Cohere ปล่อย Parse (parse-v5.0) — VLM 2.3B แปลง PDF เป็น Markdown ที่ $1.50 ต่อพันหน้า แต่ยังไม่มีไทยในภาษาที่รองรับเสถียร

Cohere เปิดตัว Parse (parse-v5.0) เมื่อวันที่ 27 สิงหาคม 2026 — vision language model ขนาด 2.3B พารามิเตอร์ (~4.6GB) ที่รับ PDF, PPT หรือ JPEG แล้วคายออกมาเป็น Markdown โดยตรง ไม่มีชั้น OCR แยกอยู่ข้างหน้า จุดขายที่ Cohere ประกาศชัดคือ price-performance สำหรับงาน ingestion ปริมาณมาก ไม่ใช่ความแม่นยำสูงสุด

นี่คือชิ้นส่วนที่ทีมทำ RAG ในองค์กรเจ็บที่สุดมาตลอด — ไม่ใช่ retrieval ไม่ใช่ตัวโมเดลตอบคำถาม แต่คือ การแปลงเอกสารตั้งต้นให้เป็นข้อความที่ใช้ได้ ตารางเพี้ยน ลำดับการอ่านสลับ คอลัมน์ปนกัน ทั้งหมดนี้ไหลลงไปเป็นคุณภาพคำตอบที่แย่โดยที่ไม่มีใครโทษถูกจุด

สเปกและสิ่งที่มันสกัดออกมาได้

รายการ	ค่า
โมเดลล่าสุด	parse-v5.0
พารามิเตอร์	2.3B (~4.6GB)
Context length	8,192
ไฟล์ที่รองรับ	PDF, PPT, JPEG (base64)
ผลลัพธ์	Markdown
สถาปัตยกรรม	north-micro-vision-instruct (proprietary)

สิ่งที่สกัดได้: ข้อความพร้อม ลำดับการอ่าน, ตาราง (คืนมาเป็น HTML ภายใน Markdown), รายการ, ฟอร์มและคู่ key-value, คำบรรยายภาพ และ พิกัด bounding box ของขอบหน้ากับองค์ประกอบภาพ

โมเดลตั้งอยู่บนสถาปัตยกรรม north-micro-vision-instruct ซึ่ง Cohere Labs มีเวอร์ชันเปิดอยู่บน Hugging Face — แต่ขอย้ำว่า ตัว Parse เองไม่ใช่ open weights เข้าถึงได้ผ่าน Cohere API, Model Vault, Microsoft Foundry และ AWS SageMaker เท่านั้น (มี Space ให้ลองฟรีบน Hugging Face)

ตัวเลข: ParseBench, ความเร็ว และราคา

Cohere รายงานคะแนน ParseBench รวม 79.2 โดยแยกเป็นสามด้าน:

• Tables: 87.0
• Content Faithfulness: 86.6
• Semantic Formatting: 64.0

เทียบกับคู่แข่งที่ Cohere นำมาวางข้าง ๆ: Mistral OCR 4 ที่ 74.5, Databricks AI Parse ที่ 72.4, Google Document AI ที่ 57.3 และ AWS Textract ที่ 53.3 โดย Cohere ยอมรับเองว่ามีเพียง frontier LLM เท่านั้นที่ทำคะแนนสูงกว่า — ซึ่งเป็นการยอมรับที่ตรงไปตรงมาและสอดคล้องกับการวางตำแหน่งตัวเองที่ price-performance ไม่ใช่ที่ยอดสูงสุด

ข้อควรระวังในการอ่านตัวเลขนี้: คะแนนทั้งหมดเป็นตัวเลขที่ Cohere รายงานเอง และแจกแจงมาสามมิติ ไม่ใช่การประเมินโดยบุคคลที่สาม จุดอ่อนที่ชัดที่สุดคือ Semantic Formatting 64.0 ซึ่งต่ำกว่าอีกสองด้านอย่างมีนัย — ถ้างานของคุณพึ่งโครงสร้างหัวข้อและลำดับชั้นของเอกสาร นี่คือตัวเลขที่ควรทดสอบเองก่อน

ด้านความเร็ว Cohere ระบุ 4.5 หน้าต่อวินาที (และ 36 หน้าต่อวินาทีบนโหนด 8× H100) หรือราว 1.4 เท่าของ dots.mocr และ 2.2 เท่าของ Chandra OCR 2

ราคา API อยู่ที่ $1.50 ต่อ 1,000 หน้า ส่วนตัวอย่างการประหยัดที่ Cohere ยกมา: ที่ปริมาณ 13 ล้านหน้าต่อเดือน การรัน Model Vault ลดต้นทุน inference ลงราว $12,000 ต่อเดือน เทียบกับการใช้ API และเทียบกับข้อเสนอของ hyperscaler ที่ $10 ต่อ 1,000 หน้า จะประหยัดได้ราว $1.47 ล้านต่อปี (ตัวเลขเปรียบเทียบทั้งหมดเป็นของ Cohere)

ข้อจำกัดที่เอกสารระบุเอง — และเรื่องภาษาไทย

หน้าเอกสารของ Cohere ระบุข้อจำกัดไว้ตรง ๆ สามข้อ ซึ่งควรอ่านก่อนวางในไปป์ไลน์จริง:

