Cohere เปิดตัว Parse (v5.0) โมเดล Vision Language 2.3B เปลี่ยนเอกสารองค์กรเป็น Markdown แม่นยำสูง

Cohere ประกาศเปิดตัว Parse ( parse-v5.0) โมเดลสำหรับแยกส่วนประกอบเอกสาร (document parsing) ที่ออกแบบมาเพื่อรองรับการนำเข้าข้อมูลมหาศาลในระดับองค์กร โดยเป็น Vision Language Model (VLM) ขนาด 2.3 พันล้านพารามิเตอร์ พร้อม context window 8,192 token และมีขนาดโมเดลประมาณ 4.6GB พัฒนาขึ้นบนสถาปัตยกรรม North-Micro-Vision-Instruct ของ Cohere Labs

โมเดล Parse สามารถรับไฟล์ PDF, PPT หรือรูปภาพ JPEG ในรูปแบบ base64-encoded data URI และประมวลผลออกมาเป็น Markdown ที่จัดเรียงข้อความตามลำดับการอ่านจริง พร้อมแปลงตารางเป็น HTML, แสดงรายการ (lists), คู่คีย์-ค่า (key-value pairs) ของฟอร์ม รวมถึงคำอธิบายรูปภาพและพิกัด bounding box โดยไม่ต้องผ่านขั้นตอน OCR แยกต่างหากก่อนเข้าโมเดล

สำหรับการคิดค่าบริการ Parse API ถูกตั้งราคาไว้ที่ 1.50 ดอลลาร์ต่อ 1,000 หน้า โดย Cohere วางตำแหน่งผลิตภัณฑ์ให้เน้นความคุ้มค่าด้านราคาต่อประสิทธิภาพ ซึ่งบริษัทรายงานคะแนน ParseBench ไว้ที่ 79.2 คะแนน สูงกว่าคู่แข่งอย่าง Mistral OCR 4 และ Azure Document Intelligence อย่างไรก็ตาม คะแนนดังกล่าวเป็นการเฉลี่ยจากเพียง 3 ใน 5 มิติของเกณฑ์มาตรฐาน โดยละเว้นการวัดผลด้านแผนภูมิ (charts) และ visual grounding ไป

สามารถใช้งานได้จริงหรือไม่?

ปัจจุบัน Parse เปิดให้ใช้งานทั่วไปในระดับ Production แล้วผ่านช่องทางที่หลากหลาย ทั้ง Cohere Parse API, Microsoft Foundry, AWS SageMaker และ Model Vault แบบส่วนตัว (single-tenant) โดยไม่มีระบบรอคิวและไม่ใช่เพียงใบอนุญาตเพื่อการวิจัยเท่านั้น

กลุ่มเป้าหมายหลักคือทีมงานระดับกลางที่ใช้งาน RAG stack ซึ่งสามารถเริ่มใช้งานผ่าน API ด้วย free trial key ได้ทันที ส่วนองค์กรขนาดใหญ่ที่มีข้อกำหนดเรื่องความเป็นส่วนตัวของข้อมูลหรือต้องการระบบ air-gap สามารถเลือกใช้งานผ่าน Model Vault หรือการติดตั้งแบบส่วนตัวได้ โดยความคุ้มค่าทางเศรษฐศาสตร์จะเริ่มเห็นชัดเจนเมื่อมีการใช้งานเกิน 100,000 หน้าต่อเดือนขึ้นไป ในกลุ่มอุตสาหกรรมธนาคาร ประกันภัย สุขภาพ และภาครัฐ

รายละเอียดทางเทคนิคของ Parse

ตัวโมเดลรองรับการทำงานแบบจบในครั้งเดียว (single pass) ทั้งการกู้คืนข้อความ ลำดับการอ่าน ตาราง และโครงสร้างฟอร์ม โดยระบุภาษาที่รองรับอย่างเสถียร 9 ภาษา ได้แก่ อาหรับ, อังกฤษ, ฝรั่งเศส, เยอรมัน, อิตาลี, ญี่ปุ่น, เกาหลี, โปรตุเกส และสเปน ส่วนภาษาอื่นๆ จะเป็นการรองรับแบบ zero-shot ซึ่งอาจมีความแม่นยำลดลง

