8月28日、MarkTechPostが「Cohere Releases Parse 5 (parse-v5.0): A 2.3B Vision Language Model That Turns Enterprise Documents Into Markdown」と題した記事を公開した。CohereがリリースしたドキュメントパースVLM「Parse 5」は1,000ページあたり$1.50という明快な価格設計と、OCRステージを持たない1パス変換が特徴だが、自社報告のベンチマークスコアには読み解きが必要な前提条件がある。
1000ページあたり$1.50——Parse 5の価格設計
Cohereがparse-v5.0（Parse 5）をリリースした。2.3Bパラメータの視覚言語モデル（VLM）で、PDF・PPT・JPEGのページを入力として受け取り、Markdown形式で出力する。ベースアーキテクチャはCohere LabsのNorth-Micro-Vision-Instructで、コンテキストウィンドウは8,192トークン、モデルの重みは約4.6GB。
最も具体的な数字が価格だ。Parse APIは1,000ページあたり$1.50（1ページ$0.0015）。専有インスタンスで動かすModel Vaultでは、Mediumが月**$2,500、XLが月$4,300**となる。
ここで元記事が明示している損益分岐点が実用的な判断基準になる。Mediumインスタンスが従量課金より安くなるのは月間約167万ページ以上、XLは約287万ページ以上からだ——ただしこの数字が元記事に明記された値なのか、記者がページ単価から逆算した試算なのかは元記事の記述から明確に判断できなかったため、参考値として読んでいただきたい。それ以下の処理量ならAPIの従量課金の方がコストは低い。ただしModel Vaultへの移行理由として、記事はデータレジデンシー（データの保管場所要件）やエアギャップ環境への対応を挙げており、コストよりそちらが実際の決め手になるケースが多いと指摘している。
OCRなしで一発変換——何を出力するのか
Parse 5の特徴は、OCRステージを別途持たない点だ。従来のパイプラインではOCRエンジンでテキストを抽出してからLLMで構造化するという2段構成が一般的だったが、Parse 5はVLMが1パスで以下をすべて処理する。
- 本文テキストと読み取り順序
- テーブル（HTML形式でレンダリング）
- リスト・フォームのキーバリューペア
- 画像の説明文
- バウンディングボックス座標（ページ内の各要素の位置情報）
出力モードは2種類ある。デフォルトはページごとのMarkdown文字列。output_format="blocks"を指定するとブロック単位の型付き出力になり、テーブルブロックであればHTMLとバウンディングボックスと説明文をセットで返す。RAGシステムで引用箇所を特定したい場合はこのブロックモードが必要になる。
対応言語は9言語（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）が安定サポートとされており、それ以外はゼロショットで対応するが精度は落ちると明記されている。
ターゲット用途としてCohere自身が挙げているのは、RAGへの文書取り込み、請求書・保険金請求のパイプライン、契約書検索、エージェントへのドキュメントコンテキスト提供など。対象業界は金融・保険・医療・公共・通信・エネルギー・製造といったスキャン文書や複雑な表が多い分野だ。
ベンチマーク「79.2」の読み方
CohereはParseBenchで79.2というスコアを自社報告している。比較対象はMistral OCR 4（74.5）、Azure Document Intelligence（74.3）、Databricks AI Parse（72.4）。
ただしこのスコアには注意が必要だ。ParseBenchはLlamaIndexが公開する約2,078ページの企業文書ベンチマークで、評価軸は5次元（テーブル・チャート・コンテキスト忠実性・セマンティックフォーマット・ビジュアルグラウンディング）ある。元記事の記述によれば、Cohereの79.2はこのうち3次元のみを平均した値で、チャートとビジュアルグラウンディングを除外している。
公開リーダーボードの5次元フルスコアでは、Mistral OCR 4が60.68、Databricks AI Parseが60.68、Azure Document Intelligenceが59.64。トップはLlamaParse Agenticの84.88で、Parse 5はこのリーダーボードに現時点では掲載されていない。
79.2は「自社計測のサブセットスコア」であり、フルベンチマークでの順位ではない。実際の評価は自社ドキュメントで試すのが妥当だ。
提供形態
Parse 5はウェイトリストなしで即時利用可能。Cohere Parse API、Microsoft Foundry、AWS SageMaker、Model Vaultで提供されている。HuggingFace Spacesでも動作確認できる。
詳細はCohere Releases Parse 5 (parse-v5.0): A 2.3B Vision Language Model That Turns Enterprise Documents Into Markdownを参照していただきたい。
