在企業數位轉型的過程中，從複雜的 PDF 文件中提取結構化數據始終是一個巨大的挑戰。傳統的 OCR（光學字元辨識技術通常依賴於脆弱的規則集，面對財務報表、科學論文或包含複雜表格的政府文件時，經常會出現讀取順序錯誤、表格結構崩潰或語義遺失等問題。為了克服這些痛點，Cohere 推出了 Parse 5（parse-v5.0），這是一款專為企業級文件解析設計的多模態基礎模型，旨在將視覺豐富的非結構化文件直接轉換為乾淨且具備結構的 Markdown 格式。
Parse 5 的核心定位是一個視覺語言模型（Vision Language Model, VLM），其參數規模約為 23 億。與傳統先將影像轉文字、再由文字模型處理的兩階段流程不同，Parse 5 採取的是多模態整合路徑。它能夠同時處理文本與視覺輸入，並在輸出 Markdown 的同時，提供精確的 Bounding Box 邊界框座標。所謂的 Bounding Box，是指標記出文件上每個元素（如表格、標題、圖片）在原始頁面中的具體位置座標。這項功能對於受監管行業至關重要，因為它實現了視覺接地（Visual Grounding），讓使用者能將提取出的數據回溯至原始文件的具體位置，以滿足嚴格的審計與驗證需求。
從技術架構來看，Parse 5 建構在 Cohere Labs 的開源權重模型 North-Micro-Vision-Instruct 之上，其運作流程分為三個關鍵組件。首先是視覺編碼器（Vision Encoder），這是一個擁有 4 億參數的原生解析度模型，基於 SigLIP 2 SO400M 初始化。為了精準捕捉文件的空間結構，它採用了 2D 旋轉位置嵌入（2D Rotary Positional Embeddings, RoPE）與學習後的 1D 位置嵌入，確保模型能理解文字在頁面上的相對位置。接著，透過一個投影器（Projector）將提取的視覺特徵映射到語言模型的嵌入空間中。最後，核心推理由一個 20 億參數的 North Micro LLM 語言模型驅動，該模型基於 Cohere 的 Command A+ 架構。
值得注意的是，Parse 5 採用了一種稱為 DeepStack 的整合方法。這種方法將視覺編碼器多個層級的 Patch Embeddings（分塊嵌入）直接注入到語言模型的早期層級中。這樣設計的目的在於讓語言模型在處理資訊時，能同時獲取不同抽象層級的視覺表示，從而更精準地解析複雜的版面佈局，而非僅僅依賴最終的視覺輸出。
為了驗證其實際效能，Cohere 使用了 ParseBench 基準測試集，其中包含超過 2,000 頁由人工驗證的保險、金融與政府部門企業文件。測試重點在於表格提取、內容忠實度以及語義格式化這三個關鍵維度。結果顯示，Parse 5 在這些指標上的平均得分為 79.2。雖然在排行榜上略低於 LlamaParse Agentic Plus 等頂級配置，但其表現已超越了 Mistral OCR 與 Google Gemini 3 Flash (Thinking High) 等競爭對手。
對於開發者而言，Parse 5 的實務意義在於大幅簡化了 RAG（檢索增強生成）系統的資料 ingestion 流程。開發者不再需要維護複雜的 OCR 管道，只需透過 API 即可將 PDF 轉換為 Markdown。目前該模型已在 Cohere 平台、Microsoft Azure AI Foundry 以及 Amazon SageMaker 上線。此外，由於其基礎模型 North-Micro-Vision-Instruct 提供開源權重，開發者可以用於原型開發或針對特定任務進行微調（Fine-tuning）。
然而，Parse 5 在實務應用中仍存在一些限制與挑戰。根據開發者社群的討論，部分使用者反映在整合過程中仍有摩擦，例如希望 API 能直接支援原生 PDF 檔案輸入，而不需要先將 PDF 渲染成頁面影像再傳送。此外，雖然 23 億的參數規模在效能與延遲之間取得了良好平衡，使其適合處理高吞吐量的企業工作負載，但對於極端複雜的專業領域文件，可能仍需要透過微調來提升精準度。
總結來說，Parse 5 的推出標誌著 Cohere 從純文本處理向多模態分析的擴展。透過將視覺理解與語言推理深度整合，它為企業處理混亂的真實世界非結構化數據提供了一套更高效、低延遲且具備可追溯性的解決方案。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。