Jina AI 开源 3.4B 文档解析模型：教材、试卷、扫描讲义，一键转成 Markdown

3.4B 参数，每次只激活 570M

jina-ocr-v1 是一个视觉文档解析模型，基于 DeepSeek-OCR 构建。它的关键在于采用了 MoE（混合专家）架构：模型总参数 3.4B，但每生成一个 token 只激活大约 570M。这种稀疏激活的设计，让推理时的实际计算量接近一个小模型，显存和算力开销都压了下来。对教育机构、区县教育云、甚至一台带单卡的工作站来说，这是能不能落地的分水岭。

需要注意的是，OCR 场景对「稳定输出」的要求远高于自由创作，因此 Jina 没有走多模态大模型硬啃的老路，而是把注意力放在了吞吐和格式保真上。

自带「草稿员」的投机解码

jina-ocr-v1 内置了一个 FastMTP 投机解码头（speculative decoding）。通俗讲，就是让一个轻量「草稿员」一次猜出 3 个 token，再由主模型批量验证，猜对的直接采纳，猜错的丢弃重来。

投机解码最容易被质疑的一点是「会不会损失精度」，Jina 明确表示输出是 无损的——加速不来自近似计算，而来自并行验证。这也是它敢在文档解析这种「错一个字就废一行」的场景里用它的原因。

成绩单长这样

单卡每秒 2.57 页是什么概念？一所学校一学期积累的试卷和讲义，按这个速度，一台机器一个下午就能过一遍。当然，真实速度还取决于文档复杂度，图表和密集表格会拖慢节奏。

教育场景里，它能干什么

最直接的价值是把「不可检索的存量资料」变成「可检索的知识库」。教材、教辅、历年真题长期以 PDF 形式存在，直接塞进 RAG 系统效果很差，因为阅读顺序、表格结构、图表说明全丢了。转成 Markdown 之后，标题层级、表格、公式都能被正确保留，检索命中率会明显不同。

再往前一步是作业与试卷的数字化。手写体识别不在它的核心宣传范围内，但扫描版试卷、印刷体题目、答题卡的批量结构化，本来就是最容易先跑通的环节。老师把一份 PDF 丢进去，拿到的是能直接编辑、能导入题库的 Markdown，而不是一段需要手工清洗的乱码。

第三个场景是多模态内容再生产。讲义里的图表一旦被正确解析出位置和说明文字，就可以被重新排版成课件、微课脚本或练习题，这是过去靠人工搬运很难规模化的活儿。

一个必须看清的限制

jina-ocr-v1 的权重放在 Hugging Face 上，采用 CC BY-NC 4.0 许可证，也就是只允许非商业用途。学校教学、科研实验、公益教育项目基本在许可范围内；但凡是商业产品——包括商业化教培 SaaS、对外收费的题库服务——都需要另行授权，或者走 Jina Reader 的托管接口。这一条在立项阶段就该确认清楚，别等到上线前才发现许可证不匹配。

至于模型本身的能力边界，它解决的是「把文档读对」，不是「把题目讲明白」。真正的教学价值，仍然取决于你在这层结构化数据之上搭了什么。

核心要点

• jina-ocr-v1 是 Jina AI 开源的视觉文档解析模型，基于 DeepSeek-OCR，能把 PDF、扫描件、表格、图表、发票转成 Markdown，总参数 3.4B、每 token 仅激活约 570M。
• 内置 FastMTP 投机解码，每步并行验证 3 个 token，在保证输出无损的前提下提速；OmniDocBench v1.6 得分 91.14，olmOCR-Bench 83.4，单张 A100 每秒解析 2.57 页。
• 权重以 CC BY-NC 4.0 发布，教学与科研可用，商业用途需授权；对教育行业而言，它最大的意义是把海量存量教材和试卷变成可检索、可复用的结构化数据。

当一份泛黄的扫描讲义能被准确还原成带表格和标题的 Markdown 时，被解锁的不只是文件格式，而是这些内容重新参与教学的可能性。

📌 创作来源：个人观点，仅供参考