Cohere发布Parse 5文档解析VLM，2.3B参数支持多格式

Cohere 官方发布 Parse 5

> 2.3B 参数 > 8192 上下文窗口 > 支持输入 PDF、PPT、JPEG > 支持英、法、德、意、西、葡、日、韩、阿拉伯语

Parse 5 是一个专用文档解析视觉语言模型（VLM），核心任务是把 PDF、PPT、图片等非结构化企业文档，一次性转换成干净的、机器可读的 Markdown 结构化数据。

体验地址 https://huggingface.co/spaces/CohereLabs/cohere-parse

为什么官方说"超越 OCR"？

传统 OCR 只做文字识别，Parse 5 是端到端单次前向传播（前面没有独立的 OCR 阶段），一次输出： · 文本：按正确阅读顺序排列（多栏排版不乱序） · 表格：渲染为结构化 HTML，能处理旋转表格、合并单元格等复杂情况 · 表单：提取键值对 · 图片：生成文字描述，并附带边界框（bounding box）坐标 · 语义格式：保留删除线、斜体、上下标、标题层级等"会改变数据含义"的样式

两种输出模式： · markdown（默认）：整页 Markdown，表格内联为 HTML，图片以  引用 · blocks：结构化内容块数组，每个块带类型（text/table/image）和边界框，适合做版面分析和引用溯源

性能：ParseBench 79.2 分

超过 Mistral OCR 4（74.5）、Databricks AI Parse（72.4）、Azure Document Intelligence（69.3）

需要知道的三个重要前提 · 只测了 5 个维度中的 3 个。ParseBench 完整维度是：表格、内容忠实度、语义格式、版面定位（Layout）、图表（Charts）。Cohere 排除了后两项： · Layout 被排除是因为 Parse 5 设计上只对表格和图片输出边界框，不对文本块输出——Cohere 称这是"有意的输出格式选择"； · Charts 被排除是因为 Parse 5 把图表当作"带描述的图片"处理，不做图表数据提取（官方称下个版本才支持）。 · 在全 5 维度上，LlamaParse Agentic（84.9）仍是榜首。Cohere 的"领先"声明限定在三维度和同价位专用解析器范围内。 · 评分规则刚改过（2026 年 8 月修复了粗体/标题检测的计分 bug，旧规则会虚高语义格式分），Cohere 用新规则重跑了所有竞品，这一点相对公允。