Cohere har netop præsenteret Command A Vision – en vision-sprogmodel, der ifølge virksomheden selv overgår markedsledende multimodale AI-modeller på flere visuelle benchmarks, og som kun kræver to GPU’er til drift. Men det er vigtigt at understrege: Alle benchmarks og resultater stammer fra Cohere selv, og det fulde datasæt samt testbetingelser er endnu ikke offentliggjort. For virksomheder, der ønsker at automatisere dokumenthåndtering og visuel dataudtræk, fremstår modellen dog som et potentielt stærkt værktøj, især fordi den lover lavere omkostninger og lettere implementering end mange alternativer.

Stigende efterspørgsel på multimodale AI-løsninger

Danske og internationale virksomheder efterspørger i stigende grad AI-modeller, der kan håndtere både tekst og billeder – især i takt med, at dokumentation, rapporter og kontrakter bliver stadig mere komplekse og ustrukturerede. Mange har dog oplevet, at nuværende løsninger enten er for dyre, eller at de ikke leverer den nødvendige præcision til at udtrække indsigt fra grafer, PDF’er eller håndskrevne noter. Særligt Deep Research og AI-drevet dokumentanalyse stiller krav til modeller, der kan kombinere billed- og tekstforståelse uden at sprænge IT-budgettet.

Command A Visions tekniske grundlag

Command A Vision bygger videre på Command A’s arkitektur, hvor visuelle træk omdannes til såkaldte “soft vision tokens” og deles op i fliser (tiles), der føres gennem en massiv 111/112 mia. parameter tekstmodel. Træningen sker i tre faser: vision-language alignment, supervised finetuning og human feedback-baseret reinforcement learning (RLHF). Ifølge Cohere kan modellen læse mindst 23 sprog og aflæse alt fra håndskrift til tekniske illustrationer med høj grad af nøjagtighed – men disse påstande er primært dokumenteret af Cohere og tidlige brugeranmeldelser.

Hvilke benchmarks er brugt – og hvad måler de?

Cohere har testet Command A Vision mod OpenAI GPT 4.1, Meta Llama 4 Maverick, Mistral Pixtral Large og Mistral Medium 3 på ni visuelle benchmarks. Blandt de navngivne benchmarks er:

• ChartQA: Måler evnen til at forstå og tolke data fra grafer og diagrammer
• OCRBench: Tester præcision i tekstudtræk fra billeder og scannede dokumenter
• TextVQA: Evaluerer spørgsmål/svar på billeder med tekst
• AI2D: Fokuserer på komplekse diagrammer og tekniske illustrationer

På tværs af disse benchmarks scorer Command A Vision i gennemsnit 83,1% mod Llama 4 Mavericks 80,5%, GPT 4.1’s 78,6% og Mistral Medium 3’s 78,3% – alt ifølge Cohere selv. Det er dog væsentligt at bemærke, at modellen ikke er testet mod specialiserede OCR-API’er (fx Mistral OCR), som i flere brancher regnes for standard. VentureBeat påpeger dette som en væsentlig begrænsning for sammenligning på tværs af markedsledere.

Kritiske forbehold om dokumentation og generaliserbarhed

Fordi Cohere ikke har offentliggjort det fulde datasæt og de præcise testbetingelser bag benchmarks, bør resultaterne tages med forbehold. Det er også uklart, hvordan modellen præsterer på særligt nicheprægede eller branchespecifikke opgaver, hvor specialiserede løsninger ofte dominerer.

Virksomhedsværdi: Automatisering og konkret anvendelse

For virksomheder, der arbejder med store mængder dokumenter, rapporter eller visuelle data, kan Command A Vision potentielt lette en lang række manuelle opgaver:

• Automatiseret udtræk af data fra PDF-rapporter, scannede kontrakter eller billeder
• Risikoanalyse baseret på fotos og visuelle indikationer fra den virkelige verden
• Tolkning af grafer og tekniske manualer – også ved uensartet layout eller håndskrevne noter
• Kombineret udtræk af tekst og tal fra billeder, hvilket især er relevant for forsikring, finans, sundhed og compliance

Eksempel: En dansk industrivirksomhed kunne automatisere indsamling af information fra leverandørdokumentation, eller et forsikringsselskab kunne effektivisere sagsbehandlingen ved at lade modellen analysere fotos fra skaderapporter.

Lavere hardwarekrav og lettere adgang

En af de største nyheder er, at Command A Vision kan køres på blot to GPU’er. Det gør det væsentligt mere tilgængeligt for både store og mellemstore virksomheder – dog skal det nævnes, at to GPU’er stadig kan være en barriere for mindre organisationer uden eksisterende AI-infrastruktur. Sammenlignet med andre tunge, lukkede alternativer, lover Cohere dog lavere totalomkostning, især ved retrieval-baserede opgaver som søgning i store dokumentsamlinger. Også dette er primært Cohere’s egen vurdering.

Åbenhed og mulighed for tilpasning

Modellen tilbydes med åbne weights, så virksomheder kan hente Command A Vision hjem og tilpasse den efter egne behov – uden at være låst til Cohere eller én cloud-udbyder. Det kan især komme regulerede brancher til gode, hvor databeskyttelse og compliance er altafgørende. Men “open weights” betyder ikke nødvendigvis fuld åbenhed om træningsdata og licenser – det bør virksomheder undersøge nærmere for deres egen compliance.

