Cohere 发布 Parse 5：一款把企业文档转成 Markdown 的 2.3B 视觉语言模型

Cohere 发布了 Parse（parse-v5.0），一款面向高吞吐企业文档摄取场景的文档解析模型。它是一个 2.3B 参数的视觉语言模型，拥有 8,192 token 的上下文窗口，体积约 4.6GB，基于 Cohere Labs 的 North-Micro-Vision-Instruct 架构构建。Parse 接收以 base64 编码 data URI 形式传入的 PDF、PPT 或 JPEG 页面，返回 Markdown 输出，包含按阅读顺序排列的文本、以 HTML 渲染的表格、列表、表单键值对、图片描述以及边界框（bounding box）坐标。模型前端没有单独的 OCR 阶段。Cohere 将 Parse API 定价为每 1,000 页 1.50 美元，主打”性价比”而非”峰值精度”，这一说法由公司自报的 79.2 分 ParseBench 成绩支撑，但如下文详述，该分数只测了该基准五个维度中的三个。

是否可以投入生产部署？

可以，已具备生产可用性。Parse 已通过 Cohere Parse API、Microsoft Foundry、AWS SageMaker 以及单租户 Model Vault 全面开放（GA）。无需排队等待，也没有研究许可证限制。

哪些公司适用： 已经跑着 RAG 技术栈的中型团队，可以用免费试用 key 按量调用 API 起步。有数据驻留或隔离（air-gap）要求的大型企业，直接走 Model Vault 或私有化部署。初创公司也能用，但只有月处理量超过大约 10 万页时，成本账才算得过来。

哪些行业： Cohere 瞄准金融服务、保险、医疗健康与生命科学、公共部门、电信、能源和制造——这些文档密集型行业里扫描表单和密集表格是常态。

应用场景： RAG 摄取、智能文档处理、理赔与发票流水线、合同与档案检索，以及为 AI Agent 提供文档上下文。

Parse 是什么？

Parse 是一个 2.3B 参数的视觉语言模型，基于 Cohere Labs 的 North-Micro-Vision-Instruct 架构，上下文窗口 8,192 token，体积约 4.6GB。它接收以 base64 编码 data URI 形式传入的 PDF、PPT 和 JPEG 页面，返回包含文档文本、列表、以 HTML 渲染的表格、边界框坐标和图片描述的 Markdown。

前端没有单独的 OCR 阶段。模型一次性完成文本与阅读顺序、表格、列表、表单与键值对、图片与标题、以及页面边界和视觉元素位置的恢复。有九种语言被列为”稳定”：阿拉伯语、英语、法语、德语、意大利语、日语、韩语、葡萄牙语和西班牙语，其他语言为零样本支持，精度较低。

两种输出模式在实际使用中很重要。默认模式按页返回 Markdown 字符串。设置 output_format="blocks" 则返回类型化块（typed blocks），其中表格块携带其 HTML、边界框和描述。第二种模式正是实现引文级可溯源（citation-level traceability）的关键。

基准测试

Cohere 报告 Parse 的 ParseBench 得分为 79.2，在表格、内容保真度和语义格式化三个维度上取平均，领先于 Mistral OCR 4（74.5）、Azure Document Intelligence（74.3）和 Databricks AI Parse（72.4）。

ParseBench 是 LlamaIndex 的一个基准，包含约 2,078 个经人工核验的企业页面，在五个维度上打分：表格、图表、内容保真度、语义格式化和视觉定位（visual grounding）。Cohere 的分数只平均了其中三个维度，去掉了图表和视觉定位，而这恰恰是大多数解析器翻车的两个维度。

对照公开排行榜，同一批厂商在完整五维总分上要低得多：Mistral OCR 4 为 60.68，Databricks AI Parse 为 60.68，Azure Document Intelligence (Layout) 为 59.64。Azure 的三维平均值算下来是 74.3，与 Cohere 的数字完全吻合，这也印证了方法论的一致性。Cohere Parse 目前并未出现在该排行榜上，榜首是 LlamaParse Agentic（84.88）。

所以 79.2 是厂商自报的”子集分数”，不是排行榜名次。把它当作一个值得用自家文档去验证的合理说法即可。

价格

Cohere 将 Parse API 定价为每 1,000 页 1.50 美元。在 Model Vault 上，Parse 5 的 Medium 实例为 4.00 美元/小时，或 2,500 美元/月；XL 实例为 7.00 美元/小时，或 4,300 美元/月。

没人公布的交叉点（crossover）：按每页 0.0015 美元算，一台 Medium 实例大约每月处理 167 万页才能打平，XL 大约需要 287 万页。低于这个量，按量 API 调用更便宜；高于这个量，专用容量在价格上胜出——且还没算数据驻留的因素，而那往往才是企业转向 Vault 的真正原因。