<div class="key-takeaways"><ul><li>Jina AI เปิดตัว jina-ocr-v1 โมเดลแยกวิเคราะห์เอกสารขนาด 3.4B MoE สำหรับใช้งานวิจัยและไม่แสวงหาผลกำไร</li><li>ชูจุดเด่นความเร็วในการประมวลผลสูงถึง 2.57 หน้าต่อวินาทีบน A100 40GB ที่ความขนาน 32</li><li>ผสานเทคโนโลยี speculative decoding ผ่านหัว FastMTP ช่วยเพิ่มความเร็วไร้การสูญเสียความแม่นยำ</li><li>รองรับการใช้งานผ่าน vLLM, Transformers และบริการ API แบบ OpenAI-compatible</li></ul></div><p>วงการปัญญาประดิษฐ์และเครื่องมือจัดการเอกสารต้องตื่นตัวอีกครั้ง เมื่อ Jina AI ประกาศเปิดตัว <strong>jina-ocr-v1</strong> โมเดลแปลงเอกสารประเภท Mixture of Experts (MoE) ขนาด 3.4 พันล้านพารามิเตอร์ โดยถูกออกแบบมาเพื่อให้สามารถรันบนกราฟิกการ์ด (GPU) ระดับล่างหรือมีงบประมาณจำกัดได้อย่างมีประสิทธิภาพ โดยในปัจจุบันโมเดลดังกล่าวเปิดให้ดาวน์โหลดน้ำหนักโมเดล (open weights) ขนาดราว 6.8 GB ในรูปแบบ BF16 สำหรับงานวิจัยและการใช้งานที่ไม่ใช่เชิงพาณิชย์ภายใต้สัญญาอนุญาต CC BY-NC 4.0</p><p>โครงสร้างเบื้องหลังของโมเดลนี้เป็นการต่อยอดจากการฝึกอบรมเพิ่มเติม (post-training) บนพื้นฐานของ DeepSeek-OCR พร้อมคงองค์ประกอบด้านความเร็วดั้งเดิมไว้ โดยส่วน DeepEncoder มีพารามิเตอร์ราว 380 ล้านพารามิเตอร์ ทำหน้าที่ผสานการทำงานของ SAM, ตัวบีบอัดแบบคอนโวลูชัน 16x และ CLIP-L เพื่อแปลงหน้าเอกสารขนาด 1024x1024 พิกเซล จาก 4,096 แพตช์ ให้กลายเป็น 256 โทเค็นภาพ พร้อมโหมดความละเอียดแบบไดนามิกที่เพิ่มไทต์ท้องถิ่นได้สูงสุด 9 ไทต์ ไทต์ละ 100 โทเค็น ทำให้จำกัดหน้ากระดาษไว้สูงสุดที่ 1,156 โทเค็นภาพ</p><div class="stat-row"><div class="stat-item"><span class="stat-number">3.4B</span><span class="stat-label">พารามิเตอร์รวม MoE</span></div><div class="stat-item"><span class="stat-number">2.57</span><span class="stat-label">หน้า/วินาที บน A100</span></div><div class="stat-item"><span class="stat-number">1,085</span><span class="stat-label">โทเค็นผลลัพธ์ต่อหน้า</span></div></div><p>ในส่วนของตัวถอดรหัส (Decoder) เลือกใช้ DeepSeek-3B-MoE ซึ่งประกอบด้วย 12 เลเยอร์, 64 routed experts และ 2 shared experts โดยมีการทำงานแบบ Top-6 routing ที่เปิดใช้งานพารามิเตอร์ประมาณ 570 ล้านพารามิเตอร์ต่อหนึ่งโทเค็น รองรับขีดจำกัดตำแหน่งสูงสุด 32,768 โทเค็น ให้ผลลัพธ์ออกมาในรูปแบบ Markdown สำหรับข้อความทั่วไป ตารางในรูปแบบ HTML และสูตรทางคณิตศาสตร์ในรูปแบบ LaTeX</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/jina_ai_jina_ocr_v1_3_4b_moe_mu7kuvgx_inline_1_93fb3a34e8.jpg" alt="chromebook notebook computer office desk workspace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ความโดดเด่นสำคัญคือการประยุกต์ใช้ <em>Speculative Decoding</em> ผ่านหัวอ่าน FastMTP ที่มีบล็อกร่างแบบทึบ 1 บล็อกทำงานแบบเรียกซ้ำ (recursive) สำหรับขั้นตอน K=3 เพื่อเร่งความเร็วในการสร้างข้อความโดยไม่ทำให้ความแม่นยำตกหล่น ซึ่งค่าเฉลี่ยในการคอมมิตโทเค็นอยู่ที่ 2.73 โทเค็นต่อขั้นตอน เมื่อทดสอบบน NVIDIA L4 ที่ขนาดแบตช์ 1 พบว่าการถอดรหัสแบบกระตือรือร้น (eager decoding) ช่วยเพิ่มความเร็วจาก 42.7 เป็น 83.1 โทเค็นต่อวินาที หรือคิดเป็นอัตราเร็วกว่าเดิม 1.95 เท่า</p><blockquote class="pull-quote"><p>"Throughput is the main result. On 1 A100 40 GB at concurrency 32, jina-ocr-v1 parses 2.57 pages per second."</p><cite>Jina AI</cite></blockquote><div class="ai-insight"><p>การที่ Jina AI มุ่งเน้นไปที่ความเร็วในการประมวลผล (Throughput) แทนที่จะแข่งกับโมเดลที่เน้นความแม่นยำสูงสุด ถือเป็นแนวทางที่ชาญฉลาดสำหรับกลุ่มผู้ใช้งานระดับองค์กรหรือนักพัฒนาที่มีทรัพยากรฮาร์ดแวร์จำกัด การนำเทคนิค Speculative Decoding มาผสานในงาน OCR ช่วยลดคอขวดของการประมวลผลเอกสารจำนวนมากๆ ได้อย่างมีนัยสำคัญ ทำให้การแปลงไฟล์ PDF หรือเอกสารสแกนหนาๆ กลายเป็นข้อมูล Markdown พร้อมใช้งานทำได้รวดเร็วขึ้นบนต้นทุนที่ต่ำลง</p></div><p>สำหรับการใช้งานจริง นักพัฒนาสามารถเรียกใช้งานผ่านบริการ Jina Reader เพียงส่ง URL ไปที่ r.jina.ai พร้อมส่วนหัวคำสั่ง หรือเชื่อมต่อผ่าน OpenAI-compatible endpoint ที่ api.jina.ai/v1/chat/completions รวมถึงสามารถดาวน์โหลดโค้ดและน้ำหนักโมเดลไปติดตั้งบนเซิร์ฟเวอร์ของตนเองผ่านไลบรารี Transformers หรือ vLLM ได้ทันที</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/09/18/jina-ai-releases-jina-ocr-v1-a-3-4b-moe-document-parser-with-built-in-speculative-decoding-for-low-budget-gpus/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Jina AI introduces jina-ocr-v1, a 3.4B MoE document parser designed for research and non-commercial use</li><li>Delivers a top throughput of 2.57 pages per second on an A100 40GB at concurrency 32</li><li>Integrates speculative decoding via a FastMTP head to boost generation speed without accuracy loss</li><li>Supports deployment via vLLM, Transformers, and an OpenAI-compatible API endpoint</li></ul></div><p>The artificial intelligence and document processing landscape welcomes a powerful new tool as Jina AI officially releases <strong>jina-ocr-v1</strong>. This Mixture of Experts (MoE) document parser packs approximately 3.4 billion total parameters, specifically engineered to run efficiently on low-budget or consumer-grade GPUs. Open weights in BF16 format, totaling roughly 6.8 GB, are currently available for research and non-commercial applications under the CC BY-NC 4.0 license.</p><p>The architecture builds upon a post-trained DeepSeek-OCR backbone while retaining its core efficiency components. The DeepEncoder contains about 380 million parameters, chaining SAM, a 16x convolutional compressor, and CLIP-L. This setup converts a 1024x1024 page view from 4,096 patches into 256 visual tokens, supported by a dynamic-resolution mode that adds up to 9 local tiles at 100 tokens each, capping a page at 1,156 visual tokens.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">3.4B</span><span class="stat-label">Total MoE Parameters</span></div><div class="stat-item"><span class="stat-number">2.57</span><span class="stat-label">Pages/Sec on A100</span></div><div class="stat-item"><span class="stat-number">1,085</span><span class="stat-label">Output Tokens/Page</span></div></div><p>The decoder utilizes DeepSeek-3B-MoE, structured with 12 layers, 64 routed experts, and 2 shared experts. Utilizing Top-6 routing, it activates roughly 570 million parameters per token and supports a position limit of 32,768 tokens. The model outputs structured Markdown text, with tables rendered in HTML and formulas expressed in LaTeX.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/jina_ai_jina_ocr_v1_3_4b_moe_mu7kuvgx_inline_1_93fb3a34e8.jpg" alt="chromebook notebook computer office desk workspace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>A standout innovation in this release is the integration of <em>Speculative Decoding</em> through a FastMTP head, applying 1 dense draft block recursively for K=3 steps. This mechanism accelerates generation speed while ensuring the committed text remains identical to standard greedy decoding. When tested on an NVIDIA L4 at batch size 1, eager decoding speed jumps from 42.7 to 83.1 tokens per second, marking a 1.95x speedup.</p><blockquote class="pull-quote"><p>"Throughput is the main result. On 1 A100 40 GB at concurrency 32, jina-ocr-v1 parses 2.57 pages per second."</p><cite>Jina AI</cite></blockquote><div class="ai-insight"><p>Jina AI's strategic focus on parsing throughput rather than leading raw accuracy benchmarks addresses a critical bottleneck for developers handling massive document pipelines. By incorporating speculative decoding into an OCR pipeline, the model achieves high-speed text extraction, making large-scale PDF ingestion and document parsing highly practical even on constrained hardware environments.</p></div><p>For immediate integration, users can leverage Jina Reader by sending URLs to r.jina.ai with custom headers, or connect directly via the OpenAI-compatible endpoint at api.jina.ai/v1/chat/completions. Self-hosting options are also fully supported through Transformers and vLLM repositories.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/09/18/jina-ai-releases-jina-ocr-v1-a-3-4b-moe-document-parser-with-built-in-speculative-decoding-for-low-budget-gpus/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

