論文の概要: Jina-OCR-v1: Efficient Document Parsing with Speculative Decoding and Dense Verifiable Rewards
- arxiv url: http://arxiv.org/abs/2609.03181v1
- Date: Wed, 02 Sep 2026 21:49:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:38.861559
- Title: Jina-OCR-v1: Efficient Document Parsing with Speculative Decoding and Dense Verifiable Rewards
- Title（参考訳）: Jina-OCR-v1: 投機的復号化と難読なリワードを併用した効率的な文書解析
- Abstract要約: Jina-OCR-v1は低予算のGPU上で動作するために開発されたエンドツーエンドのドキュメント解析モデルである。
圧縮されたビジョンエンコーダとDeepSeek-OCRの3Bミックス・オブ・エキスパート・デコーダを組み合わせる。
OmniDocBench v1.6で91.14、olmOCR-Benchで83.4、我々の比較では2.57ページ/秒で最高スループットに達した。
- 参考スコア（独自算出の注目度）: 44.67582833168009
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present Jina-OCR-v1, an end-to-end document parsing model built to serve on low-budget GPUs. It combines the compressed-vision encoder and the 3B mixture-of-experts decoder of DeepSeek-OCR, which activates about 570M parameters per token, with a FastMTP speculative decoding head that shares a single draft block recursively across K=3 prediction steps. Greedy verification makes decoding lossless. Post-training combines instruction alignment, robustness fine-tuning on difficult documents, and GRPO under dense verifiable rewards: deterministic formula, table, and structural checks that award partial credit. The training data mixes cleaned public corpora with targeted synthetic pages. At the default dynamic-resolution setting, Jina-OCR-v1 scores 91.14 on OmniDocBench v1.6 and 83.4 on olmOCR-Bench, and reaches the highest page throughput in our comparison at 2.57 pages per second. On a low-budget GPU such as the NVIDIA L4, FastMTP doubles decoding speed over greedy autoregressive decoding. The model is publicly available at https://huggingface.co/jinaai/jina-ocr-v1.
- Abstract（参考訳）: 我々は低予算GPU上で動作するエンドツーエンドの文書解析モデルであるJina-OCR-v1を提案する。
圧縮されたビジョンエンコーダと、トークン当たり約570万のパラメータを活性化するDeepSeek-OCRの3Bミックスオブエキスパートデコーダと、K=3の予測ステップで再帰的に1つのドラフトブロックを共有するFastMTP投機デコードヘッドを組み合わせる。
グレディ検証は、復号化を損なう。
ポストトレーニングでは、命令のアライメント、難解なドキュメントの堅牢さの微調整と、決定論的公式、表、構造的チェックなど、厳密な検証可能な報酬の下でGRPOを組み合わせる。
トレーニングデータは、クリーン化された公開コーパスとターゲットとなる合成ページを混合する。
デフォルトの動的解像度設定では、Jina-OCR-v1はOmniDocBench v1.6で91.14、olmOCR-Benchで83.4をスコアし、我々の比較では毎秒2.57ページのスループットに達した。
NVIDIA L4のような低予算のGPUでは、FastMTPはグレディな自己回帰デコードよりもデコード速度が倍になる。
モデルはhttps://huggingface.co/jinaai/jina-ocr-v1.comで公開されている。
関連論文リスト
- REIGN: Refurbished Embeddings with Integrated Guidance Networks for Efficient Context-Length Scaling [0.0]
REIGNは、生のトークンではなく、凍結したガイダンスネットワーク(GN)からのコンテキスト化されたチャンク埋め込みのシーケンスで動作するバイエンコーダである。
コントラストトレーニングと長期文脈における評価のための,合成長文書検索ベンチマークをリリースする。
2組の重要度試験は、特許上の1.6-4.3倍の大きさのモデルと同等であり、LoCo上の20倍大モデルの0.65 nDCG@10の範囲内に留まる。
論文 参考訳（メタデータ） (2026-08-30T16:50:38Z) - TongGuOCR: A Layout-Aware and Token-Augmented OCR MLLM for Chinese Historical Documents [50.64307290680222]
TongGuOCRは、中国古文書のOCRのためのレイアウト対応およびトークン拡張型マルチモーダル言語モデル(MLLM)である。
TongGuOCRは93.76 ARを達成し、NEDを10.43から6.15に、RO-EDを7.53から3.49に下げる。
論文 参考訳（メタデータ） (2026-08-08T04:50:00Z) - OvisOCR2 Technical Report [23.66283449540541]
フィルタした実文書アノテーションと合成ページを組み合わせたデータエンジンを構築します。
OvisOCR2はOmniDocBench v1.6で96.58のスコアを得た。
OvisOCR2はPureDocBenchで75.06のAvg3スコアを獲得した。
論文 参考訳（メタデータ） (2026-07-15T09:32:33Z) - Unlimited OCR Works [22.59848620824452]
Unlimited OCRは、人間の解析作業メモリをエミュレートするモデルである。
デコーダ内のすべての注意層を、提案した参照スライディングウィンドウアテンションに置き換える。
無制限のOCRは、標準の最大長さ32Kの1つのフォワードパスで数十ページの文書を転写することができる。
論文 参考訳（メタデータ） (2026-06-22T09:01:29Z) - GLM-OCR Technical Report [65.42028025507491]
GLM-OCRは実世界の文書理解のために設計された効率的なコンパクトモデルである。
CogViTビジュアルエンコーダとGLM言語デコーダを組み合わせることで、計算効率と認識性能のバランスが強い。
公開ベンチマークと産業シナリオの大規模な評価は、GLM-OCRが競争力や最先端のパフォーマンスを達成することを示している。
論文 参考訳（メタデータ） (2026-03-11T15:55:47Z) - DeepSeek-OCR: Contexts Optical Compression [15.645614449208125]
我々は,DeepSeek-OCRを,光学的2次元マッピングによる長期コンテキストの圧縮の実現可能性に関する最初の調査として紹介する。
DeepSeek-OCRはDeepEncoderとDeepSeek3B-MoE-A570Mの2つのコンポーネントで構成されている。
実験により、テキストトークンの数がビジョントークンの10倍以内であれば、モデルがデコード(OCR)精度を97%達成できることが示された。
論文 参考訳（メタデータ） (2025-10-21T02:41:44Z) - MonkeyOCR: Document Parsing with a Structure-Recognition-Relation Triplet Paradigm [60.14048367611333]
MonkeyOCRはドキュメント解析のためのビジョン言語モデルである。
SRR(Structure-Recognition-Relation)三重項パラダイムを活用することで、最先端の技術の進歩を図っている。
論文 参考訳（メタデータ） (2025-06-05T16:34:57Z) - LOCR: Location-Guided Transformer for Optical Character Recognition [55.195165959662795]
自動回帰中にトランスフォーマーアーキテクチャに位置案内を組み込むモデルであるLOCRを提案する。
125Kの学術文書ページから777万以上のテキスト配置ペアからなるデータセット上でモデルをトレーニングする。
これは、編集距離、BLEU、METEOR、F測定によって測定されたarXivから構築されたテストセットの既存のメソッドよりも優れています。
論文 参考訳（メタデータ） (2024-03-04T15:34:12Z) - Estimating the Decoding Failure Rate of Binary Regular Codes Using Iterative Decoding [84.0257274213152]
並列ビットフリップデコーダのDFRを高精度に推定する手法を提案する。
本研究は,本症候群のモデル化およびシミュレーションによる重み比較,第1イテレーション終了時の誤りビット分布の誤検出,復号化復号化率(DFR)について検証した。
論文 参考訳（メタデータ） (2024-01-30T11:40:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。