지나의 ‘OCR 처리량에서 최고’라는 성과는 DeepSeek의 오픈 웰트를 기반으로 한 속도와 정확성의 균형을 이룬 결과입니다. 실제 중요한 것은 페이지당 비용이며, Elastic은 이를 책임집니다.

Jina AI는 현재 공개 기업인 Elastic이 소유하고 있는 검색 기술 스타트업입니다. 이 회사는 빠르게 비교할 수 있는 제품들을 제공합니다. Jina AI는 자사의 새로운 문서 파서인 jina-ocr-v1에 대해 다음과 같이 말합니다.비교된 14개 모델 중에서 페이지 처리량 면에서 최고 순위를 차지함그 헤드라인은 사실입니다. 하지만 그걸 승리로 받아들이기 전에 좀 더 자세히 분석해보는 게 좋습니다. 왜냐하면 속도에서의 “1위”는 전체 상황의 절반에 불과하기 때문입니다. 그리고 지나가서 잃은 그 절반이 바로 진정한 승리의 요소가 되는 것입니다.

이 모델은 중국 연구소의 오픈소스 제품인 DeepSeek-OCR을 다시 작성한 것입니다.문서 읽기 과정을 압축 문제로 변환시켰습니다.DeepSeek의 아이디어는 한 페이지를 몇 개의 이미지 토큰으로 표현하는 것이었습니다.최소 256개– 텍스트를 엄청나게 압축하여, 페이지당 디코딩 작업을 줄이는 것입니다. 지나는 그 구조를 유지하면서, 토큰들을 미리 생성하고 그 토큰들을 신중하게 검증하는 시스템을 추가했습니다. 그리고 그 결과를 공개된 코퍼라와 낮은 품질의 역사적 문서들에도 적용했습니다.총 3.4억 개의 파라미터가 있으며, 각 토큰에 대해 약 570백만 개의 활성 파라미터가 있습니다., 그리고A100 하나로 초당 2.57페이지를 처리할 수 있습니다..

그 페이지 속도는 “14개 중 첫 번째”라는 주장이 근거가 되는 것인데, 이는 정확히 두 가지 요소로 구성됩니다. 첫 번째는 출력의 간결성입니다: jina-ocr-v11페이지당 약 1,085개의 토큰이 생성됩니다.그곳에서는 “comparable parser”와 같은 것들이 사용됩니다.수리야 OCR 2는 약 3,568을 소비합니다.페이지당 토큰 수가 적어지면, 완성된 문서에 대해 디코더가 수행하는 과정도 줄어듭니다. 따라서 초당 페이지 수는 가속화가 적용되기 전부터 증가합니다. 두 번째 요소는 FastMTP입니다. 이는 추측적인 헤드로서, 중간급 L4 GPU에서 작동합니다.디코딩 속도가 약 1.9배 향상됨열정적인 모드에서 작동하면, 일반적인 자가회귀 디코딩과 동일한 바이트 형태의 출력이 생성됩니다. 두 가지를 합치면, 그 결과는 자연스러운 수치가 됩니다.

이제 히나의 절반이 사용되었습니다. 이 모델은 보고된 두 가지 품질 기준에서 3위를 차지했습니다. OmniDocBench v1.6에서는 전문적인 모델 중 3위였으며, olmOCR-Bench에서도 발표된 총점에서 3위였습니다.OmniDocBench v1.6에서는 91.14, olmOCR-Bench에서는 83.4입니다.인피니티-파서2-프로와 같은 더 무거운 시스템들 뒤에.olmOCR-Bench에서 87.6점을 받았지만, 속도는 약 5.5배 느립니다.페이지당 속도는 발견과 마찬가지로 공학적 선택의 결과입니다. 디코딩을 빠르게 하는 것과 같은 간결함이 바로 어려운 입력 데이터에서의 정확도를 제한하는 요인입니다. 즉, 가장 낮은 점수는 바로 그 간결함 때문입니다.42.6에서 손상된 스캔 이미지입니다.회사 자체도 주의를 요하는 점을 지적합니다. 14개 모델 간의 비교는 그렇지 않습니다.통제된 방식으로 운영되지 않았습니다.하드웨어와 배치 설정은 행마다 다릅니다. 따라서 이는 지나의 자체 장비에서 가장 빠른 속도를 내는지를 측정하는 자가 테스트입니다. 이는 성공과 실패 사이의 정확성 문제일 뿐, 진정한 승리와는 거리가 있습니다.

순위를 넘어서서 보면, 그 숫자들이 실제로 나타내는 것은 속도 기록이 아니라 비용 수준입니다. AI 스택에서는 문서 파싱이 검색 증강 생성 과정의 입력 단계입니다. 모든 기업의 RAG 파이프라인은 먼저 청구서, 스캔된 문서, PDF 파일을 깨끗한 텍스트나 마크다운 형태로 변환해야 합니다. 그렇게 변환된 후에야 에이전트들이 그 데이터를 유용하게 활용할 수 있습니다. 바로 이 변환 과정에서 페이지당 비용이 결정됩니다.천 페이지당 평균 가격으로 계산됩니다.즉, 페이지당 토큰을 적게 사용하고 더 빠르게 디코딩하는 모델은 그 층의 비용을 줄이는 데 큰 도움이 됩니다. 바로 이런 점에서 Jina 도구는 Elastic에게 유용합니다.2025년 10월에 이 스타트업을 인수했습니다.클라우드 OCR 및 문서 인텔리전스 서비스에 대비하여, 벡터 검색 및 컨텍스트 엔지니어링 분야에서의 입지를 더욱 강화할 계획입니다.

투자자에게는 그것이 주목할 만한 점입니다. Jina AI는 자체 공개 주식이 없습니다.2020년에 설립된 베를린 회사입니다.그것은약 3600만 달러를 벌었습니다.Elastic이 그 기술을 구입하기 전까지는, 소매 시장에서의 노출도 Elastic에 의해 이루어졌습니다. Elastic 내부에서는 jina-ocr-v1이 검색 및 에이전트 스택의 비용에 민감한 부분에서 경쟁력 있는 기술입니다. 이는 단일 계층의 경제성에 있어서는 실질적인 개선이지만, 회사 전체를 재설계하는 것이 아닙니다. 이 점은 중요합니다. 자체적으로 선택된 속도 순위는 강점처럼 보일 수 있지만, 정확성 면에서 세 번째로 좋은 파서이며, 다른 연구실의 공개된 가중치에 기반한 것인 경우, 그건 경쟁자가 다음 훈련 과정에서 무너질 수 있는 상황입니다. 중요한 것은, 새로운 벤치마크가 다시 시작되는 것이 아니라, Elastic이 문서를 처리할 때 얼마나 많은 비용을 지출하는지에 대한 신호입니다. 그리고 그 수치는 처리량 테이블에 나타나기 전에 이미 확인할 수 있습니다.