Jina AI lance jina-ocr-v1, avec le meilleur rendement par page parmi les 14 modèles.

• Jina AI a publié jina-ocr-v1, un modèle de décodage de documents construit sur DeepSeek-OCR, qui réussit à2,57 pages par secondeSur une GPU NVIDIA A100.
• Le modèle utilise la décodage spéculative FastMTP et l’architecture Mixture of Experts pour fournirSortie sans perte, identique en termes de bytesen réduisant la charge de calcul.
• Dans les critères internes de Jina, jina-ocr-v1 se classe en première position en termes de charge de pages parmi 14 systèmes testés, bien que…Il est troisième en termes de précision dans les tests de mesure..
• La sortie s’aligne sur la stratégie d’Elastic.Coûts plus bas par pagePour l’ingestion de documents dans les pipelines de génération augmentée par recherche.
• Le modèle est disponible sous une licence CC BY-NC 4.0.Utilisation commerciale nécessitant un contactAvec Jina AI.

Jina AI a officiellement déployé jina-ocr-v1, un modèle de parsing de documents conçu pour convertir des fichiers PDF, des documents scannés, des tableaux et des graphiques en format Markdown directement. Le modèle a été entraîné à nouveau sur DeepSeek-OCR, tout en conservant sa structure de type Mixture of Experts (MoE). Cette structure comprend environ 3,4 milliards de paramètres au total, dont seulement 570 millions sont actifs par token. Ce design permet au modèle de fonctionner à un coût d’exploitation inférieur à celui d’un modèle plus petit, tout en conservant une grande capacité de traitement.

Un point clé de cette méthode est l’intégration de la décodage spéculative FastMTP. Cette méthode génère trois tokens en avance et les vérifie avec précision. Ce mécanisme garantit que la sortie est sans perte de données, et que les données sont identiques à celles obtenues par le décodage autoregressif standard. En moyenne, 2,73 tokens sont investis pour chaque étape lorsque K=3, ce qui accélère considérablement le processus d’inférence.

Dans les benchmarks internes, jina-ocr-v1 a obtenu un score de 91,14 sur OmniDocBench v1.6. Il a également obtenu 83,4 sur olmOCR-Bench, soit une amélioration de 7,4 points par rapport au modèle DeepSeek-OCR de base. Le modèle a surpassé 14 autres systèmes testés en termes de performance. Sur un seul GPU NVIDIA A100 avec 32 requêtes simultanées, il peut traiter 2,57 pages par seconde. Cela représente environ 22 % plus de performance que DeepSeek-OCR, qui atteint 2,10 pages par seconde.

Comment l’architecture réduit-elle les coûts d’inférence ?

L’avantage de vitesse du modèle provient de sa concision dans l’output et des nombreux passages de décodage réduits. Il génère seulement environ 1 085 tokens par page, contrairement aux concurrents comme Surya OCR 2, qui génèrent environ 3 568 tokens par page. L’architecture utilise un DeepEncoder avec un compresseur convolutionnel et une étape CLIP-L pour réduire le nombre de tokens visuels. Cela permet une gestion dynamique de la résolution.

Le DeepEncoder contient environ 380 millions de paramètres. Il combine le module SAM, un compresseur convolutionnel de 16x, et CLIP-L. Le processus de compression consiste à transformer l’entrée visuelle en 256 tokens par page. Pour les pages complexes, la résolution dynamique permet d’obtenir jusqu’à 1 156 tokens. Après l’entraînement, il y a une phase de mise en forme des instructions et de réentraînement pour améliorer la robustesse sur les pages dégradées, en utilisant GRPO. Les récompenses sont déterministes, et le code est évalué en fonction des transcriptions de référence.

Sur des matériels moins chers comme le NVIDIA L4, la décodage spéculative permet une accélération de 1,95x en mode “eager”. Ce modèle est particulièrement adapté pour l’ingestion de documents volumineux et pour les pipelines où le coût par page est important. Il prend en charge 100 langues différentes et gère correctement des structures complexes comme les formules et les tableaux avec une grande précision.

Quelles sont les compromis et les limites liés à l’exactitude ?

Bien que le taux de transfert soit élevé, la précision est plutôt compétitive et non supérieure. Le modèle obtient un score de 91,14 sur OmniDocBench v1.6, derrière PaddleOCR-VL-1.6 qui a obtenu 96,34. Sur olmOCR-Bench, il est en retard par rapport à chandra-ocr-2, qui obtient un score de 85,8. Le modèle a des difficultés avec les images historiques dégradées ; son score sur l’ensemble OldScans est seulement de 42,6.

Les indicateurs de performance ont été mesurés en autonomie, avec des paramètres matériels non contrôlés. Cela indique que le classement de vitesse “premier rang” est propre à l’infrastructure de Jina. Le modèle élimine les en-têtes et les pieds de page ; il peut nécessiter une vérification humaine pour les scans très dégradés. Il est disponible via Jina Reader, une API compatible avec OpenAI, et les poids du modèle peuvent être hébergés localement sous licence CC BY-NC 4.0.

Pour les investisseurs, la valeur principale n’est pas liée aux changements techniques, mais plutôt à la réduction des coûts. Elastic a acquis Jina afin de diminuer le coût par page pour l’ingestion des documents dans ses pipelines RAG. Cette amélioration est purement marginale en termes des économies d’échelle de Elastic, et ne constitue pas une barrière concurrentielle. L’architecture sous-jacente est open source et facilement reproductible. Les poids sont disponibles sur Hugging Face ; il est nécessaire d’utiliser vLLM 0.21 ou plus pour pouvoir héberger le système soi-même.