large_jina-ai-เปิดตัว-jina-ocr-v1-โมเดลแปลงเอกสาร-3-4b-moe-mu7kuvgx.jpg

medium_jina-ai-เปิดตัว-jina-ocr-v1-โมเดลแปลงเอกสาร-3-4b-moe-mu7kuvgx.jpg

small_jina-ai-เปิดตัว-jina-ocr-v1-โมเดลแปลงเอกสาร-3-4b-moe-mu7kuvgx.jpg

thumbnail_jina-ai-เปิดตัว-jina-ocr-v1-โมเดลแปลงเอกสาร-3-4b-moe-mu7kuvgx.jpg

jina-ai-เปิดตัว-jina-ocr-v1-โมเดลแปลงเอกสาร-3-4b-moe-mu7kuvgx.jpg

Jina AI ปล่อย jina-ocr-v1 โมเดล MoE ขนาด 3.4 พันล้านพารามิเตอร์ พร้อมระบบ speculative decoding สำหรับ GPU งบประหยัด ให้ความเร็วสูง 2.57 หน้าต่อวินาที

Jina AI launches jina-ocr-v1, a 3.4-billion parameter MoE document parser featuring built-in speculative decoding for low-budget GPUs, achieving 2.57 pages per second.

Jina AI เปิดตัว jina-ocr-v1 โมเดลแปลงเอกสาร 3.4B MoE

Jina AI Releases jina-ocr-v1: A 3.4B MoE Document Parser

<div class="key-takeaways"><ul><li>Reducto เปิดตัว r-1 โมเดลแยกวิเคราะห์เอกสารแบบ Single-Pass ประมวลผลหน้ากระดาษจบในครั้งเดียว</li><li>ลดอัตราความผิดพลาดลง 20% เมื่อเทียบกับระบบเดิมของบริษัทและเอาต์เปอร์ฟอร์มคู่แข่งรายใหญ่</li><li>ตั้งราคาค่าบริการไว้ที่ 1 เซนต์ต่อหน้า พร้อมรองรับการใช้งานผ่าน Parse API บน V3 แล้ว</li><li>มีแผนพัฒนา r-1 mini และระบบคัดSเลือกโมเดลอัตโนมัติรายหน้าในอนาคต</li></ul></div><p>วงการประมวลผลเอกสารดิจิทัลต้องจับตาอีกครั้งหลัง Reducto ประกาศเปิดตัว r-1 โมเดลปัญญาประดิษฐ์รุ่นใหม่ล่าสุดที่ออกแบบมาสำหรับงานพาร์สเอกสารโดยเฉพาะ จุดเด่นสำคัญคือการเปลี่ยนผ่านจากการทำงานหลายขั้นตอนแบบดั้งเดิมมาเป็นการประมวลผลรวดเดียวจบในพาสเดียว</p><p>สำหรับระบบเดิมของบริษัทนั้นจะแบ่งกระบวนการออกเป็นหลายขั้นตอน ทั้งการแปลงภาพเป็นข้อความ การตรวจจับโครงสร้างหน้ากระดาษ และการประมวลผลเพิ่มเติม ซึ่งแต่ละขั้นตอนเพิ่มความหน่วงในการทำงาน แต่สำหรับ r-1 จะรวบรวมทั้งข้อความ ตาราง รูปภาพ โครงสร้าง การจัดลำดับการอ่าน รูปแบบ และการเชื่อมโยงเข้าไว้ด้วยกันในพาสเดียวเต็มหน้ากระดาษ พร้อมคืนค่าพิกัดกรอบสี่เหลี่ยมรอบเนื้อหาแต่ละบล็อกเพื่อระบุตำแหน่งที่ชัดเจน</p><p class="ai-insight"><p>การรวมกระบวนการประมวลผลเอกสารให้เหลือเพียงพาสเดียว (Single-Pass) ถือเป็นก้าวกระโดดทางเทศโนโลยีที่ช่วยลดความซับซ้อนในการจัดการระบบท่อส่งข้อมูล (Orchestration Cost) ซึ่งมักเป็นภาระต้นทุนและเวลาสำหรับทีมพัฒนาที่ต้องคอยเชื่อมบริการหลายค่ายเข้าด้วยกัน การที่โมเดลสามารถดึงข้อมูลตารางและโครงสร้างที่ซับซ้อนพร้อมระบุพิกัดหน้ากระดาษได้ทันที ช่วยลดข้อผิดพลาดในเอกสารสำคัญทางกฎหมายหรือการเงินได้อย่างมีนัยสำคัญ</p></p><p>ทีมนักพัฒนาที่ต้องจัดการกับเอกสารความหนาแน่นสูง เช่น งบการเงิน เอกสารเรียกร้องค่าสินไหมทดแทน หรือสัญญาทางกฎหมาย มักต้องส่งไฟล์กระจายไปยังผู้ให้บริการหลายรายเพื่อความแม่นยำ แต่มโมเดล r-1 เข้ามาแก้ปัญหานี้โดยมุ่งเป้าไปที่การลดต้นทุนการจัดการดังกล่าว นอกเหนือจากความแม่นยำของตัวอักษรดิบ</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/reducto_r_1_error_20_1_mts7odyk_inline_1_0465ca2f74.jpg" alt="chromebook notebook computer office desk workspace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div></p><div class="stat-row"><div class="stat-item"><span class="stat-number">20%</span><span class="stat-label">ลดอัตราความผิดพลาด</span></div><div class="stat-item"><span class="stat-number">1 เซนต์</span><span class="stat-label">ราคาต่อหน้า</span></div></div><p>ทาง Reducto รายงานว่า r-1 สามารถลดอัตราความผิดพลาดลงได้ 20% เมื่อเทียบกับระบบ agentic pipeline แบบเดิมของบริษัทเอง นอกจากนี้จากการประเมินภายในยังระบุว่า r-1 มีประสิทธิภาพเหนือกว่าผลิตภัณฑ์จากผู้ให้บริการคลาวด์รายใหญ่และโมเดลภาษาขนาดใหญ่ทั่วไปเมื่อต้องจัดการกับเอกสารที่มีความซับซ้อนสูง โดยมีชื่อของ Amazon Textract และ Azure Document Intelligence เป็นคู่เทียบมาตรฐานในกลุ่มเดียวกัน</p><blockquote class="pull-quote"><p>"Legacy Parse runs OCR, layout detection, and post processing as separate stages, with optional agentic vision language passes layered on top."