界框坐标及图像描述——这一设计使引用溯源（citation-level traceability）成为可能，显著提升RAG与智能体系统中信息来源的可验证性。

性能基准与横向对比

Cohere宣称Parse 5在自有基准ParseBench上取得79.2分（满分100），该分数为“表格解析”“内容保真度”“语义格式还原”三项指标的平均值。ParseBench由LlamaIndex构建，涵盖约2,078页经人工校验的企业文档，共设五维评测：表格、图表、内容保真度、语义格式、视觉定位。值得注意的是，Cohere公布的79.2分未包含“图表”与“视觉定位”两项——而这恰是当前主流解析器表现最弱的维度。对照LlamaIndex公开榜单，相同厂商在完整五维总分中得分明显更低：Mistral OCR 4为60.68，Databricks AI Parse为60.68，Azure Document Intelligence (Layout)为59.64。Azure三维度平均分恰好为74.3，与Cohere所引数据一致，印证了其评测口径。目前Parse 5尚未进入该公开榜单，当前榜首为LlamaParse Agentic（84.88）。

商业化路径与定价策略

Parse 5已全面开放商用，支持四种接入方式：Cohere官方Parse API、Microsoft Foundry、AWS SageMaker及单租户Model Vault。无等待名单，亦无研究许可限制。中型企业团队可凭免费试用密钥启动按量计费调用；大型企业若存在数据驻留或离线部署（air-gap）需求，可直连Model Vault或定制私有部署；早期初创公司亦可使用，但经济性通常在月处理量超10万页后才显现。定价方面，API调用为1.50美元/千页；Model Vault上，Medium实例为4.00美元/小时（或2,500美元/月），XL实例为7.00美元/小时（或4,300美元/月）。粗略测算，Medium实例盈亏平衡点约为每月167万页，XL约为287万页——低于该阈值时API更经济，高于则专属实例更具成本优势。

目标行业与典型应用场景

Cohere明确将金融服务业、保险、医疗健康与生命科学、公共部门、电信、能源及制造业列为重点垂直领域——这些行业普遍面临大量扫描件表单、密集型表格与非结构化文档管理挑战。Parse 5的核心应用包括：RAG系统的文档预处理、智能文档处理（IDP）、理赔与发票自动化流水线、合同及监管文件检索，以及为AI智能体提供精准的文档上下文支撑。

> 编者观点：Parse 5的发布凸显企业级AI正从通用能力竞争转向垂直场景深度优化。其“免OCR、端到端、结构可溯”的设计逻辑，为中国文档智能厂商提供了新思路——在精度与工程落地效率之间寻求务实平衡，或将比单纯追求SOTA指标更具商业可持续性。