Brugererfaringer: Præcision og robusthed i praksis

Flere tidlige brugere og udviklere fremhæver, at modellen er overraskende robust overfor dårlige billeder, håndskrift og selv rodede “doodles”. Eksempelvis nævner en udvikler, at Command A Vision er den første model, der ikke “dømmer dårlige doodles” – hvilket kan betyde, at løsningen også egner sig til kreative eller ustrukturerede arbejdsgange. Dog er disse erfaringer stadig baseret på anekdoter og bør underbygges af bredere tests.

Dansk kontekst: Nye automatiseringsmuligheder

For mange danske virksomheder – særligt i finans, sundhed, industri og offentlig sektor – åbner Command A Vision for automatisering af processer som compliance, rapportering og kontraktanalyse. Snilld har allerede set interesse fra aktører, der vil afprøve modellen på egne data, eksempelvis til at automatisere gennemgang af leverandørkontrakter eller validering af billeddokumentation fra projekter.

Snillds rådgivning: Praktisk implementering og risikovurdering

• Vi hjælper med at vurdere, om vision-modeller som Command A Vision matcher jeres arbejdsgange og compliancekrav
• Vi laver proof-of-concept på jeres egne dokumenter og billeder, så I ser konkrete resultater før større investeringer
• Vi arrangerer workshops om risici, datasikkerhed, omkostninger og integration i eksisterende systemer

Kritiske spørgsmål, der kræver afklaring

• Hvordan præsterer Command A Vision overfor specialiserede OCR-API’er, der ofte er branchestandard?
• Er to GPU’er reelt en lav adgangsbarriere for mindre virksomheder – eller vil det stadig kræve ekstern hjælp?
• Hvilke databehandlings- og licensvilkår gælder for brug af åbne weights?
• Er de rapporterede benchmarks repræsentative for danske branchers konkrete behov?

Konkurrenternes dækning: Fokus på resultater – men også forbehold

Stort set alle AI-nyhedsmedier fremhæver Cohere’s ambition om at udfordre OpenAI og Meta på enterprise-vision-markedet. Mange betoner også, at lavere omkostninger og lettere integration potentielt kan flytte markedet – men at manglende åbenhed om datasæt og testbetingelser gør det svært at vurdere, hvor bredt resultaterne kan generaliseres.

Tendens: Lettere adgang til AI for virksomheder – men med nye krav til kritisk vurdering

Command A Vision illustrerer en tydelig trend: Virksomheder kræver åbne, stærke og let implementerbare AI-modeller, men samtidig må de være ekstra opmærksomme på dokumentation, benchmarks og datasikkerhed. Det er ikke nok at en model lover gode resultater på producentens egne tests – den skal også stå distancen i praktisk, dansk brug.

Næste skridt for danske virksomheder

Overvej hvilke af jeres arbejdsprocesser der kunne få gavn af automatiseret visuel dataudtræk – og vurder både teknisk potentiale og praktiske begrænsninger. Kontakt os i Snilld for en neutral vurdering af mulighederne; vi hjælper med at konkretisere potentialet og identificere eventuelle begrænsninger, så I kan tage næste skridt med åbne øjne.

Kilder:

• https://venturebeat.com/ai/new-vision-model-from-cohere-runs-on-two-gpus-beats-top-tier-vlms-on-visual-tasks/
• https://cohere.com/blog/command-a-vision
• https://cohere.com/blog/command-a-vision
• https://www.pecan.ai/blog/what-is-multimodal-ai-business/
• https://cohere.com/
• https://cloud.google.com/use-cases/ocr

Målgruppens mening om artiklen

Ingrid Madsen, Teknologikonsulent:

Jeg vil vurdere artiklen som yderst relevant for dem i teknologibranchen, men også med en vis forsigtighed grundet de manglende offentlige benchmarks. Det er afgørende, vi ser uafhængige tests, før vi laver investeringer. Jeg vil give artiklen en score på 85 ud af 100, da den præsenterer potentiale med forbehold.

Hans Laursen, CIO:

Som CIO er jeg interesseret i den reducerede hardware barriere, men samtidig skeptisk overfor de påstande, som ikke er understøttet af tredjepartstest. Artiklen scorer 78, da troværdigheden i dataudtrækket kan være defekt uden ekstern validering.

Anne Petersen, COO:

Fra et operationelt perspektiv er det spændende med potentiel omkostningsreduktion, men også en risiko uden klar dokumentation og uafhængige resultater. Jeg vil give 70, idet usikkerheden omkring implementeringens reelle værdi er for stor på nuværende tidspunkt.

Morten Jensen, Projektleder:

Artiklen er spændende for projektledere, der arbejder med komplekse datatyper. Men, jeg deler bekymringen med hensyn til manglende uafhængige resultater. Derfor får artiklen en score på 75.

Lisbet Nielsen, IT-chef:

For en IT-chef er evnen til at skære ned på omkostninger og kompleksitet attraktiv, men der er aldeles behov for mere åbenhed for at sikre korrekt integration. Artiklen får 80, da den præsenterer en stærk hypotese, men mangler bevis.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af Fluxx Schnell fra Black Forest Labs.