โหมดการแสดงผลมี 2 รูปแบบสำคัญ คือโหมดเริ่มต้นที่คืนค่าเป็นสตริง Markdown ต่อหนึ่งหน้า และโหมดเจาะลึกด้วยคำสั่ง output_format="blocks" ซึ่งจะแยกข้อมูลออกเป็นบล็อกตามประเภท โดยบล็อกตารางจะมาพร้อม HTML และข้อมูล bounding box เพื่อการตรวจสอบย้อนกลับ (traceability) ที่แม่นยำในระดับการอ้างอิงข้อมูล

เกณฑ์มาตรฐาน ParseBench

คะแนน 79.2 ที่ Cohere รายงานนั้นเป็นการเปรียบเทียบกับ Mistral OCR 4 (74.5), Azure Document Intelligence (74.3) และ Databricks AI Parse (72.4) โดยวัดจาก 3 ด้าน ได้แก่ ตาราง, ความถูกต้องของเนื้อหา และการจัดรูปแบบเชิงความหมาย

อย่างไรก็ตาม ParseBench ซึ่งเป็นเกณฑ์มาตรฐานของ LlamaIndex ปกติจะวัดผลรวม 5 มิติ หากดูจาก ตารางผู้นำสาธารณะ ที่รวมด้านแผนภูมิและ visual grounding เข้าไปด้วย คะแนนของผู้ให้บริการรายอื่นจะลดลงเหลือประมาณ 60 คะแนน ในขณะที่ LlamaParse Agentic ยังเป็นผู้นำอยู่ที่ 84.88 คะแนน ดังนั้นตัวเลข 79.2 จึงเป็นข้อมูลอ้างอิงที่ควรนำไปทดสอบกับชุดเอกสารจริงของแต่ละองค์กรอีกครั้ง

ค่าใช้จ่ายและจุดคุ้มทุน

ราคา API ของ Cohere อยู่ที่ 1.50 ดอลลาร์ต่อ 1,000 หน้า แต่สำหรับองค์กรที่ต้องการใช้ Model Vault จะมีราคาแบบเหมาจ่าย โดยรุ่น Medium อยู่ที่ประมาณ 2,500 ดอลลาร์ต่อเดือน และรุ่น XL อยู่ที่ประมาณ 4,300 ดอลลาร์ต่อเดือน

จุดคุ้มทุนของการย้ายจาก API มาใช้แบบเหมาจ่าย (dedicated capacity) จะอยู่ที่การใช้งานประมาณ 1.67 ล้านหน้าต่อเดือน สำหรับอินสแตนซ์ Medium และ 2.87 ล้านหน้า สำหรับรุ่น XL หากใช้งานต่ำกว่าเกณฑ์นี้ การจ่ายตามปริมาณการใช้จริงผ่าน API จะประหยัดกว่า ยกเว้นกรณีที่ต้องการความปลอดภัยของข้อมูลในระดับสูงสุดที่จำเป็นต้องใช้ Vault

ประเด็นสำคัญ

• Cohere ปล่อย parse-v5.0 โมเดล VLM 2.3B แปลงเอกสารเป็น Markdown พร้อมข้อมูลเชิงลึก
• ราคา API 1.50 ดอลลาร์ต่อ 1,000 หน้า หรือเลือกจ่ายเหมาเริ่มต้น 2,500 ดอลลาร์ต่อเดือนใน Model Vault
• ระบบแบบเหมาจ่ายคุ้มทุนเมื่อใช้งานมากกว่า 1.67 ล้านหน้าต่อเดือน
• คะแนน ParseBench 79.2 วัดจาก 3 ใน 5 มิติหลัก โดยละเว้นเรื่องแผนภูมิ