</p><cite>Reducto Documentation</cite></blockquote><p>ในด้านราคา โมเดล agentic รุ่นก่อนหน้ามีค่าใช้จ่ายอยู่ระหว่าง 3 ถึง 6 เซนต์ต่อหน้าขึ้นอยู่กับภาระงาน แต่สำหรับ r-1 กำหนดราคาไว้ที่ 1 เซนต์ต่อหน้าแบบเบ็ดเสร็จ โดยไม่มีค่าตัวคูณฟีเจอร์หรือค่าเครดิตเพิ่มเติมเพื่อให้ได้มาซึ่งความแม่นยำสูง ซึ่งถือเป็นส่วนหนึ่งของกลยุทธ์การปรับอัตราค่าบริการให้เป็นเรตแบนราบ</p><p>โมเดล r-1 เปิดให้ใช้งานแล้วในรูปแบบพรีวิวผ่าน Parse API บน V3 โดยต้องเปิดใช้งานด้วย configuration flag เฉพาะ และไม่มีการเปิดเผยพารามิเตอร์น้ำหนัก (Open Weights) รวมถึงไม่มีไฟล์ local checkpoint สำหรับโฮสต์เอง ทั้งนี้ Reducto ยังมีแผนพัฒนา r-1 mini สำหรับงานที่เน้นความเร็วและต้นทุนต่ำ รวมถึงระบบคัดเลือกโมเดลอัตโนมัติรายหน้าในอนาคต</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/09/07/reducto-releases-r-1-a-single-pass-document-parsing-model-that-cuts-errors-20-at-1-cent-per-page/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Reducto launches r-1, a single-pass document parsing model processing full pages at once.</li><li>Cuts error rates by 20% compared to legacy pipelines and outperforms major hyperscalers.</li><li>Priced at an all-in rate of 1 cent per page, available via Parse API on V3.</li><li>Future roadmap includes r-1 mini and automatic per-page model routing.</li></ul></div><p>The digital document processing landscape shifts as Reducto officially introduces r-1, an advanced parsing model designed to streamline how complex files are handled. The core innovation replaces multi-stage legacy pipelines with a unified, single-pass processing architecture.</p><p>Legacy parsing workflows typically run OCR, layout detection, and post-processing as separate stages, adding latency with every additional model call. In contrast, r-1 integrates text, tables, figures, layout, reading order, formatting, and grounding into a single full-page pass, returning bounding boxes that tie every block back to its exact page position.</p><p class="ai-insight"><p>Consolidating document parsing into a single pass addresses a major orchestration burden for development teams. Instead of stitching together multiple third-party providers and adding costly post-processing layers, r-1 handles complex tables and irregular layouts natively while preserving spatial accuracy, making it vital for regulated sectors like finance and legal.</p></p><p>Engineering teams working with dense financial statements, insurance claims, or contracts often rely on multiple disparate services to achieve usable accuracy. r-1 specifically targets this orchestration cost rather than focusing solely on raw character accuracy metrics.</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/reducto_r_1_error_20_1_mts7odyk_inline_1_0465ca2f74.jpg" alt="chromebook notebook computer office desk workspace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div></p><div class="stat-row"><div class="stat-item"><span class="stat-number">20%</span><span class="stat-label">Error Reduction</span></div><div class="stat-item"><span class="stat-number">1¢</span><span class="stat-label">Price Per Page</span></div></div><p>Reducto reports a 20% reduction in error rates for the early r-1 preview against its own legacy agentic pipelines. Internal evaluations also indicate that r-1 outperformed commonly used hyperscaler products and large language models on complex documents, benchmarking against incumbent baselines like Amazon Textract and Azure Document Intelligence.</p><blockquote class="pull-quote"><p>"Legacy Parse runs OCR, layout detection, and post processing as separate stages, with optional agentic vision language passes layered on top."</p><cite>Reducto Documentation</cite></blockquote><p>On pricing, legacy agentic models previously ranged between 3 and 6 cents per page depending on workload complexity. r-1 is priced at 1 cent per page all-in, removing feature multipliers or credit costs previously required to achieve high accuracy tiers.</p><p>The r-1 model is currently deployable in preview through Reducto's hosted Parse API on V3 via a configuration flag, with no open weights or local checkpoints available for self-hosting. Furthermore, Reducto has signaled upcoming releases including r-1 mini and automatic per-page model routing.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/09/07/reducto-releases-r-1-a-single-pass-document-parsing-model-that-cuts-errors-20-at-1-cent-per-page/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_reducto-เปิดตัว-r-1-โมเดลพาสเดียวลด-error-20-ราคา-1-เซนต์-mts7odyk.jpg

