Cohereが文書をMarkdown化する「Parse 5」を公開

Cohereは、企業文書を大規模にMarkdownへ変換するために設計された23億パラメータのビジョン言語モデル、Parseのバージョンparse-v5.0を公開した。専門メディアMarkTechPostが8月27日に報じ、韓国のメディアAI Timesが独自に確認したところによると、このシステムはbase64エンコードされたデータURIとしてPDF、PowerPoint、JPEG形式のページを受け取り、元の読み順のテキスト、HTMLに変換された表、リスト、フォームのキーと値のペア、画像の説明、そしてページ上の各要素のバウンディングボックス座標を返す。

独立したOCR工程を持たない

文書をまず独立した光学文字認識（OCR）エンジンに通す従来のデジタル化パイプラインとは異なり、Parseはこの作業を一度の処理で行う。Cohere LabsのNorth-Micro-Vision-Instructアーキテクチャ上に構築されたこのビジョン言語モデル自体が、テキスト、ページレイアウト、表、フォーム、画像を同時に抽出する。コンテキストウィンドウは8,192トークンで、モデルのサイズは約4.6ギガバイト。Cohereは2種類の出力モードを提供している。デフォルトではMarkdown文字列をそのまま返し、「blocks」と呼ばれるモードでは型付きのブロックを返す——各ブロックにはHTMLコード、ページ上の正確な位置、説明が含まれ、検索システムがある情報が文書のどの部分から得られたかを正確に示せるよう設計されている。AI Timesによると、このモデルは日本語、韓国語、英語、フランス語、ドイツ語、スペイン語を含む9言語を安定してサポートし、8基のH100 GPUノード上で1秒あたり36ページ（1分あたり2,160ページ）を処理する。同紙はこの速度を、競合するオープンソースの文書解析モデルの約2.2倍としている。

Cohere自身が選んだ数字

Cohereは、最高精度よりも価格性能比を重視するという立場を、ParseBenchで得た79.2点というスコアで裏付けている。ParseBenchはLlamaIndexが作成したベンチマークで、人間が検証した約2,078ページの企業文書を、表、グラフ、内容の忠実性、意味的な書式、視覚的な位置特定という5つの観点で評価する。しかし、この79.2点はそのうち3つの観点のみの平均値であり——多くの文書解析モデルが最も失敗しやすいグラフと視覚的な位置特定の2項目は含まれていない。同じ3項目基準で見ると、ParseはMistral OCR 4（74.5点）、Azure Document Intelligence（74.3点）、Databricks AI Parse（72.4点）を上回る。AI TimesはこれにAWS Textract（53.3点）とGoogle Document AI（57.3点）を加え、この同じテストでParseを上回るのはGPT-5.5、Opus 4.8、Gemini 3.5 Flashといった最先端の言語モデルのみだと指摘している。一方、公開されているリーダーボードの5項目すべてで測定すると、同じ競合はもっと低いスコアに落ち込む——Mistral OCR 4とDatabricks AI Parseはいずれも60.68点、Azure Document Intelligence（Layout）は59.64点にとどまり、Cohere Parseはまだこの完全版リーダーボードに登場すらしていない。同リーダーボードの首位はLlamaParse Agenticで、84.88点となっている。

• 従量課金のAPI価格：1,000ページあたり1.50ドル。
• Model Vault、Mediumインスタンス：1時間4.00ドル、または月額2,500ドル。
• Model Vault、XLインスタンス：1時間7.00ドル、または月額4,300ドル。
• 従量課金APIとの損益分岐点：Mediumで月間約167万ページ、XLで約287万ページ。
• AI Timesによると、Model Vaultまたはオンプレミス導入により、標準のページ単価に比べ最大61％のコスト削減が可能。

どんな企業を想定しているか

Parseはすでに本番環境で利用可能で、待機リストや事前の研究ライセンスは不要。Cohere API、Microsoft Foundry、AWS SageMaker、そしてシングルテナント専用インスタンスのオプションであるModel Vaultを通じて提供される。Cohereは、銀行・金融サービス、保険、医療・ライフサイエンス、公共部門、通信、エネルギー、製造業といった、書類処理量の多い業界をターゲットにしている。用途としては、検索拡張生成（RAG）システムへのデータ供給、保険金請求や請求書の処理、契約書や記録の検索、AIエージェントへの文書コンテキストの提供などが挙げられる。すでにRAGスタックを運用しているチームは、従量課金のAPI呼び出しと無料の試用キーから始めることができる一方、データの所在地やシステムの完全な隔離を必要とする大企業は、直接Model Vaultまたはプライベート導入に進む。MarkTechPostによれば、専用インスタンスの経済性が意味を持ち始めるのは月間およそ10万ページを超えてからだという。

大量の請求書や契約書、行政文書を扱う日本企業——銀行、保険会社、あるいは自治体や官公庁など——にとって、ParseはAzure Document IntelligenceやAmazon Textractといったツールに代わる、コストの見通しが立てやすい選択肢となる。日本語がこのモデルの安定サポート対象9言語に含まれている点も強みだ。とはいえ、Cohereが打ち出す性能数値は慎重に読む必要がある。公開ベンチマークの5項目すべてで測定すると、Parseもその主要な商用競合も、そのリーダーボードで上位を占める専門システムの結果にはまだ近づいていない。基幹業務のワークフローを移行する前に、自社の文書で実際に試してみることが、依然として唯一頼りになる確認方法だ。