Cohere lanza Parse 5: un modelo de lenguaje para convertir documentos empresariales en markdown

Cohere ha lanzado Parse 5 (parse-v5.0), un modelo de lenguaje de visión diseñado para convertir documentos empresariales en Markdown estructurado. El modelo, que tiene 2.3 mil millones de parámetros, funciona con la arquitectura North-Micro-Vision-Instruct de Cohere Labs y cuenta con una ventana de contexto de 8.192 tokens y una huella de ~4,6 GB. Acepta entradas como PDF, PPT y páginas JPEG codificadas como URI de datos base64, y produce Markdown que contiene texto en orden de lectura, tablas renderizadas como HTML, listas, pares clave-valor de formularios, descripciones de imágenes y coordenadas de cuadro delimitador. A diferencia de algunos competidores, no requiere una etapa de OCR separada, procesando texto, tablas, listas, formularios y elementos visuales en una sola pasada. El modelo admite nueve idiomas, incluidos árabe, inglés, francés, alemán, italiano, japonés, coreano, portugués y español, con soporte de cero disparos para otros idiomas a menor precisión. Parse ofrece dos modos de salida: el modo predeterminado devuelve Markdown por página, mientras que el modo 'bloques' proporciona bloques tipados con HTML, cuadros delimitadores y descripciones, lo que permite el rastreo a nivel de citación. Cohere informa de una puntuación de ParseBench de 79,2, que promedia el rendimiento en tablas, la fidelidad del contenido y el formato semántico, superando a Mistral OCR 4 (74,5), Azure Document Intelligence (74,3) y Databricks AI Parse (72,4). El benchmark ParseBench evalúa cinco dimensiones, que incluyen tablas, gráficos, fidelidad del contenido, formato semántico y anclaje visual, con la puntuación de Cohere excluyendo gráficos y anclaje visual, donde la mayoría de los analizadores tienen dificultades. Cohere fija el precio de la API de Parse en 1,50 $ por 1.000 páginas. En Model Vault, Parse 5 funciona a 4,00 $ por hora o 2.500 $ al mes para una instancia mediana, y a 7,00 $ por hora o 4.300 $ al mes para una instancia XL. El punto de equilibrio para una instancia mediana es de aproximadamente 1,67 millones de páginas por mes, mientras que una instancia XL alcanza las 2,87 millones de páginas. Por debajo de estos umbrales, las llamadas API de pago son más rentables, mientras que la capacidad dedicada es preferible por encima de ellos, especialmente considerando las preocupaciones sobre la residencia de los datos. El modelo Parse está actualmente disponible a través de la API de Parse de Cohere, Microsoft Foundry, AWS SageMaker y Model Vault de un solo inquilino, sin necesidad de esperar ni licencia de investigación. Cohere también destaca los detalles técnicos y anima a los usuarios a probar el modelo en Hugging Face. La publicación original apareció en MarkTechPost.