small_reducto-เปิดตัว-r-1-โมเดลพาสเดียวลด-error-20-ราคา-1-เซนต์-mts7odyk.jpg

thumbnail_reducto-เปิดตัว-r-1-โมเดลพาสเดียวลด-error-20-ราคา-1-เซนต์-mts7odyk.jpg

reducto-เปิดตัว-r-1-โมเดลพาสเดียวลด-error-20-ราคา-1-เซนต์-mts7odyk.jpg

Reducto เปิดตัว r-1 โมเดลแยกวิเคราะห์เอกสารแบบพาสเดียว ลดอัตราความผิดพลาดลง 20% ในราคาประหยัดเพียง 1 เซนต์ต่อหน้า เปิดให้ทดลองใช้งานแล้ว

Reducto introduces r-1, a single-pass document parsing model that cuts error rates by 20% at just 1 cent per page, now available in preview.

Reducto เปิดตัว r-1 โมเดลพาสเดียวลด error 20% ราคา 1 เซนต์

Reducto Releases r-1 Document Parsing Model Cutting Errors 20%

<div class="key-takeaways"><ul><li>Parse 5 เป็นโมเดลวิชันภาษาขนาด 2.3 พันล้านพารามิเตอร์จาก Cohere</li><li>แปลงเอกสาร PDF, PPT และ JPEG เป็น Markdown ได้โดยตรงในรอบเดียว</li><li>ทำคะแนนเฉลี่ยบน ParseBench ได้ 79.2 แซงหน้าคู่แข่งหลายราย</li><li>เปิดให้บริการแล้วผ่าน Cohere Parse API, Microsoft Foundry และ AWS SageMaker</li></ul></div><p>Cohere เปิดตัว <strong>Parse 5 (parse-v5.0)</strong> โมเดลวิชันภาษา (Vision Language Model) ขนาด 2.3 พันล้านพารามิเตอร์ ซึ่งพัฒนาขึ้นบนสถาปัตยกรรม North-Micro-Vision-Instruct ของ Cohere Labs โมเดลตัวนี้ถูกออกแบบมาเพื่อแปลงเอกสารขององค์กรให้กลายเป็นรูปแบบ Markdown โดยรองรับหน้าเอกสารในรูปแบบ PDF, PPT และ JPEG ที่เข้ารหัสเป็น base64-encoded data URIs พร้อมหน้าต่างบริบท (context window) ขนาด 8,192 โทเค็น และขนาดโมเดลประมาณ 4.6 กิกะไบต์</p><p>จุดเด่นสำคัญคือระบบไม่มีขั้นตอนการทำ OCR แยกต่างหากก่อนประมวลผล แต่โมเดลสามารถดึงข้อมูลข้อความ ลำดับการอ่าน ตาราง รายการ ฟอร์ม คู่คีย์-วาล์ว รูปภาพพร้อมคำอธิบาย รวมถึงตำแหน่งขอบเขตหน้าและองค์ประกอบภาพทั้งหมดได้ภายในรอบเดียว (one pass) ทั้งยังรองรับภาษาที่มีความเสถียรทั้งหมด 9 ภาษา ได้แก่ อาหรับ อังกฤษ ฝรั่งเศส เยอรมัน อิตาลี ญี่ปุ่น เกาหลี โปรตุเกส และสเปน พร้อมรองรับแบบ zero-shot สำหรับภาษาอื่น ๆ ด้วยความแม่นยำที่ลดหลั่นลงไป</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/cohere_parse_5_2_3_mtc539y7_inline_1_a7de7b2c6d.jpg" alt="chromebook notebook computer office desk workspace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ในภาคปฏิบัติ โมเดลมีโหมดการส่งออกข้อมูล 2 รูปแบบหลัก คือโหมดค่าเริ่มต้นที่จะคืนค่าเป็นสตริง Markdown ต่อหน้า และโหมด <code>output_format="blocks"</code> ที่จะคืนค่าเป็นบล็อกประเภทต่าง ๆ เช่น บล็อกตารางที่จะพกพาโค้ด HTML ขอบเขตพิกัด และคำอธิบายมาด้วย ซึ่งโหมดที่สองนี้เองที่ช่วยให้สามารถตรวจสอบย้อนกลับไปถึงระดับการอ้างอิงได้ (citation-level traceability)</p><div class="stat-row"><div class="stat-item"><span class="stat-number">79.2</span><span class="stat-label">คะแนน ParseBench ของ Parse 5</span></div><div class="stat-item"><span class="stat-number">2.3B</span><span class="stat-label">พารามิเตอร์ของโมเดล</span></div><div class="stat-item"><span class="stat-number">1.50$</span><span class="stat-label">ราคาต่อ 1,000 หน้าบน API</span></div></div><p>ในด้านผลงานการทดสอบ Cohere รายงานว่า Parse ทำคะแนนบน ParseBench ได้ 79.2 ซึ่งคำนวณเฉลี่ยจากด้านตาราง ความถูกต้องของเนื้อหา และการจัดรูปแบบเชิงความเซแมนติก โดยทำคะแนนนำหน้า Mistral OCR 4 ที่ได้ 74.5, Azure Document Intelligence ที่ 74.3 และ Databricks AI Parse ที่ 72.4 ทั้งนี้ ParseBench เป็นชุดทดสอบของ LlamaIndex ที่ประกอบด้วยหน้าเอกสารองค์กรที่ตรวจสอบโดยมนุษย์ประมาณ 2,078 หน้า โดย Cohere เลือกนำมาคำนวณเฉลี่ยเพียง 3 ด้าน และตัดด้านแผนภูมิกับกราฟฟิกออกไปเนื่องจากเป็นจุดที่เครื่องมือส่วนใหญ่ทำคะแนนได้น้อย</p><div class="ai-insight"><p>การที่โมเดลวิชันภาษาสามารถข้ามขั้นตอนการทำ OCR แบบเดิมแล้วอ่านโครงสร้างตารางพร้อมรูปภาพได้ในขั้นตอนเดียว ถือเป็นก้าวสำคัญในการลดความผิดพลาดของการแปลงไฟล์เอกสารองค์กรที่ซับซ้อน เช่น รายงานการเงินหรือสไลด์นำเสนอ อย่างไรก็ตาม ผู้ใช้งานควรพิจารณาขอบเขตการทดสอบเบนช์มาร์กที่ผู้ให้บริการเลือกนำมาแสดงผลเปรียบเทียบกับความเป็นจริงในการใช้งานเอกสารภายในของตนเองด้วย</p></div><p>สำหรับด้านราคาและการใช้งาน Parse เปิดให้บริการทั่วไปแล้วผ่าน Cohere Parse API, Microsoft Foundry, AWS SageMaker และ Model Vault แบบ single-tenant โดยไม่มีคิวรอและไม่ต้องใช้ใบอนุญาตวิจัย ราคาผ่าน API คิดอยู่ที่ 1.50 ดอลลาร์สหรัฐต่อ 1,000 หน้า ส่วนบน Model Vault สำหรับอินสแตนซ์ขนาด Medium มีราคา 4.00 ดอลลาร์ต่อชั่วโมง หรือ 2,500 ดอลลาร์ต่อเดือน และอินสแตนซ์ขนาด XL มีราคา 7.00 ดอลลาร์ต่อชั่วโมง หรือ 4,300 ดอลลาร์ต่อเดือน ซึ่งช่วยให้องค์กรสามารถเลือกความคุ้มค่าระหว่างการเรียกใช้แบบคิดตามปริมาณกับการเช่าใช้โครงสร้างพื้นฐานเฉพาะได้ตามปริมาณงานจริง</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/27/cohere-releases-parse-5-parse-v5-0-a-2-3b-vision-language-model-that-turns-enterprise-documents-into-markdown/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Parse 5 is a 2.3-billion parameter vision language model developed by Cohere.