专注企业级生成式AI的Cohere公司今日正式发布新一代多模态大模型Command A Vision。该模型在图表分析、文档OCR、实景理解等企业视觉任务中刷新行业基准，同时保持低算力需求，可在两张A100或单张H100（4-bit量化）上完成私有化部署，为金融、制造、医疗等受监管行业提供安全可控的AI视觉能力。

Cohere官方测试显示，Command A Vision在DocVQA、TextVQA、OCRBench等关键多模态基准中，性能超越GPT-4.1、Llama 4 Maverick及Mistral Medium 3等主流模型。其突破性表现体现在三大场景：

图表与图纸解析：可提取多语言图表、流程图中的数据，并基于行业知识库生成分析结论，适用于财报解读、工程图纸审阅等场景。

文档智能处理：通过理解版式结构，从扫描合同、发票、表单中精准提取字段，支持JSON结构化输出，直接对接企业ERP系统。

实景风险识别：在工业巡检、零售陈列分析等场景中，不仅能识别物体，还可识别图像中的空间关系、上下文与细微语义变化。

针对企业数据隐私需求，Command A Vision支持灵活、私有化本地部署，仅需两张A100或一张H100 GPU（支持4-bit量化），即可实现生产级运行，特别适用于对数据安全与部署环境有严格要求的金融、医疗、政企等行业。此外，该模型集成了Command A强大的检索增强生成（RAG）能力，支持多语言处理，在文本和图像之间实现更丰富、更精准的上下文关联，提升业务智能洞察能力。

富士通专业服务总监Jeffrey English表示，“Command A Vision的发布是企业AI迈向视觉理解时代的重要一步。我们已经看到它在处理复杂视觉任务中的高效表现，不仅简化了工作流程，更让我们对AI的未来能力充满想象。”。甲骨文基础设施行业高级副总裁Mark Webster则指出：“在建筑行业的测试中，Command A Vision在处理复杂文件如留置权豁免、施工图纸等方面表现出色。基于AI的自动化数据提取将极大地提升项目管理效率，降低风险与成本。”

即日起，Command A Vision已在Cohere平台向企业客户开放，研究用途版本同步上线Hugging Face。

参考资料：https://cohere.com/blog/command-a-vision?s=09