Cohere、文書解析モデル「Parse 5」を公開

Cohereは、PDFやスライド、画像をMarkdown形式に変換する文書解析モデル「Parse 5」を一般公開した。APIを通じた利用価格は1,000ページあたり1.50ドルに設定されており、同社は精度の高さではなく、コストと性能のバランスを企業向けの訴求ポイントとして打ち出している。

企業がAIシステムに大量の文書データを流し込もうとする際、これまで主な障壁となってきたのが「精度か、コストか」という二択だった。高精度なモデルを使えば処理費用がかさみ、安価なツールでは表やグラフのレイアウト構造が失われたり、存在しない内容が生成されたりするケースがある。Parse 5は、この課題に対して「十分な精度を、手の届く価格で」という方向性で応えようとするモデルだと位置づけられる。

Parse 5のパラメータ数は23億で、Cohere Labsが開発した「North-Micro-Vision-Instruct」アーキテクチャを採用している。コンテキストウィンドウは8,192トークン、モデルのファイルサイズは約4.6GBとなる。入力はBase64エンコードされた画像として受け取り、PDF・PowerPoint・JPEGの各形式に対応。出力はページごとのMarkdown文字列が基本で、表はHTML形式で、画像には説明文とバウンディングボックス座標が付与される。対応言語は英語・日本語・フランス語・ドイツ語・スペイン語・ポルトガル語・イタリア語・韓国語・アラビア語で安定した精度を持ち、それ以外の言語でも精度は下がるものの動作する。

特徴的なのは、その処理方式だ。従来の多くのツールは、まずOCR（文字認識）で文書のテキストを抽出し、その後に別のモデルで意味を解析するという二段階の工程を踏む。Parse 5はこれを一つのビジョン言語モデルで一括処理する「シングルパス」方式を採用しており、工程の簡略化とコスト削減につながると考えられる。Cohereでは、出力に含まれるバウンディングボックスやHTML形式の表データが、AIエージェントが特定の情報源を引用・参照する際のトレーサビリティ（追跡可能性）を高めると説明している。

Cohereが公表したベンチマーク比較によると、Parse 5のスコアは79.2（表・内容の忠実性・意味的なフォーマットの3項目合計）。これはGPT-5.5の84.4、Opus 4.8の84.3、Gemini 3.5 Flashの81.8を下回り、LlamaParse（スコアは原文に記載なし）は上回る水準だ。同社はトップスコアを主張してはおらず、あくまで「上位に近い精度を、最低コストで実現している」点を強調している。CohereのAI検索担当VPであるNils Reimers氏は「文書解析の難しさは、テキストの読み取りではなく、構造と意味を保つことにある」と述べており、レイアウトが複雑なページでは汎用の大規模モデルでも失敗することがあると指摘する。

Parse 5は現在、Cohere API、同社のセキュアなシングルテナント型プラットフォーム「Model Vault」、Microsoft Foundry、AWS SageMakerを通じて利用できる。大量処理が必要な場合はModel Vaultでの運用が推奨されている。

精度だけで競うのではなく、コストを透明化した上で「どの精度水準をいくらで買えるか」をはっきり示すアプローチは、企業が大量の文書をAIパイプラインに組み込む際の判断材料を整理しやすくするという見方ができる。大規模言語モデルの高精度化が進む一方で、実際の企業導入では処理コストが制約になるケースも多く、価格競争力のある専用モデルがどこまで普及するか注目される。