</li><li>It converts PDF, PPT, and JPEG documents directly into Markdown in one pass.</li><li>Achieved a ParseBench score of 79.2, outperforming several industry peers.</li><li>Generally available via Cohere Parse API, Microsoft Foundry, and AWS SageMaker.</li></ul></div><p>Cohere has introduced <strong>Parse 5 (parse-v5.0)</strong>, a 2.3-billion-parameter vision language model built on Cohere Labs&rsquo; North-Micro-Vision-Instruct architecture. The model is engineered to transform enterprise documents into clean Markdown formats, accepting PDF, PPT, and JPEG pages provided as base64-encoded data URIs. It features an 8,192-token context window and a footprint of approximately 4.6 gigabytes.</p><p>A key architectural advantage is the absence of a separate preliminary OCR stage. Instead, the model recovers textual content, reading orders, tables, lists, forms, key-value pairs, images with captions, page boundaries, and visual element locations in a single pass. It natively supports nine stable languages—Arabic, English, French, German, Italian, Japanese, Korean, Portuguese, and Spanish—while offering zero-shot capabilities for other languages at a reduced accuracy.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/cohere_parse_5_2_3_mtc539y7_inline_1_a7de7b2c6d.jpg" alt="chromebook notebook computer office desk workspace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>In operational environments, the model supports two distinct output modes. The default mode returns a single Markdown string per page, whereas setting <code>output_format="blocks"</code> returns structured typed blocks, such as table blocks containing associated HTML code, bounding box coordinates, and descriptions. This secondary mode enables precise citation-level traceability.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">79.2</span><span class="stat-label">Parse 5 ParseBench Score</span></div><div class="stat-item"><span class="stat-number">2.3B</span><span class="stat-label">Model Parameters</span></div><div class="stat-item"><span class="stat-number">$1.50</span><span class="stat-label">Price per 1,000 API Pages</span></div></div><p>Regarding benchmark performance, Cohere reported a ParseBench score of 79.2 for Parse, averaged across table extraction, content faithfulness, and semantic formatting dimensions. This outperforms Mistral OCR 4 at 74.5, Azure Document Intelligence at 74.3, and Databricks AI Parse at 72.4. ParseBench itself is a LlamaIndex benchmark comprising roughly 2,078 human-verified enterprise pages evaluated across five criteria. Cohere&rsquo;s reported figure averages three of those dimensions while excluding charts and visual grounding—areas where traditional document parsers typically struggle.</p><div class="ai-insight"><p>Eliminating the traditional decoupled OCR pipeline in favor of end-to-end multi-modal document understanding represents a significant architectural shift in handling enterprise document workflows. However, practitioners should carefully analyze benchmark metric subsets against their specific document layouts and types to determine real-world utility.</p></div><p>Parse is currently available for production use through the Cohere Parse API, Microsoft Foundry, AWS SageMaker, and single-tenant Model Vault deployments, requiring no waitlist or specialized research license. API usage is priced at $1.50 per 1,000 pages. On Model Vault, a Medium instance is priced at $4.00 per hour or $2,500 per month, while an XL instance costs $7.00 per hour or $4,300 per month, allowing enterprises to optimize costs based on their monthly processing volume and data residency requirements.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/27/cohere-releases-parse-5-parse-v5-0-a-2-3b-vision-language-model-that-turns-enterprise-documents-into-markdown/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_qafix_4439_1789758626929.jpg

