“Primero en rendimiento de OCR” de Jina es una combinación de velocidad y precisión, basada en los pesos abiertos de DeepSeek. La verdadera medida es el costo por página, y Elastic se encarga de gestionarlo.

Jina AI, la startup de tecnología de búsqueda que ahora pertenece a la compañía pública Elastic, está logrando una velocidad impresionante. Según sus datos, su nuevo analizador de documentos, jina-ocr-v1, es muy eficiente.Ocupa el primer lugar en términos de rendimiento de páginas entre los 14 modelos que se comparan.El titular es cierto, pero vale la pena analizarlo detenidamente antes de considerarlo como una victoria. Porque “el primer lugar en velocidad” es solo la mitad del pago que se debe recibir; la otra mitad que Jina ha dado es lo que, normalmente, se considera el verdadero punto ganador.

El modelo es una versión reescrita de DeepSeek-OCR, la versión de código abierto del laboratorio chino.Convierte la lectura de documentos en un problema de compresión.La idea de DeepSeek era representar una página completa como un pequeño número de tokens de imagen.tan poco como 256– Comprimir el texto de manera drástica y reducir el trabajo de decodificación por página. Jina mantuvo ese mecanismo básico, pero agregó una capa de decodificación especulativa que genera borradores de tokens y los verifica con diligencia. Además, los resultados de la decodificación se almacenan en corpora públicos, así como en documentos históricos y degradados.3.4 mil millones de parámetros en total, de los cuales aproximadamente 570 millones son activos por token., ySoporta 2.57 páginas por segundo en un único A100..

Esa tasa de páginas es lo en lo que se basa la afirmación de “el primero entre 14”. Esta tasa se determina a partir de exactamente dos factores. El primer factor es la concisión en la salida: jina-ocr-v1.Emite aproximadamente 1,085 tokens por página.Donde existe un analizador comparable comoSurya OCR 2 gasta aproximadamente 3,568.Menos tokens por página significa que hay menos pasadas del decodificador por documento completo. Por lo tanto, la cantidad de páginas por segundo aumenta antes de que se aplique ninguna aceleración. La segunda herramienta es FastMTP, el “cerebro especulativo”. En un GPU de gama media L4, esto permite una mayor velocidad de procesamiento.La velocidad de decodificación aumenta aproximadamente un 1.9 veces.En modo de entusiasmo, se produce una salida idéntica a los bytes del decodificado automático normal. Al combinar ambos, el número de rendimiento es el resultado natural.

Ahora, la mitad de Jina ha sido entregada. Se sitúa en el tercer lugar en ambos criterios de calidad que indica: en el tercer lugar entre los modelos especializados en OmniDocBench v1.6, y en el tercer lugar entre los modelos especializados con valores publicados en olmOCR-Bench.91.14 en OmniDocBench v1.6 y 83.4 en olmOCR-BenchDetrás de sistemas más pesados como el Infinity-Parser2-Pro.Que obtiene un puntaje de 87.6 en olmOCR-Bench, pero es aproximadamente cinco veces más lento.Página por página. La velocidad es una cuestión de ingeniería, al igual que los descubrimientos. La misma concisión que acelera el proceso de decodificación también limita la fiabilidad en los datos complejos. El puntaje más bajo del subconjunto de datos difíciles es…Escaneos degradados y dañados, a 42.6La propia empresa señala esta advertencia: las comparaciones entre los 14 modelos son inadecuadas.No se llevaron a cabo de manera controlada.Y las configuraciones de hardware y de procesamiento de lotes varían entre las filas. Por lo tanto, se trata de un benchmark autoadministrado que mide cuán rápido funciona el equipo en el propio rig de Jina. Se trata, más bien, de una cuestión de precisión, y no de una victoria en términos de rendimiento.

Si se pasa por encima de los rangos, lo que realmente describen esos números es una posición en términos de costo, no un récord de velocidad. En la estructura de IA, el procesamiento de documentos es la capa de ingestión en el sistema de generación mejorada mediante recuperación: cada pipeline de RAG debe convertir primero facturas, escaneos y archivos PDF en texto limpio o Markdown, antes de que los agentes puedan hacer algo útil con ellos. Es en esa conversión donde se encuentra la economía por página: los servicios de documentos para empresas.Precios fijos, por mil páginas.Un modelo que utiliza menos tokens por página y decodificalos más rápidamente, es, más que nada, una forma de reducir los costos relacionados con ese proceso. Eso es precisamente lo que ayuda a Elastic con la herramienta Jina.Adquirió la startup en octubre de 2025.Para profundizar su posición en el área de búsqueda por vectores y ingeniería de contexto frente a los servicios de OCR y inteligencia documental en la nube.

Para un inversor, ese es el tema que vale la pena seguir. Jina AI no tiene acciones públicas propias; esUna empresa de Berlín fundada en 2020.esoRecaudaron alrededor de 36 millones de dólares.Antes de que Elastic lo adquiriera, la exposición en el mercado minorista se realizaba a través de Elastic, siempre y cuando este tuviera algún tipo de presencia en ese mercado. Dentro de Elastic, jina-ocr-v1 es una tecnología competitiva, pero se trata de una mejora incremental en las condiciones económicas de una sola capa del sistema de búsqueda y agentes. No se trata de un cambio radical en toda la empresa. La diferencia es importante: una clasificación de velocidad seleccionada por sí misma puede parecer un factor de ventaja, pero un analizador que sea el tercer mejor en precisión y basado en pesos abiertos de otro laboratorio es precisamente el tipo de ventaja que un competidor podría eliminar en su próximo entrenamiento. Lo que realmente importa no es otro proceso de evaluación, sino el hecho de que Elastic paga más por página para procesar documentos a gran escala. Y esa cantidad es visible en los márgenes antes de que aparezca en cualquier tabla de rendimiento.