jina-ocr-v1

jina-ocr-v1는 단일 패스로 페이지를 Markdown으로 변환합니다: 텍스트, 수식, 표, 읽기 순서를 한 번에. 차이를 만드는 것은 엔지니어링이 어디에 쓰였느냐입니다. 파싱 품질은 경쟁이 치열하므로, 모델은 실제 프로덕션에서 돈을 쓰는 부분, 즉 디코딩에 도전합니다. OCR 출력은 국지적으로 예측 가능하므로 모델은 3개 토큰 앞선 초안을 쓰고 검증기가 탐욕스럽게 점검하게 둡니다. 검증이 탐욕스러우므로 결과는 무손실입니다. 일반 자기 회귀 디코딩과 바이트 단위로 동일하며, 모델은 1개 대신 검증 패스당 최대 2.7개 토큰을 확정합니다.

나머지는 동일한 목표에서 나옵니다. 총 파라미터 3.4B의 전문가 혼합 모델이지만 토큰당 활성은 약 570M뿐입니다. 실행 비용은 작은 모델 수준이지만 용량은 그렇지 않습니다. 기본 동적 해상도 설정에서 OmniDocBench v1.6은 91.14, olmOCR-Bench는 83.4를 기록합니다.

언어 커버레지는 베이스 모델에서 상속됩니다. DeepSeek-OCR은 약 100개 언어에 걸친 3,000만 페이지의 PDF로 사전학습되었고, jina-ocr-v1은 해당 인코더와 디코더를 유지하므로 문서 파싱에도 같은 폭이 적용됩니다.

ReaderLM-v2는 이미 추출된 HTML을 Markdown으로 변환합니다. jina-ocr-v1은 한 단계 먼저 시작해 렌더링된 페이지 자체를 읽습니다.

아키텍처는 DeepSeek-OCR의 DeepEncoder와 전문가 혼합 디코더를 상속합니다. DeepEncoder는 약 380M 파라미터로, 80M SAM 단계를 16배 컨볼루션 압축기, 이어 300M CLIP-L 단계와 직렬 연결하여 1024x1024 페이지는 단지 256개의 시각 토큰이면 충분합니다. Gundam 동적 해상도 모드는 타일 하나 추가당 100개 토큰을 더하고, 페이지당 최대 1,156개 토큰까지 갑니다. 디코더는 12개 레이어, 은닉 크기 1280, 라우팅된 전문가 64개 + 공유 2개(top-6 라우팅), 어휘 129,280개 토큰, 위치 제한 32,768의 DeepSeek-3B-MoE입니다.

디코딩 속도는 FastMTP에서 옵니다. K개의 별도 헤드 대신, 단일 밀집 드래프트 블록을 K=3 예측 스텝에 대해 재귀적으로 적용합니다. 검증이 탐욕스러므로 투기적 경로가 무손실이 됩니다. 출력되는 텍스트는 일반 자기 회귀 디코딩이 생성하는 것과 동일합니다.

후학습에서는 지시 정렬, 어렵고 열화된 문서에 대한 강건성 파인 튜닝, 그리고 GRPO를 수행합니다. GRPO는 고밀도의 검증 가능 보상을 사용하며, 이 보상은 패스/페일 단일 신호 대신 부분 점수를 부여하는 결정론적 수식·표·구조 검사입니다. 학습 데이터는 olmOCR-mix, FinePDFs, DoclingMatrix, SynthChartNet, UniMER 같은 정리된 공개 OCR 코퍼스 외에, Europeana 신문, Library of Congress 전사, NARA 연금 문서 같은 역사적·열화 자료, 그리고 보상이 필요한 곳에 커버리지가 있도록 olmOCR-Bench 스타일 유닛 테스트를 지닌 표적 합성 페이지를 섞습니다.

olmOCR-Bench에서 모델은 전체 83.4를 기록합니다. 서브셋별로는 Base 99.9(비교군 내 공동 1위), 이어 LongTiny 93.2, Tables 88.8, Hdr/Ftr 88.7, ArXiv 86.1, Multi-column 85.5, OldScans-Math 82.3, OldScans 42.6입니다. OmniDocBench v1.6에서는 전체 91.14로, 텍스트 편집 거리 0.046, 수식 CDM 93.28, 표 TEDS 84.68, TEDS-S 89.01, 읽기 순서 편집 거리 0.142입니다.

효율 결과가 이 모델의 핵심입니다. A100 SXM4 40GB 1대에서 동시성 32, 1,403개 페이지로 측정했을 때 2.57페이지/초를 유지하며, 비교군에서 최고이고 olmOCR-2의 1.22 대비 약 2배입니다. 이때 페이지당 출력 토큰 1,085개, 초당 2,792개를 씁니다. 더 높은 점수를 내는 모델은 훨씬 느립니다. chandra-ocr-2는 85.8로 품질에서 앞서지만 0.38페이지/초이며, dots.mocr은 0.55페이지/초로 83.9입니다. 토큰 수치는 경쟁력이 있지만 풀에서 최고는 아닙니다. PaddleOCR-VL-1.6은 페이지당 1,048으로 더 경량이고, Surya OCR 2는 초당 3,760으로 더 많은 토큰을 냅니다.

투기적 디코딩이 저렴한 GPU를 실행 가능하게 만듭니다. NVIDIA L4에서 배치 크기 1일 때, FastMTP는 K=3에서 eager 모드 디코딩을 42.7에서 83.1 출력 토큰/초로 끌어올려, 수용률 57.6%에서 1.95배 속도 향상입니다. CUDA 그래프를 쓰면 베이스라인이 이미 158.3 토큰/초이며, 최적 동작점은 185.6의 K=1로 1.17배 향상입니다. 이 L4 수치는 다른 하드웨어에서 배치 크기 1로 측정된 것이므로, 위의 A100 처리량 수치와 비교할 수 없습니다.

일반 문서에는 기본 동적 해상도 설정을 사용하세요. 이는 보고된 점수를 낸 기준 구성입니다. 출력은 Markdown이므로 표와 수식은 이미 구조화된 상태로 도착하며, 별도의 후처리 단계가 필요 없습니다. 모델은 저비용 GPU를 대상으로 합니다. 단일 문서의 대화형 파싱에는 L4나 동급이 충분하고, 투기적 디코딩은 eager 모드에서 가장 큰 이득을 주므로, eager 모드에서는 K=3을, CUDA 그래프로 실행할 때는 K=1을 활성화하세요. 검증이 탐욕스러우므로 투기 디코딩을 켜거나 끌거나 처리량은 바뀌지만 텍스트는 변하지 않습니다.

대량 문서 인제스트, PDF에서 Markdown으로의 파이프라인, 스캔본·역사 아카이브, 그리고 달러당 페이지/초가 벤치마크 마지막 1점보다 중요한 모든 워크로스에 가장 적합합니다. 헤더와 푸터는 삭제되지 않고 전사됩니다. 아카이브 충실성 측면에서 바람직한 동작이지만, 텍스트 부재 테스트에서는 낮은 점수를 받습니다. OldScans는 여전히 가장 약한 서브셋(42.6)이므로, 심하게 열화된 스캔본은 사람의 검사가 필요합니다.

입력이 이미 가져온 HTML인 경우, 같은 Markdown 목표에는 ReaderLM-v2가 더 저렴한 도구입니다. 전사가 아니라 페이지에 대한 시각 질문 답변에는 jina-vlm을, 파싱 결과 위에서의 검색에는 jina-embeddings-v4와 조합하세요.