small_qafix_4439_1789758626929.jpg

thumbnail_qafix_4439_1789758626929.jpg

qafix_4439_1789758626929.jpg

Cohere ปล่อย Parse 5 (parse-v5.0) โมเดลวิชันภาษาขนาด 2.3 พันล้านพารามิเตอร์ แปลงเอกสารองค์กรเป็น Markdown ในรอบเดียว ทำคะแนน ParseBench 79.2

Cohere has launched Parse 5 (parse-v5.0), a 2.3B-parameter vision language model that converts enterprise documents into Markdown in a single pass.

Cohere เปิดตัว Parse 5 โมเดลวิชันภาษา 2.3 พันล้านพารามิเตอร์

Cohere Releases Parse 5 2.3B Vision Language Model

<div class="key-takeaways"><ul><li>ติดตั้งและตั้งค่าไลบรารี deepDoctection ร่วมกับ Transformers</li><li>ประกอบ Custom Pipeline เพื่อวิเคราะห์เค้าโครงเอกสารและตาราง</li><li>สกัดข้อมูลสำคัญ เช่น วันที่และตัวเลขทางการเงินจากเอกสาร</li><li>เตรียมข้อมูลให้อยู่ในรูปแบบ RAG-ready สำหรับงาน AI</li></ul></div><p>การจัดการเอกสารดิจิทัลในยุคปัจจุบันมีความซับซ้อนมากขึ้นเรื่อยๆ โดยเฉพาะเมื่อต้องดึงข้อมูลโครงสร้างเชิงลึกจากไฟล์ PDF หรือภาพสแกน บทความนี้จะพาทุกท่านไปสำรวจขั้นตอนการสร้าง End-to-End Document Intelligence Pipeline โดยใช้ไลบรารี deepDoctection ซึ่งช่วยให้นักพัฒนาสามารถควบคุมกระบวนการวิเคราะห์เอกสารได้อย่างแม่นยำตั้งแต่ต้นจนจบ</p><p>เริ่มต้นด้วยการติดตั้งแพ็กเกจที่จำเป็น เช่น deepDoctection, transformers, timm, และ pdfplumber พร้อมกับการกำหนดค่าสภาพแวดล้อมรันไทม์ และการประยุกต์ใช้แพทช์ความเข้ากันได้ระหว่าง Transformers และ PEFT เพื่อให้ระบบสามารถรันได้อย่างราบรื่น จากนั้นทำการดาวน์โหลดตัวอย่างไฟล์ PDF และภาพเพื่อใช้ในการทดลองตลอดบทเรียน</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/document_intelligence_deepdoctection_mt5pjhe2_inline_1_76db3b0c3d.jpg" alt="python code script laptop screen programming" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div></p><p>ในส่วนถัดมา นักพัฒนาสามารถประกอบ pipeline ขึ้นมาเองแบบแมนนวลผ่าน ServiceFactory ซึ่งประกอบด้วยองค์ประกอบต่างๆ เช่น layout_detector, layout_service, sub_image_service สำหรับจัดการตาราง, และ word_detector จาก DocTR สำหรับการดึงข้อความ OCR รวมถึงการใช้ EntityAndFlavourService เพื่อจำแนกประเภทเอกสาร</p><div class="ai-insight"><p>การสร้าง Document Intelligence Pipeline แบบกำหนดเอง (Custom Pipeline) มีข้อดีอย่างมากในการทำ Document AI ระดับองค์กร เนื่องจากนักพัฒนาสามารถปรับแต่งหรือเลือกใช้เฉพาะเซอร์วิสที่จำเป็นต่อประเภทเอกสารนั้นๆ ได้ เช่น การเน้นเฉพาะการแยกตารางหรือการกรองคำด้วย inbound filter ซึ่งช่วยเพิ่มประสิทธิภาพและความเร็วในการประมวลผลข้อมูลปริมาณมาก</p></div><p>ระบบยังมีความสามารถในการตรวจสอบและดึงข้อมูลเฉพาะเจาะจงออกจากหน้าเอกสาร เช่น การดูรูปแบบเอกสาร (doc_flavour) การดึงรายการเงิน (money_mentions) และการดึงวันที่ (date_mentions) รวมถึงการแสดงผลโครงสร้างตาราง พร้อมทั้งเรียนรู้การใช้งานฟังก์ชันตัวกรองขาเข้า (inbound filter) และการย้อนกลับการใส่คำอธิบาย (undo operations)</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/document_intelligence_deepdoctection_mt5pjhe2_inline_2_66473f22a4.jpg" alt="data analytics dashboard charts graphs screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div></p><p>บทสรุปจากการทดลองนี้ทำให้เราเข้าใจการทำงานร่วมกันของโมเดลวิเคราะห์เอกสารหลายๆ ตัวผ่าน deepDoctection ซึ่งไม่เพียงแต่ช่วยให้เราดึงข้อมูลโครงสร้าง ตาราง และเมตาดาต้าออกมาได้เท่านั้น แต่ยังต่อยอดไปสู่การสร้าง RAG-ready chunks เพื่อนำไปประยุกต์ใช้กับระบบค้นหาเอกสาร การสกัดความรู้ และแอปพลิเคชัน Retrieval-Augmented Generation ได้อย่างมีประสิทธิภาพ</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/23/building-an-end-to-end-document-intelligence-pipeline-with-deepdoctection/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Install and configure deepDoctection alongside Transformers.</li><li>Assemble a custom pipeline for layout and table analysis.</li><li>Extract critical metadata like dates and monetary values.</li><li>Prepare processed documents into RAG-ready chunks.</li></ul></div><p>Managing digital documents has grown increasingly complex, especially when extracting deep structural insights from PDFs or scanned images. This article explores how to build an end-to-end document intelligence pipeline using the deepDoctection library, granting developers precise control over document processing workflows.</p><p>The process begins by installing essential packages such as deepDoctection, transformers, timm, and pdfplumber, configuring the runtime environment, and applying compatibility patches between Transformers and PEFT. Sample PDF and image files are then downloaded to serve as practical test cases throughout the tutorial.</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/document_intelligence_deepdoctection_mt5pjhe2_inline_1_76db3b0c3d.jpg" alt="python code script laptop screen programming" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div></p><p>Next, developers can manually assemble a custom pipeline using ServiceFactory. This involves combining layout detectors, layout services, sub-image services for table processing, DocTR word detectors for OCR, and custom entity services to classify document types and extract text order accurately.</p><div class="ai-insight"><p>Building a custom document intelligence pipeline is highly beneficial for enterprise Document AI applications. It allows developers to fine-tune individual components, apply inbound filters for specific elements like tables, and control annotation undo operations, optimizing overall workflow efficiency for large-scale document processing.</p><p>The pipeline demonstrates advanced capabilities such as inspecting document flavors, extracting financial mentions, tracking dates, and visualizing complex table structures. Additionally, developers learn how service filtering impacts page annotations.</p></div><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/document_intelligence_deepdoctection_mt5pjhe2_inline_2_66473f22a4.jpg" alt="data analytics dashboard charts graphs screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div></p><p>In conclusion, this tutorial provides a practical understanding of orchestrating multiple document analysis models through deepDoctection. Beyond running predefined analyzers, developers gain fine-grained control to extract structured data, generate custom summary metadata, and produce RAG-ready chunks as a robust foundation for retrieval-augmented generation and search applications.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/23/building-an-end-to-end-document-intelligence-pipeline-with-deepdoctection/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_สร้างระบบ-document-intelligence-ด้วย-deepdoctection-mt5pjhe2.png

small_สร้างระบบ-document-intelligence-ด้วย-deepdoctection-mt5pjhe2.png

thumbnail_สร้างระบบ-document-intelligence-ด้วย-deepdoctection-mt5pjhe2.png

สร้างระบบ-document-intelligence-ด้วย-deepdoctection-mt5pjhe2.png

เจาะลึกวิธีการสร้าง End-to-End Document Intelligence Pipeline ด้วย deepDoctection พร้อมการจัดการ OCR และตารางข้อมูล

Learn how to build an end-to-end document intelligence pipeline using deepDoctection for layout analysis, OCR, and table extraction.

