ทีม AI ขององค์กรทุกแห่งจะต้องเจออุปสรรคเดียวกันในที่สุด: การดึงข้อมูลที่มีประโยชน์ออกมาจากไฟล์ PDF เอกสารเหล่านี้มักยุ่งเหยิง ตารางมีรูปแบบแปลกๆ โครงสร้างไม่สม่ำเสมอ และเครื่องมือที่ใช้งานได้จริงมักเรียกค่าใช้จ่ายสูงเหมือนรู้ว่าคุณกำลังเร่งด่วน Cohere เชื่อว่าพวกเขามีข้อเสนอที่ดีกว่า
บริษัทเปิดตัว Parse 5 เมื่อวันพฤหัสบดี ซึ่งเป็นโมเดลภาษาเชิงภาพที่มีพารามิเตอร์ 2.3 พันล้านตัว ออกแบบมาเพื่อแปลงไฟล์ PDF สไลด์ และรูปภาพให้เป็น Markdown ที่มีโครงสร้าง จุดเด่นไม่ได้อยู่ที่ความแม่นยำที่สุดบนตลาด แต่อยู่ที่ความแม่นยำเพียงพอในราคาที่ถูกพอที่จะดำเนินการในระดับใหญ่
สิ่งที่ Parse 5 ทำจริงๆ
Parse 5 (รหัสโมเดล: parse-v5.0) มีขนาดประมาณ 4.6 GB พร้อมหน้าต่างบริบท 8K โดยออกแบบมาเพื่อจัดการกับเอกสารประเภทที่ทำให้ระบบ AI หยุดทำงาน: ตารางที่ซับซ้อน รายการที่ซ้อนกัน แบบฟอร์ม รูปภาพพร้อมคำอธิบาย การจัดวางหลายคอลัมน์ และขอบหน้า
ตารางจะถูกส่งออกเป็น HTML องค์ประกอบเชิงภาพจะมาพร้อมกับกรอบขอบเขต ลำดับการอ่านจะถูกเก็บรักษาไว้ ซึ่งมีความสำคัญมากกว่าที่ดูเหมือน เพราะการจัดลำดับย่อหน้าผิดสามารถทำลายระบบการดึงข้อมูลด้านล่างได้อย่างเงียบๆ
โมเดลนี้รองรับภาษาเชิงพาณิชย์หลักเก้าภาษา ซึ่งตอบโจทย์การใช้งานข้ามประเทศในภาคการเงิน ประกันภัย กฎหมาย และวิทยาศาสตร์ Cohere ยังเสนอตัวเลือกการปรับใช้งานอย่างปลอดภัย ซึ่งสะท้อนความจริงที่ว่าองค์กรในภาคเหล่านี้ไม่ค่อยยินดีนักที่จะส่งเอกสารที่เป็นความลับผ่าน API ของบุคคลที่สามโดยไม่มีมาตรการป้องกัน
ตัวเลขที่สำคัญ
ราคา API เริ่มต้นที่ $1.50 ต่อ 1,000 หน้า สำหรับองค์กรที่ประมวลผลเอกสารในปริมาณมาก Cohere’s Model Vault ให้ส่วนลดแบบขั้นบันไดตั้งแต่ 23% ถึง 61% ขึ้นอยู่กับระดับการใช้งาน
เพื่อให้เข้าใจอย่างชัดเจน: Cohere ประมาณการว่ากระบวนการทำงานที่มีปริมาณ 13 ล้านหน้าต่อเดือนสามารถประหยัดได้ประมาณ 144,000 ดอลลาร์สหรัฐ โดยใช้ Model Vault แทนการเรียกใช้ API โดยตรง
ความเร็วในการประมวลผลอยู่ที่ 4.5 หน้าต่อวินาทีบนฮาร์ดแวร์ตัวแทน ความเร็วนี้ทำให้มันเร็วกว่าทางเลือกแบบโอเพ่นซอร์สบางตัว
บนการทดสอบ ParseBench ของ Cohere Parse 5 ได้คะแนนเฉลี่ย 79.2 การแยกตารางมีคะแนนถึง 87.0 และความถูกต้อง ซึ่งหมายถึงความแม่นยำที่ผลลัพธ์สะท้อนเอกสารต้นฉบับ อยู่ที่ 86.6
สำหรับบริบท เครื่องมือ Mistral OCR 4 ได้คะแนน 74.5 บนเบนช์มาร์กเดียวกัน ในขณะที่ LlamaParse แบบประหยัดต้นทุนได้คะแนน 78.3 อย่างไรก็ตาม Parse 5 ทำคะแนนสูงกว่าทั้งคู่ แม้ว่า Cohere จะเปิดเผยว่าโมเดลที่ใหญ่กว่าและมีต้นทุนสูงกว่ายังคงมีความแม่นยำดิบสูงกว่า
ตำแหน่งที่สิ่งนี้อยู่ในสแต็กปัญญาประดิษฐ์ขององค์กร
Parse ผสานรวมกับระบบนิเวศที่มีอยู่ของ Cohere และเชื่อมต่อกับ Microsoft Foundry และ AWS SageMaker การทำงานร่วมกันนี้มีความสำคัญ เพราะองค์กรส่วนใหญ่ไม่ได้สร้างสแต็ก AI ของตนเองตั้งแต่เริ่มต้น แต่กำลังติดตั้งเครื่องมือใหม่เข้ากับโครงสร้างพื้นฐานบนคลาวด์ที่มีอยู่
โมเดลนี้ยังถูกออกแบบมาสำหรับระบบการดึงข้อมูลแบบเอเจนต์ ซึ่งเป็นสถาปัตยกรรมที่ได้รับความนิยมเพิ่มขึ้น โดยเอเจนต์ปัญญาประดิษฐ์จะค้นหาเอกสารในคลังข้อมูลอย่างอิสระเพื่อ hoàn thiệnงานต่างๆ กระบวนการทำงานเหล่านี้มักจะประมวลผลเอกสารปริมาณมหาศาล ทำให้ต้นทุนต่อหน้าเป็นตัวแปรสำคัญที่สามารถกำหนดได้ว่าโครงการจะมีความคุ้มค่าทางเศรษฐกิจหรือล้มเหลวตั้งแต่เริ่มต้น