Cohere bringt Parse 5 zur Umwandlung von Dokumenten in Markdown

Cohere hat Parse in der Version parse-v5.0 veröffentlicht, ein Vision-Language-Modell mit 2,3 Milliarden Parametern, das Unternehmensdokumente in großem Maßstab in Markdown umwandeln soll. Laut dem Fachmedium MarkTechPost, das die Veröffentlichung am 27. August meldete, und separat bestätigt von der südkoreanischen Zeitung AI Times, nimmt das System eine PDF-, PowerPoint- oder JPEG-Seite als base64-kodierte Daten-URI entgegen und liefert den Text in der ursprünglichen Lesereihenfolge, Tabellen als HTML, Listen, Schlüssel-Wert-Paare aus Formularen, Bildbeschreibungen und die Koordinaten jedes Elements auf der Seite zurück.

Ohne separaten OCR-Schritt

Anders als klassische Digitalisierungs-Pipelines, die ein Dokument zunächst durch eine eigene Texterkennung (OCR) schicken, erledigt Parse diese Arbeit in einem einzigen Durchgang: Das Vision-Language-Modell selbst — aufgebaut auf der North-Micro-Vision-Instruct-Architektur von Cohere Labs — erfasst gleichzeitig Text, Seitenlayout, Tabellen, Formulare und Bilder. Es verfügt über ein Kontextfenster von 8.192 Token und belegt rund 4,6 Gigabyte Speicherplatz. Cohere bietet zwei Ausgabemodi an: einen, der direkt eine Markdown-Zeichenkette liefert, und einen als 'blocks' bezeichneten Modus, der typisierte Blöcke zurückgibt — jeder mit seinem HTML-Code, seiner exakten Position auf der Seite und einer Beschreibung —, damit ein Retrieval-System präzise angeben kann, aus welchem Teil eines Dokuments eine Angabe stammt. Laut AI Times unterstützt das Modell stabil neun Sprachen, darunter Deutsch, Koreanisch, Englisch, Französisch, Japanisch und Spanisch, und verarbeitet 36 Seiten pro Sekunde — 2.160 pro Minute — auf acht H100-GPU-Knoten, eine Geschwindigkeit, die die Zeitung auf etwa das 2,2-Fache der Open-Source-Dokumentenanalysatoren beziffert, mit denen es konkurriert.

Eine Zahl, die Cohere selbst gewählt hat

Cohere untermauert seine Fokussierung auf Preis statt Spitzenleistung mit einem ParseBench-Wert von 79,2. ParseBench ist der Benchmark von LlamaIndex, der rund 2.078 von Menschen verifizierte Unternehmensseiten in fünf Dimensionen bewertet: Tabellen, Diagramme, inhaltliche Treue, semantische Formatierung und visuelle Verortung. Der Wert von 79,2 bildet jedoch nur den Durchschnitt von drei dieser fünf Dimensionen — Diagramme und visuelle Verortung, ausgerechnet die beiden Dimensionen, an denen die meisten Dokumentenanalysatoren am häufigsten scheitern, fließen nicht ein. Auf dieser gleichen Drei-Dimensionen-Basis liegt Parse vor Mistral OCR 4 (74,5), Azure Document Intelligence (74,3) und Databricks AI Parse (72,4); AI Times ergänzt den Vergleich um AWS Textract (53,3) und Google Document AI (57,3) und merkt an, dass nur Spitzen-Sprachmodelle wie GPT-5.5, Opus 4.8 und Gemini 3.5 Flash bei diesem Test besser abschneiden als Parse. Gemessen an allen fünf Dimensionen der öffentlichen Rangliste fallen dieselben Konkurrenten deutlich weiter zurück — Mistral OCR 4 und Databricks AI Parse kommen nur auf 60,68 Punkte, Azure Document Intelligence (Layout) auf 59,64 —, und Cohere Parse taucht in dieser vollständigen Rangliste noch gar nicht auf, die LlamaParse Agentic mit 84,88 Punkten anführt.

• API-Preis nach Nutzung: 1,50 US-Dollar pro 1.000 Seiten.
• Model Vault, Instanz Medium: 4,00 US-Dollar pro Stunde oder 2.500 US-Dollar pro Monat.
• Model Vault, Instanz XL: 7,00 US-Dollar pro Stunde oder 4.300 US-Dollar pro Monat.
• Break-even gegenüber der nutzungsabhängigen API: rund 1,67 Millionen Seiten pro Monat bei Medium, 2,87 Millionen bei XL.
• Zusätzliche Ersparnis beim Einsatz von Model Vault oder einer eigenen Installation, laut AI Times: bis zu 61 Prozent gegenüber dem Standardpreis pro Seite.

Für wen das Produkt gedacht ist

Parse ist bereits produktiv verfügbar, ohne Warteliste und ohne vorherige Forschungslizenz, über die Cohere-API, Microsoft Foundry, AWS SageMaker und Model Vault, die Option für eine dedizierte Single-Tenant-Instanz. Cohere richtet das Produkt an papierintensive Branchen — Banken und Finanzdienstleister, Versicherungen, Gesundheitswesen und Life Sciences, den öffentlichen Sektor, Telekommunikation, Energie und Fertigung — für Aufgaben wie das Speisen von Retrieval-Augmented-Generation-Systemen (RAG), die Bearbeitung von Schadensfällen und Rechnungen, die Suche in Verträgen und Akten oder die Bereitstellung von Dokumentenkontext für KI-Agenten. Teams, die bereits eine RAG-Infrastruktur betreiben, können mit nutzungsabhängigen API-Aufrufen und einem kostenlosen Testschlüssel starten, während große Unternehmen mit Anforderungen an Datenresidenz oder vollständige Systemisolation direkt zu Model Vault oder einer privaten Bereitstellung wechseln; die Wirtschaftlichkeit einer dedizierten Instanz lohnt sich laut MarkTechPost erst oberhalb von etwa 100.000 Seiten pro Monat.

Für ein deutsches Unternehmen, das große Mengen an Rechnungen, Verträgen oder Verwaltungsakten verarbeitet — eine Bank, einen Versicherer oder eine Behörde —, bietet Parse eine Alternative mit kalkulierbaren Kosten zu Werkzeugen wie Azure Document Intelligence oder Amazon Textract, mit dem Vorteil, dass Deutsch zu den neun stabil unterstützten Sprachen des Modells zählt. Die von Cohere beworbene Leistungszahl sollte dennoch mit Vorsicht gelesen werden: Gemessen an allen fünf Dimensionen des öffentlichen Benchmarks kommen weder Parse noch seine wichtigsten kommerziellen Konkurrenten bislang an das Ergebnis der spezialisierten Systeme heran, die diese Rangliste anführen. Vor der Migration eines geschäftskritischen Arbeitsablaufs bleibt der Test mit den eigenen Dokumenten des Unternehmens die einzige Prüfung, die wirklich zählt.