精度とコストの比較
技術仕様
市場での位置づけ
詳細を読む
Cohereは8月27日（現地時間）、企業の文書処理を支援する新モデルParse 5を発表しました。PDFやスライド、スキャン画像を構造化されたMarkdownに変換するモデルで、GPT-5.5など上位のフロンティアモデルより低価格に抑えつつ、実用十分な精度を狙う設計です。Cohere APIを通じて即日利用できます。
Parse 5は22億パラメータの視覚言語モデルで、ページ画像を1回のモデル呼び出しで処理し、表をHTML形式で含む構造化Markdownを返します。従来のOCRとモデルを組み合わせる2段階処理を1パスに統合した点が特徴です。コンテキスト長は8192トークン、モデルサイズは約4.6ギガバイトです。
独自ベンチマークParseBenchでは、Parse 5は79.2点を記録し、GPT-5.5（84.4点）やOpus 4.8（84.3点）、Gemini 3.5 Flash（81.8点）にわずかに及びませんでした。一方でLlamaParseやMistral OCR 4など専用パーサーは上回っており、価格と精度のバランスを重視した結果と言えます。
Cohereは、年間7億5000万件の文書を処理する金融機関のケースを試算し、GPT-5.5のような大規模モデルをParse 5に置き換えることで、コストを98%以上削減できるとしています。価格は1000ページあたり1.5ドルで、高負荷用途にはCohereの専用インフラ「Model Vault」も用意されています。
BARC USのケビン・ペトリ氏は、文書解析が現在のAI導入で最も採用率の高い用途だと指摘し、非構造化データの活用が競争力の鍵になると述べています。HyperFRAME Researchのステファニー・ウォルター氏も、Parse 5はレガシーOCRと高価なフロンティアモデルの中間に位置し、全ての指標で最高を狙う必要はないと評価しています。
Parse 5は図表からのデータ抽出には対応しておらず、チャートは説明文で示す設計です。専門家は、ベンチマークの点数だけでなく、実際の業務文書でエージェントが情報を正しく使えるかどうかを検証する必要があると助言しています。