สร้างระบบ Document Intelligence ด้วย deepDoctection

Building Document Intelligence with deepDoctection

<div class="key-takeaways"><ul><li>ผสานการทำงาน OCR เรขาคณิตเอกสาร และเลย์เอาต์ไว้ในเวิร์กโฟลว์เดียว</li><li>รองรับการจัดการเอกสารเอียง การสกัดฟิลด์ข้อมูล และการสร้างตาราง</li><li>เพิ่มประสิทธิภาพการทำนายด้วยการทำ second-pass และปรับแต่งพารามิเตอร์</li></ul></div><p>การพัฒนาศักยภาพด้านการประมวลผลเอกสารอัจฉริยะในปัจจุบัน ได้ก้าวข้ามขีดจำกัดของการจดจำตัวหนังสือแบบเดิมๆ ไปสู่ระบบที่ทำงานร่วมกันได้อย่างครบวงจร โดยการใช้เครื่องมืออย่าง docTR ช่วยให้นักพัฒนาสามารถผสมผสานระบบ OCR เข้ากับโครงสร้างเรขาคณิตของเอกสาร การทำความเข้าใจเลย์เอาต์ การประมวลผลเชิงโครงสร้าง และการปรับแต่งเพื่อการใช้งานจริงในระดับโปรดักชันไว้ภายในขั้นตอนเดียวกันได้อย่างราบรื่น</p><p>กระบวนการทำงานเริ่มต้นจากการเปรียบเทียบสถาปัตยกรรมโมเดลต่างๆ การตรวจสอบค่าความเชื่อมั่นทั้งในส่วนของการตรวจจับและการจดจำตัวอักษร รวมถึงการแก้ไขข้อผิดพลาดในจุดที่ยากลำบากผ่านกระบวนการจดจำรอบที่สองแบบคัดเลือกเฉพาะจุด นอกจากนี้ยังมีการปรับแต่งค่าเกณฑ์การประมวลผลภายหลังและการแก้ไขผลการตรวจจับขั้นกลางด้วย custom hooks เพื่อให้ได้ผลลัพธ์ที่มีความแม่นยำสูงที่สุด</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/end_to_end_document_intelligence_pipeline_doctr_msxuteba_inline_1_1ff6e7bff3.jpg" alt="digital document analysis screen workflow" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ในด้านความสามารถเชิงลึก ระบบยังสามารถจัดการกับเอกสารที่มีการหมุนเอียง สำรวจความสามารถด้านเลย์เอาต์และการสกัดข้อมูลคีย์-แวลู แปลงข้อมูลดิบจาก OCR ให้กลายเป็นข้อความที่มีลำดับขั้นตอนที่ถูกต้อง พร้อมทั้งสามารถดึงข้อมูลฟิลด์ต่างๆ และสร้างตารางขึ้นมาใหม่ได้อย่างแม่นยำ</p><div class="ai-insight"><p>เทคโนโลยี Document Intelligence และ OCR สมัยใหม่มีความสำคัญอย่างยิ่งในยุคดิจิทัล เนื่องจากองค์กรส่วนใหญ่ยังคงมีเอกสารกระดาษหรือไฟล์ PDF รูปภาพที่ไมโครซอฟต์เวิร์ดหรือระบบค้นหาทั่วไปไม่สามารถอ่านได้ การเปลี่ยนเอกสารเหล่านี้ให้กลายเป็นข้อมูลที่มีโครงสร้างชัดเจนและค้นหาได้ ช่วยลดเวลาในการคัดกรองข้อมูลของมนุษย์ลงได้อย่างมหาศาล และเป็นหัวใจสำคัญในการป้อนข้อมูลเข้าสู่ระบบ AI ยุคใหม่</p></div><p>นอกจากการวิเคราะห์ข้อมูลแล้ว ระบบดังกล่าวยังสามารถสร้างรูปแบบผลลัพธ์ที่นำกลับมาใช้งานซ้ำได้หลากหลายรูปแบบ หนึ่งในฟีเจอร์ที่โดดเด่นคือการสร้างไฟล์ PDF ที่สามารถค้นหาข้อความได้โดยมีชั้นข้อมูลตัวอักษรที่มองไม่เห็นฝังอยู่ภายใน ทำให้ผู้ใช้งานสามารถคัดลอกข้อความและค้นหาคำที่ต้องการได้อย่างสะดวกสบายเหมือนกับไฟล์ดิจิทัลทั่วไป</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/17/end-to-end-document-intelligence-pipeline-with-doctr-for-ocr/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Combines OCR, document geometry, and layout awareness into a single workflow.</li><li>Handles rotated documents, field extraction, and table reconstruction.</li><li>Optimizes difficult predictions with second-pass recognition and custom hooks.</li></ul></div><p>Developing a comprehensive understanding of document intelligence requires looking beyond simple text recognition. Modern workflows leverage tools like docTR to combine OCR, document geometry, layout awareness, structured post-processing, and production-oriented optimization into a single cohesive pipeline.</p><p>The development process involves comparing model architectures, inspecting detection and recognition confidence, and improving difficult predictions through selective second-pass recognition. Developers can also fine-tune post-processing thresholds and modify intermediate detections using custom hooks to achieve high accuracy.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/end_to_end_document_intelligence_pipeline_doctr_msxuteba_inline_1_1ff6e7bff3.jpg" alt="digital document analysis screen workflow" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Beyond basic recognition, the pipeline efficiently processes rotated documents, explores layout and Key Information Extraction capabilities, converts raw OCR output into ordered text, extracts specific fields, and reconstructs tables with high fidelity.</p><div class="ai-insight"><p>Document intelligence pipelines play a critical role in enterprise digital transformation. By turning unstructured paper or image-based files into structured, machine-readable data, organizations can automate manual data entry and seamlessly feed accurate information into downstream AI applications.</p></div><p>Finally, the framework supports multiple reusable output formats, including the generation of searchable PDFs featuring invisible text layers, which allow users to search and highlight text within scanned documents effortlessly.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/17/end-to-end-document-intelligence-pipeline-with-doctr-for-ocr/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_เจาะลึก-end-to-end-document-intelligence-pipeline-ด้วย-doctr-msxuteba.jpg

small_เจาะลึก-end-to-end-document-intelligence-pipeline-ด้วย-doctr-msxuteba.jpg

thumbnail_เจาะลึก-end-to-end-document-intelligence-pipeline-ด้วย-doctr-msxuteba.jpg

เจาะลึก-end-to-end-document-intelligence-pipeline-ด้วย-doctr-msxuteba.jpg

สรุปแนวทางการสร้างระบบประมวลผลเอกสารอัจฉริยะแบบครบวงจรด้วย docTR ครอบคลุมการทำ OCR วิเคราะห์เลย์เอาต์ KIE และสร้าง searchable PDF

Discover how docTR powers a comprehensive document intelligence workflow covering OCR, layout analysis, KIE, and searchable PDF generation.

