Jina OCR v1：把文件轉成可用的 Markdown
將 PDF、掃描檔或複雜版面交給 OCR，真正困難的往往不只是辨識文字，還包括表格、公式、段落與閱讀順序。Jina AI 開源的 Jina OCR v1 是一款端到端（Page-to-Markdown）的文件解析模型，旨在兼顧高品質輸出與高效推論，直接將文件頁面轉化為結構化的 Markdown。
模型架構與技術重點
Jina OCR v1 採用輕量化與混合專家（MoE）架構設計：
- 模型規模：總參數量為 3.4B，但前向傳播每個 Token 僅需激活約 570M 活躍參數，兼具小模型的推論成本與大模型的容量。
- 視覺與解碼器架構：繼承 DeepSeek-OCR 架構，包含約 380M 參數的 DeepEncoder（將 1024×1024 圖像壓縮為 256 個視覺 Tokens），以及 12 層的 DeepSeek-3B-MoE 解碼器（64 個 Routed Experts 與 2 個 Shared Experts，Top-6 路由）。
- FastMTP 投機解碼（Speculative Decoding）：透過遞迴共享單一密集草稿模組（K=3），並結合貪婪驗證（Greedy Verification），實現無損（Lossless）的解碼加速，產出與傳統自回歸完全一致的文字。
- 多語言與頁面處理：預訓練語料覆蓋約 100 種語言（支援多達 108 種語言）；預設會過濾重複的頁首與頁尾（Headers/Footers），並自動將公式轉為 LaTeX（
$/$$）、表格轉為 HTML<table>格式。
評測表現與速度（標示測試條件）
在官方報告的實測基準中，Jina OCR v1 展現出極高的推論吞吐量：
- OmniDocBench v1.6 評測：整體得分 91.14（公式 CDM 達 93.28、表格 TEDS 達 84.68）。
- olmOCR-Bench 評測：整體得分 83.4（Base 基礎文本達 99.9、表格 88.8、多欄排版 85.5；但在嚴重損毀的舊掃描檔 OldScans 僅 42.6，建議難度極高的歷史檔案仍需人工覆核）。
- 吞吐量與速度測試：在單張 NVIDIA A100 (SXM4 40GB, 併發 32) 條件下，達到 2.57 pages/s 的吞吐量（平均每頁產生 1,085 Token）；在單張 NVIDIA L4 (Batch Size 1) 環境下，開啟 FastMTP (K=3) 可將解碼速度從 42.7 提升至 83.1 tokens/s（約 1.95 倍加速）。
如何開始與部署選項
使用者可根據需求選擇雲端服務或地端部署：
- 本地與服務化部署：支援 Hugging Face
transformers（使用AutoModelForCausalLM/AutoProcessor需設定trust_remote_code=True）、vLLM（註冊deepseek_ocr_mtp.py啟用 FastMTP 加速，設定num_speculative_tokens=3）、SGLang，或透過 Docker（docker model run hf.co/jinaai/jina-ocr-v1）運行。 - 雲端 API 與工具：可使用 Jina Reader（
r.jina.ai帶入 HeaderX-Respond-With: jina-ocr-v1）、OpenAI 相容的託管 API（api.jina.ai/v1/chat/completions）或官方 Playground 介面。 - 開源授權：採用 CC BY-NC 4.0 非商業授權（商業使用需向 Jina AI 申請授權）。
適合的工作流
Jina OCR v1 適合大批量文件匯入、PDF 轉 Markdown 管道、知識庫（RAG）前處理與歷史文檔數位化。由於其具備結構化 Markdown 輸出能力，能有效簡化後續的資料解析流程。
