Cohere wypuszcza Parse 5: zakład o koszt strony w firmowym parsowaniu dokumentów

Parsowanie dokumentów to jedno z głównych wąskich gardeł architektur RAG i agentów pracujących na firmowych archiwach. W tym kontekście 27 sierpnia 2026 roku Cohere ogłosił na swoim oficjalnym blogu ogólną dostępność Parse 5 (parse-v5.0). To zamknięty model o 2,3 miliarda parametrów, którego rozmiar VentureBeat szacuje na około 4,6 gigabajta, z oknem kontekstu 8192 tokenów. Zaprojektowano go tak, by zamieniał pliki PDF, slajdy i obrazy w ustrukturyzowany Markdown; według Cohere system rozpoznaje tabele, formularze, diagramy i osadzone obrazy oraz zwraca ich bounding boxy. Trenowano go na dokumentach z sektora finansowego, ubezpieczeniowego i badań naukowych, z obsługą dziewięciu głównych języków — dostawca nie wymienił jednak których, więc obecności włoskiego nie da się sprawdzić.

Jeśli chodzi o wyniki, Cohere podaje dla Parse 5 średnią 79,2 w ParseBench, teście opublikowanym przez LlamaIndex 13 kwietnia 2026 roku, z jawnym kodem na GitHubie — to nie jest test Cohere, ale też nie neutralnej strony trzeciej: LlamaIndex robi LlamaParse, który występuje w tej samej tabeli. Po bliższym spojrzeniu widać stronniczość: Cohere publikuje wyniki z trzech z pięciu wymiarów ParseBench — Tabele (87,0), Content Faithfulness (86,6) i Semantic Formatting (64,0) — pomijając Wykresy i Visual Grounding (VentureBeat nazywa je „Layout i Chart”). W tabeli porównawczej opublikowanej przez firmę, opartej na jej własnych pomiarach wewnętrznych, Parse 5 plasuje się poniżej GPT-5.5 (84,4), Opus 4.8 (84,3) i Gemini 3.5 Flash (81,8), ale wyżej niż rozwiązania takie jak LlamaParse Cost Effective (78,3) czy AWS Textract (53,3). Porównanie z LlamaParse dotyczy wariantu Cost Effective (78,3): w ocenie opublikowanej przez samego LlamaIndeksa konfiguracja Agentic tego samego produktu osiąga najwyższy wynik łączny, 84,9. Jak podał VentureBeat 28 sierpnia 2026 roku, Cohere uzasadnił pominięcie wymiaru wykresów tym, że w przepływach agentowych wystarczy opis tekstowy zamiast analitycznego wyciągania danych. Pozostaje jednak fakt, że niezależne uruchomienie benchmarku nie jest obecnie udokumentowane, a wpływu pominiętych wymiarów na końcowy wynik nie da się zweryfikować.

Prawdziwy zakład Cohere wydaje się dotyczyć opłacalności w dużej skali. Jak podał VentureBeat, VP of AI Search w Cohere, Nils Reimers, powiedział: „Parsowanie dokumentów nie jest rozwiązane, bo trudność nie polega na odczytaniu tekstu, tylko na zachowaniu struktury i znaczenia”. Odpowiedzią firmy jest cena 1,50 dolara za 1000 stron przez API, w parze z rabatami wolumenowymi w Model Vault, które przy pełnym wykorzystaniu obiecują do 61 procent oszczędności. Po stronie infrastruktury dostawca deklaruje przepustowość 4,5 strony na sekundę na pojedynczy GPU (około 36 stron na węźle z ośmioma kartami H100) przez vLLM. To parametry wydajności i kosztu podane wprost przez producenta, na razie bez niezależnej weryfikacji z zewnątrz. Lista kanałów — API Cohere, Model Vault, Microsoft Foundry, AWS SageMaker i prywatne wdrożenia dla sektorów regulowanych — również pochodzi od firmy; w przypadku Microsoft Foundry nie udało nam się przeczytać potwierdzenia po stronie Microsoftu.

Decyzja Cohere, by nie udostępniać wag i rozprowadzać model jako produkt zamknięty, dostępny wyłącznie przez API i zarządzane wdrożenia, przesuwa rywalizację z ogólnej dokładności na optymalizację kosztów eksploatacji. Sprowadzenie parsowania do kwestii stawki za stronę to pragmatyczny ruch pod kątem wdrożeń firmowych, ale realna skuteczność agenta zależy od precyzji wydobytych danych: jeśli struktura ginie z powodu częściowych ocen w benchmarkach, początkowa oszczędność grozi zamianą w koszt obliczeniowy i logiczny dalej w łańcuchu. — Olya