شرکت LlamaIndex که کتابخانه‌ای به همین نام و سرویس اسناد LlamaParse را ارائه می‌دهد، روز ۲۲ اکتبر از OCRia-1 رونمایی کرد؛ مدلی بینایی‌زبانی که صفحه‌های اسناد را به متن ساختاریافته تبدیل می‌کند. این مدل با ۴ میلیارد پارامتر در مقیاس امروز کوچک به شمار می‌رود، اما شرکت آن را دقیق‌ترین ابزار استخراج در میان سامانه‌هایی معرفی می‌کند که در زمینه جدول‌ها، نمودارها و قالب‌بندی آزموده است؛ ابزاری که در عین حال آن‌قدر سریع است که بایگانی‌های بسیار بزرگ را با یک پردازنده گرافیکی پردازش کند.
رقم اصلی از ParseBench می‌آید؛ مجموعه‌ای از صفحه‌های اسناد سازمانی در حوزه بیمه، امور مالی و دولت. در این آزمون OCRia-1 امتیاز کلی ۸۷٫۴ گرفته، در حالی که LightOnOCR-3-4B به‌عنوان رتبه دوم در مقایسه LlamaIndex به ۷۵٫۳ و Mistral OCR 4.1 به ۶۷٫۵ رسیده‌اند. فاصله در مهارت‌های مشخص بیشتر است: ۸۵٫۱ در استخراج داده از نمودار در برابر ۶۶٫۱ برای رقیب بعدی، و ۸۳٫۴ در حفظ قالب‌بندی‌هایی مثل بالانویس، متن خط‌خورده و چک‌باکس در برابر ۶۷٫۹. نکته مهم این است که ParseBench را پژوهشگران خود LlamaIndex ساخته‌اند.
شرکت همچنین می‌گوید در ارزیابی جدول‌ها در سه آزمون بیرونی هم اول شده است: امتیاز ۹۲٫۹ در بخش جدول olmOCR-bench، امتیاز ۸۴٫۱ روی ۱۸۲۰ جدول چندزبانه PulseBench-Tab و صدرنشینی در هر دو بخش جدول‌های طولانی fr-bench-pdf2md. برخی از این فاصله‌ها اندک است. در امتیاز کلی olmOCR-bench، مدل جدید به ۸۳٫۵ رسیده و olmOCR-2 با ۷ میلیارد پارامتر ۸۲٫۳ گرفته است، و در fr-bench-pdf2md برتری آن بر LightOnOCR-3-4B کمتر از یک امتیاز است.
از نظر فنی، این مدل نسخه تنظیم‌شده Qwen3.5-4B است. خروجی آن صفحه‌ها را به قالب Markdown می‌نویسد، جدول‌ها را با حفظ خانه‌های ادغام‌شده و سرستون‌های تودرتو به HTML تبدیل می‌کند، نمودارها را به جدولی از نقاط داده برمی‌گرداند و فرمول‌ها را با LaTeX ثبت می‌کند. طبق گزارش فنی، بیشترین تلاش صرف داده شده است: بیش از ۱۰۰ هزار صفحه که ترکیبی از اسناد واقعی، کنترل‌شده با لایه متنی PDF، و صفحه‌های مصنوعی با پاسخ دقیق برای جدول‌های طولانی و قالب‌بندی پیچیده است. آموزش با تنظیم دقیق نظارت‌شده آغاز شد و با یادگیری تقویتی مبتنی بر پاداش‌های قابل‌راستی‌آزمایی ادامه یافت که برای جدول، نمودار و قالب‌بندی جداگانه محاسبه می‌شد.
سرعت، بخش دیگر ادعای شرکت است. به گفته LlamaIndex، نسخه عملیاتی مدل در یک درخواست منفرد روی یک پردازنده NVIDIA B200 حدود ۴۷۰۰ توکن در ثانیه تولید می‌کند که تقریباً نه برابر مدل پایه روی نسخه استاندارد vLLM است. این شتاب از یک پیش‌نویس‌ساز گمانه‌زن مبتنی بر انتشار بلوکی، کوانتیزه‌سازی ترکیبی NVFP4 و FP8 و هسته‌های محاسباتی اختصاصی به دست آمده است. با ۶۴ درخواست هم‌زمان، مدل حدود ده صفحه در ثانیه پردازش می‌کند که گزارش آن را معادل نزدیک به ۸۶۰ هزار صفحه در روز برای هر پردازنده گرافیکی می‌داند.
برای کاربران، تغییر عملی در LlamaParse رخ داده است؛ جایی که OCRia-1 اکنون با همان قیمت قبلی کار می‌کند. اثر این تغییر بیش از همه در سامانه‌های جست‌وجوی اسناد و عامل‌هایی دیده می‌شود که با اسناد مالی و بیمه سروکار دارند؛ جایی که قرار گرفتن یک عدد زیر سرستون اشتباه در مراحل بعد به پاسخی مطمئن اما نادرست می‌انجامد.
فعلاً همه چیز قابل‌راستی‌آزمایی نیست. این مدل تنها از راه سرویس میزبانی‌شده LlamaIndex در دسترس است و گزارش فنی فقط می‌گوید نسخه‌ای از آن به‌زودی عرضه می‌شود، بی‌آنکه تاریخ یا مجوزی اعلام کند. همه مقایسه‌ها را خود شرکت انجام داده و بیشترین برتری در آزمونی دیده می‌شود که خودش طراحی کرده است؛ بنابراین برای سنجیدن میزان واقعی برتری OCRia-1 به ارزیابی‌های مستقل نیاز است.