🎯 情报来源：AI News | VentureBeat
加拿大AI公司Cohere近日推出专为企业场景设计的视觉模型Command A Vision，该模型基于其1120亿参数的Command A架构开发，具备文档OCR识别、图像分析和多语言理解能力。测试数据显示，在ChartQA、OCRBench等9项基准测试中，其平均准确率达83.1%，超越GPT-4.1(78.6%)和Llama 4 Maverick(80.5%)等主流模型。
该模型采用Llava架构将视觉特征转换为软视觉令牌，仅需≤2块GPU即可运行。据公司披露，其训练分为视觉语言对齐、监督微调(SFT)和人类反馈强化学习(RLHF)三阶段，尤其擅长处理图表、PDF等企业常见非结构化数据，可支持23种语言识别。
💡 核心要点
- 1120亿参数视觉模型，9项基准测试平均准确率83.1%
- 运行仅需≤2块GPU，显著降低企业总拥有成本
- 支持23种语言OCR识别，处理图表/PDF等企业文档
- 采用开放权重系统，区别于封闭式商业模型
- 在ChartQA测试中表现优于GPT-4.1达4.5个百分点
📌 情报分析
技术价值：高 – 三阶段训练架构和软视觉令牌技术实现多模态融合，但尚未验证实际场景的泛化能力
商业价值：极高 – 精准切入企业文档分析刚需，83.1%的准确率+低成本部署形成差异化优势
趋势预测：高 – 开放权重策略可能加速企业级AI采纳，Benchmark数据表明视觉文档处理赛道将进入精度竞赛