Le « Premier en termes de rendement d’OCR » de Jina est un équilibre entre vitesse et précision, basé sur les poids ouverts de DeepSeek. La véritable mesure est le coût par page ; Elastic est responsable de cela.

Jina AI, l’entreprise de technologie de recherche propriétaire aujourd’hui appartenant à la société publique Elastic, permet aux utilisateurs de comparer rapidement les résultats obtenus. Elle indique que son nouveau parsing de documents, jina-ocr-v1, est très efficace.Il occupe la première place en termes de débit de pages par rapport aux 14 modèles comparés.L’annonce en titre est vraie, mais il vaut la peine de l’analyser plus en détail avant de la considérer comme une victoire. En effet, être premier en termes de vitesse représente une moitié du résultat ; l’autre moitié, que Jina a perdue, est ce qui constitue généralement le point important.

Le modèle est une réécriture de DeepSeek-OCR, la version open source du laboratoire chinois.Il a transformé la lecture de documents en un problème de compression.L’idée de DeepSeek était de représenter une page entière en un petit nombre d’éléments visuels.à peine 256– Compresser le texte de manière significative et réduire le travail de décodage par page. Jina a conservé cette structure de base, a ajouté un système de décodage spéculatif qui génère des tokens en amont et les vérifie rapidement. Les résultats sont ensuite stockés dans des corpus publics, ainsi que dans des documents historiques dégradés.3,4 milliards de paramètres au total, dont environ 570 millions sont actifs par token., etSupporte 2,57 pages par seconde sur un seul disque A100..

Cette taux de pages est ce sur lequel repose l’affirmation « premier parmi les 14 ». Il est déterminé par exactement deux facteurs. Le premier est la concision de l’output : jina-ocr-v1.Émet environ 1,085 tokens par page.où un parser comparable tel que…Surya OCR 2 consomme environ 3 568Moins de tokens par page signifie moins de passages du décodeur pour un document entier. Ainsi, le nombre de pages par seconde augmente avant que l’accélération ne soit appliquée. La deuxième option est FastMTP, qui est une carte graphique de classe L4.Vitesse de décodage environ 1,9 fois plus élevée.En mode d’urgence, tout en produisant une sortie identique aux bits de la décodage autoregressif ordinaire. En combinant les deux, le nombre de taux de transfert est le résultat naturel.

Maintenant, la moitié de Jina a été donnée. Elle se classe troisième sur les deux critères de qualité qu’elle évalue : troisième parmi les modèles spécialisés selon OmniDocBench v1.6, et troisième parmi les modèles spécialisés pour lesquels des chiffres ont été publiés selon olmOCR-Bench.91,14 sur OmniDocBench v1.6 et 83,4 sur olmOCR-Benchderrière des systèmes plus lourds comme Infinity-Parser2-Pro.qui obtient un score de 87,6 sur olmOCR-Bench, mais est environ cinq fois plus lent.page-for-page. Les gains de vitesse sont des choix techniques tout comme les découvertes. La même concision qui accélère la décodage est aussi celle qui limite la fidélité pour les entrées difficiles – le score du sous-ensemble le plus faible est…Scans dégradés ou endommagés à 42,6L’entreprise elle-même souligne ce point important : les comparaisons entre les 14 modèles sont limitées.Ils n’ont pas été exécutés de manière contrôlée.Les paramètres de matériel et de batching varient d’une ligne à l’autre. Il s’agit donc d’un test indépendant qui mesure la vitesse de fonctionnement sur le matériel utilisé par Jina lui-même. Il s’agit plutôt d’un équilibre entre précision et performance, plutôt que d’une victoire absolue.

Lisez en dehors de la classe de niveau ; ce que les chiffres décrivent en réalité, c’est une position de coût, et non un record de vitesse. Dans l’écosystème IA, le parsing des documents constitue la couche d’ingestion pour la génération augmentée par recherche : chaque pipeline RAG doit d’abord transformer les factures, les scans et les fichiers PDF en texte ou en format Markdown propre, avant que les agents puissent faire quoi que ce soit de utile avec eux. C’est lors de cette conversion que se trouve l’efficacité économique par page – les services de traitement de documents pour entreprises.Prix fixe par mille pages.— Un modèle qui utilise moins de tokens par page et qui décode ces tokens plus rapidement est, avant tout, une réduction des coûts liés à cette couche. C’est précisément là que l’outil Jina aide Elastic.A obtenu la start-up en octobre 2025.Pour approfondir sa position dans le domaine de la recherche vectorielle et de l’ingénierie du contexte, face aux services d’OCR en nuage et aux services d’intelligence documentaire.

Pour un investisseur, c’est le fil à suivre. Jina AI n’a pas de action publique en soi ; c’estUne entreprise de Berlin fondée en 2020.queRéalisé environ 36 millions de dollars.Avant qu’Elastic ne l’achète, l’exposition au niveau du retail se faisait via Elastic. Dans Elastic, jina-ocr-v1 représente une technologie compétitive, mais elle se situe dans un niveau de coût important de son système de recherche et d’agents. C’est une amélioration significative pour les économies unitaires, mais pas une révolution complète pour l’entreprise. La différence est importante : une classification de vitesse auto-sélective peut sembler être un avantage concurrentiel, mais un parseur qui est le troisième meilleur en termes de précision et qui utilise des poids définis par un autre laboratoire est simplement un avantage que les concurrents peuvent éliminer lors de leurs prochaines tests. Ce qui est important, c’est que ce changement indique la quantité que Elastic paie par page pour ingérer des documents à grande échelle – et cette quantité est visible bien avant que cela ne apparaisse dans les tableaux de performance.