Cohereは、PDF、スライド、スキャン文書を構造化されたMarkdownに変換するため、2.3 billionパラメーターのParse 5モデルを提供開始した。モデルはページを画像として処理し、単一の視覚言語モデルの推論で結果を生成する。表はHTMLとして、画像は説明付きで、さらに表や画像の位置を示す座標とともに返す。APIの価格は1,000ページあたり$1.50と発表された。
CohereのParseBench比較で、Parse 5は表、内容の正確性、意味的なフォーマットの各項目で79.2点を獲得した。このスコアはGPT-5.5の84.4点、Opus 4.8の84.3点、Gemini 3.5 Flashの81.8点を下回る一方、LlamaParseのCost Effective層における78.3点を上回った。モデルはCohere API、Model Vault、Microsoft Foundry、AWS SageMakerを通じて提供される。ChartとLayoutは評価対象に含まれなかった。また、グラフデータの抽出機能は今後のバージョンで予定されていると説明された。
なぜ重要か
Parse 5は、文書変換プロセスにおいてテキストだけを取得するのではなく、表、画像、ページ内の位置を一体的に処理できる出力標準を提供する。これは、PDFやスキャン文書を扱うチームにとって、取得したデータを後続処理でどのように利用できるかに直接影響する可能性がある。ただし、グラフデータの抽出にまだ対応していないため、対象範囲は限られている。性能結果は、同モデルが一部の競合モデルを下回る一方、LlamaParseの該当層を上回る位置にあることを示している。さらに、評価にグラフとレイアウトの項目が含まれていないため、比較の範囲は狭められている。価格や複数のクラウドプラットフォームでの利用可能性を踏まえると、選定はモデルのスコアだけでなく、利用形態や既存の技術基盤に基づいて行う必要がある。