Cohere åpner liten visuell modell for dokument-AI

Cohere Labs har sluppet North Micro Vision Instruct, en åpen vision-language-modell på 2,4 milliarder parametere. Det høres lite ut i en modellverden der alt gjerne selges som gigantisk, men nettopp størrelsen er poenget. Modellen er laget for dokumenter, skjemaer, tabeller, OCR, visuell grounding og multimodale arbeidsflyter som ikke nødvendigvis bør sendes til den dyreste frontier-modellen hver gang.

Dette er ikke en ny generell chatbot som skal slå alt på alle arenaer. North Micro Vision er en spesialisert byggestein. Den kombinerer en 400M native-resolution vision encoder, trent videre fra SigLIP 2 SO400M, med en intern 2B språkmodell basert på Cohere sin Command A+-arkitektur. Vektene er publisert på Hugging Face, lisensen er Apache 2.0, og modellen kan brukes som grunnlag for prototyper, finjustering og domenespesifikke multimodale applikasjoner.

For norske virksomheter er dette interessant av en enkel grunn: mye av AI-verdien ligger ikke i å prate med en modell. Den ligger i å lese, forstå og kontrollere dokumentstrømmer. Fakturaer. Rapporter. Skjemaer. Diagrammer. Produktark. Saksmapper. Kontrollrapporter. Kundedokumentasjon. En liten modell som kan kjøres nærmere egne data, finjusteres for egne formater og lisensieres uten tung kommersiell binding, er et annet verktøy enn en lukket toppmodell i skyen.

Cohere posisjonerer North Micro Vision som sin minste VLM så langt. Modellen støtter native-resolution bildebehandling, interleaved tekst og bilder, flerspråklig bildeforståelse, multi-turn samtaler og koordinatbasert grounding. Språkmodellen har 128K token kontekstvindu, mens den validerte multimodale bruken er oppgitt til opptil 8K tokens. Det siste er viktig. 128K betyr ikke automatisk at lange multimodale saker er grundig testet. Cohere skriver selv at lengre multimodale kontekster kan bero på ekstrapolering og ikke er benchmarked.

Benchmarkbildet er tydeligst på dokument- og layoutoppgaver. I Cohere Labs sin egen evalueringspakke får North Micro Vision 0,921 på DocVQA, 0,808 på ChartQA, 0,792 på OCRBench og 0,732 på RefCOCO-gjennomsnittet for grounding. Den slår ikke alle sammenligningsmodeller på alt. Qwen3-VL-2B og andre kompakte modeller er sterkere på enkelte tester. Men Cohere viser en profil som er relevant for praktisk dokumentforståelse: behold små detaljer, les layout, forstå tabeller og knytt svar tilbake til visuelle områder.

Det er også der ledervinkelen ligger. Mange AI-prosjekter i virksomheter dør ikke fordi modellen er for dum i abstrakt resonnering. De dør fordi dataene er rotete, dokumentene varierer, kvaliteten er ujevn, og prosessen krever sporbarhet. En kompakt åpen VLM kan bli et billigere førsteledd i en større agent- eller dokumentpipeline: les og strukturer dokumentet lokalt, flagg usikkerhet, send bare vanskelige saker videre til dyrere modeller, og behold mer kontroll på databehandling og revisjon.

CISO-er bør merke seg lisensen og deployeringsformen, men ikke sovne av begeistring. Apache 2.0 og åpne vekter gjør modellen enklere å evaluere, isolere og tilpasse. Det betyr ikke at den automatisk er trygg for regulerte arbeidsflyter. Dokument-AI kan lekke sensitive data, tolke feil tabeller, hallusinere feltverdier eller gi falsk trygghet i kontrollprosesser. North Micro Vision bør derfor vurderes som en komponent, ikke som en autonom beslutningstaker. Logging, menneskelig prøvetaking, testsett fra egne dokumenter og klare terskler for når modellen skal avstå, blir viktigere enn demoen.

CTO-er får en annen avveining. En 2,4B modell er liten nok til at den kan eksperimenteres med uten samme kostnads- og ventetidsprofil som større frontier-modeller. Samtidig er produksjonsløpet ikke gratis. Cohere oppgir at offentlig vLLM-støtte kommer senere, og modellkortet peker foreløpig på Transformers. Det betyr at virksomheter som vil bruke den raskt, bør beregne arbeid rundt inference-stack, kvantisering, throughput, observability og fallback. For pilotering er det greit. For produksjon i høyvolum dokumentflyt må dette testes, ikke antas.

Det strategiske poenget er større enn én modell. AI-stakken fragmenteres. Frontier-modeller tar de tunge resonneringsoppgavene. Mindre åpne modeller tar spesialiserte, repeterbare og datanære oppgaver. North Micro Vision passer inn i det mønsteret. Den peker mot en arkitektur der virksomheter ikke kjøper én allvitende modell, men bygger en portefølje av modeller med ulik kost, risiko og kontrollgrad.

For toppledelsen betyr det at AI-budsjettet bør styres mer som infrastruktur enn som programvarelisens. Spørsmålet er ikke bare hvilken modell som er best. Spørsmålet er hvilken del av arbeidsflyten som faktisk trenger frontier-intelligens, hvilken del som trenger billig og lokal multimodal strukturering, og hvilken del som må ha menneskelig kontroll. North Micro Vision er et godt eksempel på at svaret ofte blir flere modeller, ikke én vinner.

Min vurdering: Dette er en publiserbar, praktisk modellnyhet fordi den treffer et konkret virksomhetsproblem. Ikke hype. Ikke AGI-poesi. En liten åpen visuell modell med klar dokumentprofil og ryddig lisens. Det er akkurat den typen komponent som kan gjøre dokument-AI mer økonomisk, mer testbar og mindre leverandørlåst. Men den bør måles mot egne dokumenter før noen lar den røre en kritisk prosess.

Kilder og medier

Primærkilde: Cohere Labs / Hugging Face – https://huggingface.co/blog/CohereLabs/meet-north-micro-vision-instruct

Thumbnail: OpenAI Image 2 / hogby.ai