jina-ocr-v1

jina-ocr-v1 一次通过就把页面变成 Markdown：文本、公式、表格和阅读顺序一并给出。它的不同之处在于工程投入的方向。解析质量已趋饱和，模型于是攻击生产中真正花钱的部分——解码。OCR 输出局部可预测，模型因此提前起草 3 个词元，让验证器以贪心方式检查。由于验证是贪心的，结果是无损的，与朴素自回归解码逐字节一致，模型每次验证器通过最多确认 2.7 个词元而非 1 个。

其余都源于同一目标。它是总参数 3.4B 的专家混合模型，每个词元仅约 570M 激活，运行成本是小模型级别，容量却不是。在默认动态分辨率设置下，OmniDocBench v1.6 得分 91.14，olmOCR-Bench 得分 83.4。

语言覆盖继承自底座模型。DeepSeek-OCR 在覆盖约 100 种语言的 3000 万页 PDF 上预训练，jina-ocr-v1 保留了它的编码器和解码器，同样的广度适用于文档解析。

ReaderLM-v2 把已抽取的 HTML 转成 Markdown。jina-ocr-v1 从更早一步开始，直接读取渲染后的页面。

架构继承了 DeepSeek-OCR 的 DeepEncoder 和专家混合解码器。DeepEncoder 约 380M 参数，将 80M 的 SAM 阶段接入 16 倍卷积压缩器，再接 300M 的 CLIP-L 阶段，因此 1024x1024 的一页只需 256 个视觉词元。Gundam 动态分辨率模式每增加一个图块加 100 个词元，单页最多 1,156 个词元。解码器是 DeepSeek-3B-MoE：12 层、隐藏维度 1280、64 个路由专家加 2 个共享专家（top-6 路由）、词表 129,280、位置上限 32,768。

解码速度来自 FastMTP：单个稠密草稿块递归用于 K=3 个预测步，而非 K 个独立头。验证是贪心的，使投机路径无损。输出的文本与朴素自回归解码产生的完全相同。

后训练包括指令对齐、针对困难与退化文档的鲁棒性微调，以及在稠密可验证奖励下的 GRPO——奖励是确定性的公式、表格与结构检查，给部分分而非单一的通过/不通过信号。训练数据把清理过的公开 OCR 语料（olmOCR-mix、FinePDFs、DoclingMatrix、SynthChartNet、UniMER）与 Europeana 报纸、国会图书馆转录稿、NARA 养老金档案等历史与退化资料，以及承载 olmOCR-Bench 风格单元测试的定向合成页面混在一起，让奖励在关键处有覆盖。

olmOCR-Bench 上模型总体得分 83.4。按子集看，Base 99.9，与对比组中最好者并列，其后是 LongTiny 93.2、Tables 88.8、Hdr/Ftr 88.7、ArXiv 86.1、Multi-column 85.5、OldScans-Math 82.3、OldScans 42.6。OmniDocBench v1.6 上总体 91.14，文本编辑距离 0.046、公式 CDM 93.28、表格 TEDS 84.68、TEDS-S 89.01、阅读顺序编辑距离 0.142。

效率结果才是这个模型的要点。在一块 A100 SXM4 40GB、并发度 32、1,403 页的条件下测得 2.57 页/秒，为对比组最高，约为 olmOCR-2 的 1.22 的两倍，同时每页输出 1,085 个词元、每秒 2,792 个词元。得分更高的模型要慢得多：chandra-ocr-2 在质量上以 85.8 领先，但只有 0.38 页/秒；dots.mocr 以 0.55 页/秒得 83.9。词元数字有竞争力，但不是池中最好：PaddleOCR-VL-1.6 每页更省（1,048），Surya OCR 2 每秒输出更多（3,760）。

投机解码让低成本 GPU 变得可行。在 NVIDIA L4、批大小 1 上，FastMTP 在 K=3 时把 eager 模式解码从 42.7 提升到 83.1 输出词元/秒，接受率 57.6%，提速 1.95 倍。用 CUDA 图时基线已有 158.3 词元/秒，K=1 是最佳工作点，185.6，提升 1.17 倍。这些 L4 数据在不同硬件上以批大小 1 测得，与上面的 A100 吞吐数字不可比。

通用文档请使用默认动态分辨率设置，这也是所报成绩使用的配置。输出是 Markdown，表格和公式已结构化，无需单独的后处理步骤。模型面向低预算 GPU。L4 或同级别即可交互式解析单个文档；投机解码在 eager 模式下收益最大，请在该模式下启用 K=3，使用 CUDA 图时启用 K=1。由于验证是贪心的，开关投机解码只改变吞吐，不改变文本。

最适合批量文档摄取、PDF 转 Markdown 流水线、扫描与历史档案，以及任何「每美元每秒页数」比基准分的最后 1 分更重要的负载。页眉页脚会被转录而非丢弃，这对档案保真是期望行为，但在文本缺失测试中得分偏低。OldScans 仍是最弱子集（42.6），重度退化的扫描件仍值得人工检查。

如果输入是已抓取好的 HTML，达到同样 Markdown 目标，ReaderLM-v2 是更便宜的工具。若要对页面做视觉问答而非转录，用 jina-vlm。对解析结果做检索，搭配 jina-embeddings-v4。