1. ไม่คืนค่า confidence score ของเนื้อหาที่สกัดออกมา — แปลว่าคุณสร้าง logic แบบ “ถ้ามั่นใจต่ำให้ส่งคนตรวจ” ไม่ได้จากตัวโมเดลเอง
2. ไม่ระบุองค์ประกอบเอกสาร อย่าง header, footer หรือลำดับชั้นของฟอนต์
3. คืนเป็น Markdown เท่านั้น ไม่รองรับ structured JSON — ถ้าต้องการ JSON ต้องมีขั้นตอนแปลงต่อเอง

และประเด็นที่สำคัญที่สุดสำหรับผู้อ่านชาวไทย: Cohere ระบุว่า Parse เสถียรกับภาษาอินพุตเก้าภาษา คือ อาหรับ, อังกฤษ, ฝรั่งเศส, เยอรมัน, ญี่ปุ่น, เกาหลี, อิตาลี, โปรตุเกส และสเปน โมเดลรองรับการ parse ภาษาอื่นแบบ zero-shot ได้ แต่เอกสารเตือนเองว่า ความแม่นยำอาจต่ำกว่า

ไทยไม่อยู่ในเก้าภาษานั้น

มุมมอง AI Curator

ตัวเลขที่ควรเอาไปคิดต่อไม่ใช่ 79.2 แต่คือ $1.50 เทียบกับ $10 ต่อ 1,000 หน้า ถ้าตัวเลขของ Cohere ถูก นี่คือการตัดราคาคู่แข่งลงเกือบเจ็ดเท่าในชั้นที่ทุกคนต้องผ่าน — และนั่นสำคัญกว่าคะแนนเบนช์มาร์ก เพราะโครงการ RAG ระดับองค์กรจำนวนมากตายตรงขั้น ingestion ด้วยเหตุผลด้านงบ ไม่ใช่ด้านคุณภาพ ทีมที่เคยตัดสินใจ “ใช้ frontier LLM อ่าน PDF ทีละหน้า” เพราะมันง่ายที่สุด ควรกลับไปคำนวณใหม่อีกรอบ

แต่จุดที่ผมคิดว่าตัดสินได้เร็วกว่าราคาคือ ความไม่มี confidence score สำหรับงานเอกสารทางการเงินหรือกฎหมาย ไปป์ไลน์ที่ใช้งานได้จริงต้องมีเส้นแบ่งว่าหน้าไหนส่งให้คนตรวจ การไม่มีสัญญาณนั้นแปลว่าคุณต้องสร้างชั้นตรวจสอบเองข้างนอก — เช่น parse ซ้ำสองครั้งแล้วเทียบ หรือให้โมเดลอื่นตรวจตาราง ซึ่งกินต้นทุนที่ประหยัดมาได้กลับคืนไปส่วนหนึ่ง คำนวณต้นทุนรวมของไปป์ไลน์ ไม่ใช่ต้นทุนต่อหน้าอย่างเดียว

สำหรับบริบทไทย เรื่องภาษาคือเรื่องที่ต้องพูดให้ตรง: ญี่ปุ่นและเกาหลีอยู่ในเก้าภาษาที่เสถียร แต่ไทยไม่อยู่ เอกสารราชการ ใบกำกับภาษี และสัญญาภาษาไทยจึงตกอยู่ในโหมด zero-shot ที่ Cohere เตือนเองว่าแม่นน้อยกว่า และภาษาไทยเป็นเคสยากเป็นพิเศษด้วยเหตุผลเชิงโครงสร้าง — ไม่มีช่องว่างระหว่างคำ มีสระและวรรณยุกต์ซ้อนบนล่าง ซึ่งเป็นสองสิ่งที่ทำให้ทั้ง OCR แบบเดิมและ VLM พลาดคนละแบบกัน คำแนะนำคือ อย่าเชื่อคะแนน ParseBench แล้วนำเข้าไปป์ไลน์ทันที ให้ทดลองกับเอกสารไทยจริงของคุณเองผ่าน Space ฟรีบน Hugging Face ก่อน โดยเฉพาะกับตารางที่มีตัวเลขและหน่วยเงินปนกัน

ในภาพใหญ่ ปี 2026 กำลังเห็นชั้น document parsing แยกตัวออกมาเป็นตลาดของตัวเอง — Mistral OCR, Nemotron Parse, dots.ocr, Chandra และตอนนี้ Cohere ล้วนแข่งกันในโจทย์เดียวกัน สิ่งที่ยังขาดคือ โมเดล parsing ที่มีภาษาไทยเป็นพลเมืองชั้นหนึ่ง และตราบใดที่ทุกเจ้ายังวาง ไทย/เวียดนาม/อินโดนีเซีย ไว้ในหมวด zero-shot นี่ก็ยังเป็นช่องว่างที่เปิดอยู่สำหรับทีมในภูมิภาค — ซึ่งเป็นโจทย์ที่ขนาดโมเดลระดับ 2.3B บอกเราว่าไม่ได้ต้องใช้คลัสเตอร์ระดับ frontier ในการแก้

แหล่งข่าว

• Introducing Parse — Cohere blog (27 ส.ค. 2026)
• Parse (Details and Application) — เอกสารทางการ: สเปก ภาษาที่รองรับ และข้อจำกัด
• Cohere Parse — Hugging Face Space สำหรับทดลองฟรี