vision language model に関する報道

CohereはParse 5（parse-v5.0）をリリースしました。これは、PDF、スライド、画像をMarkdown形式に変換できる2.3Bパラメータの視覚言語モデルです。HTMLテーブル、境界ボックス、画像の説明が含まれます。このモデルはAPIを介して実行され、1000ページあたり1.50ドルか、Model Vaultインスタンスあたり月額2500ドルです。Cohereは、ParseBenchスコアが79.2であると報告しています。これは、Mistral OCR 4、Azure Document Intelligence、Databricks AI Parseを上回っています。