เจาะลึก End-to-End Document Intelligence Pipeline ด้วย docTR

Building an End-to-End Document Intelligence Pipeline with docTR

<div class="key-takeaways"><ul><li>การทำงานด้วย Pixel-Native RAG ช่วยรักษาโครงสร้าง ตาราง และสูตรทางคณิตศาสตร์ที่ระบบข้อความทั่วไปมักมองข้าม</li><li>ผสานการฝังตัววิสัยทัศน์ภาษาหนาแน่นและการดึงข้อมูลสลัวจาก OCR เข้าด้วยกัน</li><li>รองรับการทำดัชนีผ่าน FAISS และการฝึกอบรมอะแดปเตอร์แบบคอนทราสต์ในไปป์ไลน์เดียว</li><li>พัฒนาโดย Sana Hassan นักศึกษาฝึกงานด้านการปรึกษาหารือจาก Marktechpost และ IIT Madras</li></ul></div><p>ในบทความเชิงปฏิบัตินี้ ได้มีการนำเสนอการใช้งานเวิร์กฟลอว์ PixelRAG อย่างสมบูรณ์แบบ ซึ่งครอบคลุมตั้งแต่กระบวนการเรนเดอร์เอกสารให้ออกมาเป็นภาพหน้าจอแบบไทล์ ไปจนถึงการดึงข้อมูลหลักฐานภาพที่เกี่ยวข้องและการส่งมอบผ่านทาง Searchable API เพื่อให้ระบบมีความสมบูรณ์ในการทำงานจริง</p><p>กระบวนการทำงานดังกล่าวได้ผสานเทคโนโลยีหลากหลายรูปแบบเข้าไว้ด้วยกันอย่างลงตัว ไม่ว่าจะเป็น dense vision-language embeddings, OCR-derived sparse retrieval, reciprocal rank fusion, FAISS indexing, document-level score aggregation และ contrastive adapter training ทั้งหมดนี้ถูกรวบรวมไว้ภายในไปป์ไลน์เดียวที่สามารถนำไปรันได้จริงทันที</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/pixel_native_rag_msf9x1qv_inline_1_ecd94e6b1e.jpg" alt="pixel native document workflow architecture" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="ai-insight"><p>แนวคิด Pixel-Native RAG ถือเป็นก้าวสำคัญในการข้ามข้อจำกัดของระบบ Retrieval-Augmented Generation แบบดั้งเดิมที่แปลงเอกสารเป็นข้อความล้วน ทำให้สูญเสียข้อมูลเชิงภาพ เช่น เลย์เอาต์ กราฟิก และสูตรคณิตศาสตร์ การใช้พิกเซลตรงๆ ช่วยให้โมเดล Multimodal LLM เข้าใจบริบทของเอกสารทางธุรกิจหรือรายงานวิจัยได้อย่างแม่นยำยิ่งขึ้น</p></div><p>นอกจากนี้ ระบบยังได้รับการประเมินประสิทธิภาพผ่านเกณฑ์มาตรฐานการดึงข้อมูล พร้อมกับการตรวจสอบผลลัพธ์ด้วยภาพ ซึ่งช่วยให้นักพัฒนาสามารถเปรียบเทียบการกำหนดค่าต่างๆ ได้อย่างเป็นรูปธรรม แทนที่จะต้องพึ่งพาเพียงผลลัพธ์เชิงคุณภาพเพียงอย่างเดียว</p><p>การทำงานโดยตรงกับพิกเซลที่เรนเดอร์ออกมา ช่วยรักษาองค์ประกอบสำคัญของเอกสารไว้อย่างครบถ้วน ไม่ว่าจะเป็นโครงสร้างเอกสาร ตาราง รูปภาพ สัญลักษณ์ทางคณิตศาสตร์ บล็อกโค้ด และเลย์เอาต์ทางสายตา ซึ่งมักจะถูกละเลยโดยไปป์ไลน์แบบข้อความล้วน พร้อมทั้งสร้างรากฐานที่ยืดหยุ่นในการขยายขอบเขตไปยังเอกสารส่วนบุคคล คลังข้อมูลขนาดใหญ่ และการสร้างข้อความจากภาพที่มีความแม่นยำสูง</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/04/pixel-native-rag-a-practical-guide-to-visual-document-indexing/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Pixel-Native RAG preserves document structure, tables, and mathematical notations often lost in text-only pipelines.</li><li>Combines dense vision-language embeddings and OCR-derived sparse retrieval within a unified framework.</li><li>Features FAISS indexing, reciprocal rank fusion, and contrastive adapter training in a single runnable pipeline.</li><li>Authored by Sana Hassan, a consulting intern at Marktechpost and dual-degree student at IIT Madras.</li></ul></div><p>This comprehensive guide details the implementation of the complete PixelRAG workflow, starting from rendering documents into screenshot tiles to retrieving and serving relevant visual evidence through a searchable API.</p><p>The system successfully integrates dense vision-language embeddings, OCR-derived sparse retrieval, reciprocal rank fusion, FAISS indexing, document-level score aggregation, and contrastive adapter training into a single runnable pipeline.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/pixel_native_rag_msf9x1qv_inline_1_ecd94e6b1e.jpg" alt="pixel native document workflow architecture" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="ai-insight"><p>Pixel-Native RAG represents a paradigm shift by addressing the limitations of traditional text-only RAG systems. By processing rendered pixels directly, multimodal models retain critical visual hierarchies, charts, and formatting that standard text extraction parsers routinely discard, enabling deeper contextual understanding for complex documents.</p></div><p>Furthermore, the system was evaluated using retrieval benchmarks alongside visual result inspections, allowing developers to effectively compare configurations rather than depending solely on qualitative outputs.</p><p>Working directly with rendered pixels preserves structural integrity, tables, images, mathematical notations, code blocks, and visual layouts. This establishes a flexible foundation expandable to private documents, larger corpora, stronger multimodal embedding models, and fully grounded vision-language generation.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/04/pixel-native-rag-a-practical-guide-to-visual-document-indexing/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_pixel-native-rag-msf9x1qv.jpg

small_pixel-native-rag-msf9x1qv.jpg

thumbnail_pixel-native-rag-msf9x1qv.jpg

pixel-native-rag-msf9x1qv.jpg

สรุปขั้นตอนการสร้างระบบ PixelRAG ตั้งแต่การเรนเดอร์เอกสารเป็นภาพหน้าจอ การค้นหาข้อมูล และการให้บริการผ่าน API

An overview of implementing the complete PixelRAG workflow from document rendering to searchable visual evidence APIs.

เจาะลึก Pixel-Native RAG คู่มือปฏิบัติสำหรับการทำดัชนีเอกสารด้วยภาพ

Pixel-Native RAG: A Practical Guide to Visual Document Indexing

Inewgen

Inewgen

#OCR

Jina AI เปิดตัว jina-ocr-v1 โมเดลแปลงเอกสาร 3.4B MoE

Inewgen

Reducto เปิดตัว r-1 โมเดลพาสเดียวลด error 20% ราคา 1 เซนต์

Inewgen

Cohere เปิดตัว Parse 5 โมเดลวิชันภาษา 2.3 พันล้านพารามิเตอร์

Inewgen

สร้างระบบ Document Intelligence ด้วย deepDoctection

Inewgen

เจาะลึก End-to-End Document Intelligence Pipeline ด้วย docTR

Inewgen

เจาะลึก Pixel-Native RAG คู่มือปฏิบัติสำหรับการทำดัชนีเอกสารด้วยภาพ

Inewgen