Cohere lança Parse 5, modelo de visão que converte documentos em Markdown

O que é o Parse 5

A Cohere lançou o Parse (parse-v5.0), um modelo de visão e linguagem de 2,3 bilhões de parâmetros voltado para ingestão de documentos em larga escala. Ele converte páginas de PDF, apresentações e imagens em Markdown estruturado — incluindo texto na ordem de leitura, tabelas renderizadas em HTML, listas, pares chave-valor de formulários, descrições de imagens e coordenadas de caixas delimitadoras.

O diferencial está na ausência de um estágio separado de OCR: o modelo faz tudo em uma única passada, recuperando texto, ordem de leitura, tabelas e posições dos elementos visuais de uma só vez. A arquitetura é a North-Micro-Vision-Instruct, dos Cohere Labs, com janela de contexto de 8.192 tokens e um footprint de aproximadamente 4,6 GB.

Para quem é e onde roda

O Parse já está disponível em produção pela API da Cohere, no Microsoft Foundry, no AWS SageMaker e em instâncias dedicadas do Model Vault, sem lista de espera nem licença de pesquisa. A Cohere mira indústrias com grande volume de documentos digitalizados — serviços financeiros, seguros, saúde, setor público, telecomunicações, energia e manufatura.

O modelo lista nove idiomas como estáveis, incluindo o português: árabe, inglês, francês, alemão, italiano, japonês, coreano, português e espanhol. Outros idiomas têm suporte zero-shot, com precisão menor.

Modos de saída e rastreabilidade

Há dois modos de saída que importam na prática. O padrão retorna uma string Markdown por página. Já o modo output_format="blocks" devolve blocos tipados — uma tabela, por exemplo, carrega o HTML, a caixa delimitadora e uma descrição. É esse segundo modo que possibilita rastreabilidade em nível de citação, algo relevante para auditoria em pipelines de RAG.

O benchmark (e a letra miúda)

A Cohere divulga um score de 79,2 no ParseBench, à frente de Mistral OCR 4 (74,5), Azure Document Intelligence (74,3) e Databricks AI Parse (72,4). Vale ler com atenção: o ParseBench avalia cinco dimensões, mas o número da Cohere considera apenas três — tabelas, fidelidade de conteúdo e formatação semântica —, deixando de fora gráficos e ancoragem visual, justamente as duas dimensões em que a maioria dos parsers desaba.

No placar público completo, os concorrentes caem bastante: Mistral OCR 4 fica em 60,68, e o LlamaParse Agentic lidera com 84,88. O Parse da Cohere ainda não aparece nesse ranking. Ou seja, o 79,2 é uma métrica reportada pelo próprio fornecedor, não uma posição no leaderboard — um número razoável para testar nos seus próprios documentos.

Quanto custa

A API custa US$ 1,50 a cada mil páginas. No Model Vault, o Parse 5 sai por US$ 4 por hora (ou US$ 2.500 por mês) na instância Medium e US$ 7 por hora (US$ 4.300 por mês) na XL. Um cálculo que poucos publicam: a US$ 0,0015 por página, uma instância Medium só compensa acima de cerca de 1,67 milhão de páginas por mês. Abaixo disso, a API medida sai mais barata; acima, a capacidade dedicada vence no preço — sem contar os argumentos de residência de dados, que costumam ser a razão real para migrar ao Vault.