Cohere Parse 5 : un petit modèle vision pour digérer les documents d'entreprise

Derrière chaque agent IA qui répond à partir de « vos documents » se cache une étape ingrate et décisive : transformer des PDF, des factures scannées et des présentations en texte propre et structuré. C'est ce maillon qu'attaque Cohere avec Parse 5, un modèle de vision lancé le 27 août et pensé pour l'échelle industrielle. Sa promesse : convertir n'importe quelle page en Markdown exploitable, tables et formulaires compris, sans se ruiner ni exporter ses données sensibles hors de ses murs.

Au-delà de l'OCR, une lecture sémantique de la page

Parse ne se contente pas d'extraire des caractères. Le modèle détecte et interprète tableaux, formulaires, diagrammes et images incrustées, puis restitue un Markdown où les tableaux sont rendus en HTML, les listes préservées et les paires clé-valeur des formulaires reconstituées. Il ajoute des boîtes englobantes qui situent chaque élément sur la page — utile pour vérifier une extraction ou l'ancrer visuellement. Autant de structure qu'un OCR classique, qui aplatit tout en un flux de texte, perd en route.

Le modèle prend en entrée un PDF, un PPT ou une image, gère neuf langues stables — dont le français, l'anglais, l'allemand, l'espagnol, l'arabe, le japonais ou le coréen — et affiche un débit soutenu, autour de 4,5 pages par seconde sur un seul GPU. Les cas d'usage visés sont sans surprise ceux qui saturent les back-offices : ingestion pour du RAG, traitement de factures et de réclamations, recherche dans des contrats, contextualisation documentaire pour des agents.

Le pari du coût plutôt que du benchmark absolu

Cohere ne prétend pas détenir le modèle le plus précis du marché, et c'est un choix assumé. Sur son propre banc d'essai, Parse 5 revendique un score ParseBench de 79,2, devant Mistral OCR 4 (74,5), Azure Document Intelligence (74,3) et Databricks AI Parse (72,4). Mais l'entreprise précise que ce chiffre porte sur un sous-ensemble de trois dimensions sur cinq, en écartant les graphiques et l'ancrage visuel — là où la plupart des analyseurs trébuchent. Sur le classement public complet, c'est LlamaParse Agentic qui domine à 84,88. Honnête de la part de Cohere : le positionnement n'est pas « le plus juste », mais « le meilleur rapport coût-capacité ».

C'est sur le prix que Parse veut faire la différence. L'API est facturée 1,50 dollar les 1 000 pages, et un déploiement dédié via Model Vault promet de 23 à 61 % d'économies selon l'utilisation des GPU. Pour une entreprise qui traite des millions de pages par mois, l'écart de facture se compte en dizaines de milliers de dollars. Dans un marché du traitement documentaire où le volume est la norme, la prévisibilité du coût pèse souvent plus lourd que quelques points de benchmark.

Le calcul n'a de sens qu'à grande échelle. Le déploiement dédié le plus modeste facturé autour de 2 500 dollars par mois, le seuil de rentabilité face à l'API se situe vers 1,67 million de pages mensuelles : en dessous, l'API à l'usage reste plus économique ; au-dessus, l'instance réservée l'emporte. Côté débit, un nœud à huit GPU H100 grimpe à une trentaine de pages par seconde, de quoi absorber un flux documentaire continu. Et si les neuf langues stables couvrent l'essentiel des besoins européens, le modèle accepte les autres en zéro-shot, avec une précision moindre — un compromis assumé qui vise d'abord les volumes standardisés plutôt que les documents exotiques.

Assez petit pour rester chez soi

L'argument le plus intéressant pour une entreprise européenne tient en un chiffre : 4,6 Go. Avec 2,3 milliards de paramètres et une empreinte mémoire aussi réduite, Parse peut tourner sur une infrastructure interne modeste, sans envoyer chaque document confidentiel vers une API tierce. Pour des factures, des contrats ou des dossiers médicaux soumis au RGPD, cette capacité à déployer le modèle sur ses propres serveurs — via Model Vault en mono-locataire, mais aussi sur Microsoft Foundry ou AWS SageMaker — change la donne de la conformité.

Cette bascule vers des modèles spécialisés, petits et hébergeables localement, prolonge une tendance de fond : plutôt qu'un modèle géant et généraliste, on assemble des briques taillées pour une tâche. Sur le terrain du document, c'est aussi une réponse directe à la recherche agentique promue par Mistral pour enterrer le RAG classique : avant d'interroger intelligemment un corpus, encore faut-il l'avoir proprement digéré. Parse 5 parie que cette étape, longtemps négligée, mérite son propre modèle — et que la bataille s'y jouera au centime la page, pas au dixième de point.